新型AI技术或可使微创手术更安全精准

MIT News — Artificial Intelligence 2026/09/16 15:00 论文

摘要

研究人员开发了一种名为xvr的AI技术，能快速将术中X光与术前3D扫描匹配，提升微创手术的精准度和安全性。

研究人员开发了一种新技术，能够准确快速地将术中捕捉的X光与患者的术前3D医学扫描匹配。这种方法能使临床医生更精确地操控微创手术工具，从而实现更快、更安全的手术。临床医生在进行许多微创手术时，使用实时X光来帮助引导导管和内窥镜等设备通过微小切口。但由于X光是平面图像，要精确确定手术工具在患者体内的位置和方向可能具有挑战性，这增加了并发症的风险。为了帮助定位手术设备，临床医生可能会手动将X光与术前3D医学图像（如CT扫描或MRI）对齐。旨在简化此过程的AI工具在对所有患者进行图像对齐时缺乏鲁棒性，使得它们在实践中不可行。这个新系统由麻省理工学院（MIT）和合作机构的科学家和临床医生开发，使用了一个AI模型，只需约五分钟即可适应每位患者。该模型能在几秒内自动将患者的X光与3D扫描匹配，且精度达到亚毫米级。它被命名为xvr（代表X-ray volume registration），在广泛的患者群体、身体部位和医疗程序中，其性能比现有AI方法高出一个数量级。“大多数美国人居住地距离能执行非侵入性手术（如紧急中风干预）的中心超过一小时。中风时间中的一个小时至关重要。通过结合2D和3D信息使这些手术更容易，可以让这类高度专业化的救命手术惠及更广泛的人口，”MIT计算机科学与人工智能实验室（CSAIL）的博士后、哈佛-MIT健康科学与技术项目毕业生、以及xvr论文的主要作者Vivek Gopalakrishnan说，该论文<a href="https://www nature.com/articles/s41586-026-11045-x" target="_blank">今日发表在《Nature》上</a>。与他共同发表论文的有他的导师Polina Golland，电气工程与计算机科学（EECS）的Sunlin和Priscilla Chou教授，CSAIL的首席研究员，医学视觉组负责人，以及论文的共同资深作者；还有Neel Dey，医学视觉组前博士后，现任哈佛医学院和麻省总医院的研究员，也是论文的共同资深作者。其他共同作者包括哈佛医学院的研究员和临床医生David-Dimitris Chlorogiannis；圣卢克·马里昂·布洛克神经科学研究所的神经外科医生Andrew Abumoussa；Shriners儿童医院的儿科临床医生Anna M. Larson；哈佛和布莱根妇女医院的放射学助理教授Nazim Haouchine；波士顿儿童医院的医生和科学家Darren B. Orbach；以及哈佛放射学副教授Sarah Frisken。让X光更具信息量在许多微创手术过程中，如血管成形术以打开阻塞动脉，临床医生通过微小切口插入器械，并使用高速移动X光扫描仪生成图像，以便从任何角度可视化手术过程。但为了在不意外损伤其他组织的情况下引导手术工具，临床医生必须将实时X光与患者的术前MRI或CT扫描对齐。这个过程称为配准，帮助他们确定工具相对于解剖结构的位置。“临床医生需要数十年的训练才能熟练到从模糊的2D图像中理解一切的朝向。我们希望让这些2D X光更具信息量，从而更安全、更容易地进行这些救命手术，”Gopalakrishnan说。手动配准方法缓慢且负担重，需要临床医生通过向计算机输入数字或点击屏幕上的解剖标志来猜测手术器械的位置。为了简化这个过程，研究人员正在开发能够预测2D/3D配准的AI模型。但由于人体解剖结构多样，对某些患者有效的模型可能对其他患者无效。Gopalakrishnan说，缺乏高质量的标注医学图像数据使得训练一个足够鲁棒以适应许多患者的深度学习模型变得困难。研究人员没有试图创建一个适用于所有患者的机器学习模型，而是构建了一个旨在为特定患者进行极端优化的模型。“我们为这个特定患者量身定制一个特定模型，它是否对其他人有效并不重要，因为其他人会有不同的模型，”Gopalakrishnan补充道。患者特定的机器学习Xvr获取患者的术前3D扫描（如MRI或CT），并利用它从多个角度生成数千张合成X光，每秒产生约1000张图像。它使用基于物理的X光过程模拟，以确保这些合成图像逼真。“不是从无到有生成数据，如某些类型的生成式AI，这个物理模拟完全基于该患者的CT扫描或MRI。因为xvr以纯物理方式生成患者特定数据，所以没有产生幻觉的可能，”Gopalakrishnan说。xvr框架使用这些模拟数据来训练一个AI模型，该模型能在几秒内准确地将该患者的2D X光与其3D图像扫描对齐。但尽管这样的配准模型高度准确，从头开始为每个患者训练需要约12小时，这在紧急情况下不可能部署。为了加快这个过程，研究人员使用xvr预训练了一个更通用的AI系统，称为基础模型，该模型可以快速适应每个新患者。他们收集了来自2000多名患者的全身3D医学扫描数据，涵盖了广泛的年龄、成像模式和身体区域。Xvr利用这些多样化数据生成合成X光，并训练基础模型执行2D/3D配准。这个预训练模型能在约五分钟内适应新患者，并以与从头训练相同的精度执行配准。“所以现在你可以获得患者特定的精度，而且在非常短的时间内，”Gopalakrishnan说。团队在最大的真实2D/3D配准数据集上测试了该模型，该数据集包含来自五家医院的数据，涵盖成人和儿科患者的数十种骨骼和器官系统。Xvr在准确性和鲁棒性方面显著优于其他基于AI的方法，同时运行速度足够快，可用于紧急手术。该模型还可用于提高机器人手术技术的性能。未来，研究人员希望专注于让xvr更快地实现实时部署，进行进一步研究以验证其在其他情况下的可靠性，并扩展系统以处理更复杂的场景，如移动的身体部位。“在过去的两年里，我们一直在仔细开发和验证这个算法。现在，我们正与手术机器人公司和临床团队密切合作，将这项研究转化为用于导航或部署的有用工具，”Gopalakrishnan说。这项工作部分由美国国立卫生研究院（NIH）、MIT CSAIL-Wistron计划、MIT-IBM计算研究实验室、MIT Jameel诊所、MIT健康与生命科学合作计划以及周氏家族变革性研究基金资助。

查看原文

查看缓存全文

缓存时间: 2026/09/17 02:21

# 新型AI技术有望提升微创手术的安全性与精准度来源：https://news.mit.edu/2026/new-ai-technique-could-make-minimally-invasive-surgeries-safer-more-precise-0916 研究人员开发了一种新技术，能够快速且精准地将手术中实时拍摄的X光影像与患者术前的3D医学扫描图像进行匹配。该方法可帮助临床医生更精确地操控微创手术器械，从而提升手术效率与安全性。临床医生在进行微创手术时，通常借助实时X光影像引导导管、内窥镜等器械通过微小切口进入人体。但由于X光影像为二维平面图像，医生难以准确判断手术器械在患者体内的空间位置与朝向，这增加了手术并发症的风险。为辅助手术器械定位，医生需手动将X光影像与术前3D医学影像（如CT或MRI）进行对齐。现有AI工具虽致力于简化该流程，但难以对所有患者实现稳定可靠的影像配准，实际应用受限。这款由MIT及合作机构的科学家与临床医生共同开发的新系统，采用了可针对个体患者快速适应的AI模型。该模型能在约五分钟内完成适配，并在数秒内自动完成单个患者的X光影像与3D扫描图像的亚毫米级精准匹配。该系统被命名为xvr（即X-ray volume registration，X光容积配准技术），在涵盖不同患者、身体部位及医疗程序的广泛测试中，其性能较现有AI方法提升了一个数量级。 "美国多数居民居住地距离能实施急性卒中介入等非侵入性手术的医疗中心超过一小时车程。卒中救治中每一小时都至关重要。通过融合2D与3D信息简化手术流程，能使这类高度专业化的救命手术惠及更广泛的人群，"MIT计算机科学与人工智能实验室（CSAIL）博士后、哈佛-MIT健康科学与技术项目近期毕业生、该研究论文主要作者Vivek Gopalakrishnan表示。该论文今日发表于《自然》杂志（https://www.nature.com/articles/s41586-026-11045-x）。论文合著者包括其导师、电气工程与计算机科学Sunlin与Priscilla Chou教授、CSAIL首席研究员、医学视觉组负责人Polina Golland；以及医学视觉组前博士后、现哈佛医学院及麻省总医院研究员Neel Dey（两人同为论文共同通讯作者）。其他合著者还包括哈佛医学院研究员兼临床医生David-Dimitris Chlorogiannis、圣卢克斯马里昂·布洛赫神经科学研究所神经外科医生Andrew Abumoussa、Shriners儿童医院儿科临床医生Anna M. Larson、哈佛大学及布莱根妇女医院放射学助理教授Nazim Haouchine、波士顿儿童医院医师兼科学家Darren B. Orbach，以及哈佛大学放射学副教授Sarah Frisken。 **提升X光影像信息量** 在许多微创手术（如开通阻塞血管的血管成形术）中，临床医生通过微小切口插入器械，使用高速移动X光扫描仪生成影像，实现多角度手术视野可视化。但为避免意外损伤其他组织，医生需将实时X光影像与患者术前的MRI或CT扫描图像进行配准。这一过程称为图像配准，有助于确定器械与解剖结构的相对位置。 "临床医生需经过数十年训练才能熟练解读模糊的2D影像并理解其空间方位。我们希望让这些2D X光影像承载更多信息，使这类救命手术变得更安全、更易操作，"Gopalakrishnan指出。传统手动配准方法效率低下且负担沉重，医生需通过输入数字或点击屏幕解剖标记点来推测手术器械位置。为优化流程，研究团队正开发可预测2D/3D配准的AI模型。但由于人体解剖结构存在巨大个体差异，适用于某些患者的模型可能对其他患者失效。 Gopalakrishnan认为，高质量标注医学影像数据的缺乏，使得训练足以适应多样患者的鲁棒深度学习模型面临挑战。研究团队没有试图构建适用于所有患者的通用模型，而是设计了能针对特定患者实现超高度适配的模型。 "我们为每位患者定制专属模型，无需考虑其对其他患者的适用性——因为其他患者将拥有各自的专属模型，"Gopalakrishnan补充道。 **患者特异性机器学习** xvr系统获取患者术前3D扫描数据（如MRI或CT），通过多角度模拟生成数千张合成X光影像，速率达每秒约1000张。系统基于物理原理模拟X光成像过程，确保合成影像的真实性。 "不同于部分生成式AI凭空创造数据，本系统的物理模拟完全基于该患者的CT或MRI原始数据。由于xvr以纯物理方式生成患者特异性数据，因此不存在幻觉问题，"Gopalakrishnan解释道。该框架利用模拟数据训练AI模型，可在数秒内精准完成患者2D X光影像与3D扫描图像的配准。然而，若从零开始训练该配准模型，每位患者需耗时约12小时，难以满足急救场景需求。为提升效率，研究团队采用xvr预训练了一个更通用的基础AI模型，使其能快速适配新患者。团队收集了涵盖不同年龄、影像模态及身体部位的2000余例全身3D医学扫描数据。xvr利用这些多样化数据生成合成X光影像，训练基础模型执行2D/3D配准任务。该预训练模型可在约五分钟内适配新患者，其配准精度与从零训练的模型相当。 "现在我们既能实现患者特异性精度，又能保持极速适配能力，"Gopalakrishnan表示。团队在现有最大规模的真实2D/3D配准数据集上测试了该模型，数据来自五家医院，涵盖成人与儿童患者的数十种骨骼和器官系统。在准确性和鲁棒性方面，xvr显著优于其他AI方法，同时运算速度满足急诊手术需求。该模型还可用于提升手术机器人技术性能。未来，研究团队将致力于提升xvr的实时部署速度，开展进一步研究验证其在更多场景下的可靠性，并拓展系统以处理更复杂情况（如运动器官）。 "过去两年我们持续进行算法开发与验证。目前正与手术机器人公司及临床团队紧密合作，将研究成果转化为实用的手术导航或部署工具，"Gopalakrishnan透露。该研究部分由美国国立卫生研究院（NIH）、MIT CSAIL-纬创研究计划、MIT-IBM计算研究实验室、MIT Jameel诊所、MIT健康与生命科学协作中心以及周氏家族转化研究基金资助。

新型AI技术或可使微创手术更安全精准

相似文章

首位接受实时AI辅助脑外科手术的患者。

@MSFTResearch：放射学AI正在超越报告生成。CARE-X探索了一种统一方法，结合灵活推理、……

新AI模型在测试中比人类医生提前多达3年发现胰腺癌

人工智能不会取代放射科医生，但将彻底改变他们的工作

@MSFTResearch：AI如何助力精准肿瘤学？探索Microsoft Research与…合作的Project Ex Vivo

提交意见反馈