夜雨聆风🔬【文献精读】AI精准识别"脊髓生命线"：深度学习模型让BAE术中脊髓损伤风险无处遁形
📌 导读
今天选读的文献来自 Journal of Vascular and Interventional Radiology（JVIR，血管与介入放射学领域顶级期刊），于 2026年2月23日 发表。
支气管动脉栓塞术（BAE）是治疗大咯血的一线微创利器，但术中有一道"生死红线"始终悬在介入医生头顶——**Adamkiewicz动脉（AKA）**这条脊髓供血"生命线"，一旦被误栓塞，患者可能面临截瘫甚至永久性神经损伤。
传统上，这需要经验丰富的放射科医生在术中造影图像上仔细辨认，但人眼总会疲劳、总会疏漏。有没有办法让AI来帮助"看见"这条隐藏的脊髓动脉？
这项来自中国的多中心研究，给出了令人振奋的答案：深度学习模型可在BAE术前精准识别Adamkiewicz动脉，敏感度高达92.1%，与高年资放射科医师水平相当！
核心数据：2036例患者，78例（3.8%）存在Adamkiewicz动脉共干，深度学习模型敏感度92.1%，特异度84.6%——这是AI赋能介入手术安全的里程碑式研究。
💡 温馨提示：本文聚焦于BAE手术安全性提升这一核心问题，与本系列既往精读（侧重疗效数据）视角不同——如果说既往文章告诉您"BAE能治什么病"，那么今天这篇文章告诉您"BAE怎么做更安全"。对介入科医生，这是AI辅助手术规划的重要进展；对设备研发者，这是深度学习在介入医学落地的成功案例；对患者和家属，这意味着接受BAE手术时又多了一道"安全锁"。
一、📖 文献基本信息
题目： A Deep Learning Model for Artery of Adamkiewicz Detection in Bronchial Artery Embolization: A Multicenter Retrospective Study
中文翻译： 深度学习模型在支气管动脉栓塞术中识别Adamkiewicz动脉的多中心回顾性研究
作者： Chao Zhang（张超）, Hu Lin（林虎）, Hongwei Zhang（张宏伟）等
期刊：Journal of Vascular and Interventional Radiology（JVIR，血管与介入放射学领域顶刊）
发表时间： 2026年2月23日（在线提前出版）
DOI： 10.1016/j.jvir.2026.108584
PMID： 41740672
研究类型： 多中心回顾性研究
二、🩺 研究背景：BAE手术的"达摩克利斯之剑"
2.1 大咯血：介入治疗的急先锋
大咯血（通常指24小时内咯血量>100-600ml）是危及生命的肿瘤急症。支气管动脉栓塞术（BAE）自1970年代开展以来，已被确立为控制大咯血的一线微创治疗手段，技术成功率高达90%以上。
然而，这项技术始终面临一个致命风险——脊髓损伤。
2.2 Adamkiewicz动脉：被忽视的"脊髓生命线"
Adamkiewicz动脉（AKA） 是脊髓的主要供血动脉之一，负责从大约T8-L2水平为脊髓前2/3区域供血。当支气管动脉与AKA存在解剖共干时，如果术中未能识别并避开这条血管进行栓塞，可能导致：
| 脊髓梗死 | ||
| 不可逆神经损伤 | ||
| 医疗纠纷 |
2.3 传统方法的困境
传统上，术者依赖以下方法识别AKA：
- 术中DSA造影仔细辨认
：耗时、对低年资医生难度大 - CTA术前评估
：但对微小分支显示有限 - 术中cone-beam CT
：设备要求高，非所有中心可及
💭 核心痛点：AKA直径细小（通常0.5-1.5mm）、走行变异大，传统人眼识别容易疲劳或遗漏。特别是在紧急大咯血手术中，时间压力进一步增加疏漏风险。
2.4 AI赋能：解题新思路
深度学习（Deep Learning）在医学影像领域已展现出色能力。研究者设想：
如果让AI"学会"在支气管动脉造影图像上自动识别AKA和脊髓前动脉（ASA），能否为介入医生提供实时预警，从而大幅降低非靶向栓塞风险？
三、📊 研究方法
3.1 研究设计概览
| 研究类型 | |
| 时间跨度 | |
| 患者总数 | |
| 参与中心 | |
| 研究目的 |
3.2 深度学习模型架构
本研究提出的深度学习框架包含两个核心模块：
① 感兴趣区域感知（Region of Interest Perception）
自动定位并提取血管相关区域，增强脊髓动脉在图像中的显著性，使模型更关注关键解剖结构。
② 目标脊髓动脉识别（Target Spinal Artery Recognition）
采用渐进式细化学习网络（Progressive Refinement Learning Network），从全局视角定位动脉，并通过跨尺度信息交互逐步优化识别结果。
输入：DSA造影图像
↓
感兴趣区域感知模块（提取血管ROI）
↓
目标脊髓动脉识别模块（全局定位→渐进细化）
↓
输出：AKA/ASA是否存在 + 位置热力图
3.3 参考标准（Ground Truth）
研究采用高年资放射科医师的判读结果作为金标准，通过以下方式标注：
多名经验丰富介入放射科医生独立判读 存在分歧时通过讨论达成共识 标注内容包括：AKA起点、分支走行、与支气管动脉的关系
3.4 统计评价指标
- 敏感度（Sensitivity）
：正确识别出存在的AKA - 特异度（Specificity）
：正确排除不存在的AKA - 与放射科医师比较
：kappa系数/ McNemar检验 - ROC曲线下面积（AUC）
：整体判别能力
四、💡 核心研究结果
4.1 Adamkiewicz动脉检出率：3.8%的"少数派"
| 总患者数 | |
| AKA可识别的患者 | |
| AKA检出率 | 3.8% |
📌 关键信息：虽然AKA共干的比例看起来不高（约4%），但考虑到中国每年大咯血BAE手术量庞大，绝对数量仍然可观。更重要的是，一旦这条"生命线"被误栓，后果是灾难性的——哪怕一例脊髓损伤，对患者家庭都是100%的悲剧。
4.2 模型性能：92.1%敏感度
| 敏感度 | 92.1% | |
| 特异度 | 84.6% |
4.3 与放射科医师对比：无统计学显著差异
| P>0.05（无显著差异） |
🟢 核心亮点：深度学习模型的识别能力与经验丰富的高年资放射科医师相当，这意味着AI可以在临床实践中充当"第二双眼睛"，帮助低年资医生做出更准确的判断。
4.4 模型判读示例
研究提供了模型输出的典型案例：
五、⚔️ 临床意义与深度解读
5.1 填补"术中安全预警"的空白
BAE手术的安全性提升主要依赖两个层面：
| 术前 | ||
| 术中 | ||
| 术后 |
本研究填补了术中实时AI预警这一关键环节的技术空白。
5.2 对介入手术的分级保护策略
基于深度学习模型，可建立BAE术中脊髓动脉保护的三级策略：
一级保护（术前）：
CTA检查 → AI预判AKA存在风险 高风险患者 → 术前制定详细手术预案
二级保护（术中）：
DSA造影 → 深度学习实时分析 发现AKA → 实时预警，提示避开 超选择性插管至安全分支
三级保护（术后）：
神经功能监测 早期发现、及时处理并发症
5.3 降低学习曲线
对于低年资介入医生而言，识别AKA是公认的难点。本研究的潜在价值在于：
AI模型可以作为"虚拟导师"，在术中实时标注风险区域，帮助年轻医生快速积累判读经验，缩短学习曲线。
5.4 与既往AI辅助介入研究的对比
| 本研究 | |||
📌 本研究是介入造影实时AI辅助领域的首批多中心验证，在方法学和临床应用上均有创新价值。
六、🔮 局限性与未来展望
6.1 当前研究局限性
| 回顾性设计 | |
| 仅限右肋间-支气管动脉 | |
| AKA定义差异 | |
| 缺乏长期随访 | |
| 设备依赖性 |
6.2 未来研究方向
🚀 近期优先探索方向：
前瞻性随机对照试验
比较AI辅助 vs 传统方法指导BAE的脊髓损伤发生率 评估AI预警对手术决策的实际影响 模型升级迭代
纳入更多模态（DSA + CTA + CBCT多源融合） 增加左肋间动脉等变异来源的识别 开发实时推理版本，适应术中场景 多中心外部验证
在不同品牌DSA设备上验证模型泛化能力 纳入不同地区、人种的患者数据 临床决策集成
与PACS/介入手术系统无缝对接 实现自动弹出警告、自动建议超选路径 扩展至其他高风险栓塞术
肝动脉化疗栓塞（TACE）中的胃十二指肠动脉保护 子宫动脉栓塞（UAE）中的卵巢动脉识别
七、✍️ 编者体会
在介入放射学的世界里，有一句话常被引用：
"栓塞容易，避开不该栓的血管难。"
BAE手术尤其如此——止血是本能，避祸是智慧。Adamkiewicz动脉，这条直径不过1mm左右的"细细红绳"，却是脊髓供血的"总开关"。一旦误栓，患者可能从活着，变成永远站不起来。
传统上，这依赖术者的解剖学功底、造影经验、以及手术时的专注程度。但人毕竟不是机器，会疲劳、会紧张、在凌晨3点抢救大咯血时更难保持最佳状态。
这项研究给我的最大触动，不是那个92.1%的敏感度数字本身，而是它传递出的一个信号：
AI不是来"取代"介入医生的，而是来当我们的"第二双眼睛"的。
它可以在我们疲惫时、在我们经验不足时、在我们面对复杂变异解剖时，默默帮我们"多看一眼"。就像飞机的自动驾驶仪——它不能让飞机自己飞完全程，但可以在关键时刻提醒飞行员避开危险。
当然，这项研究只是起点。回顾性、多中心（但具体中心数未详述）、仅覆盖右肋间-支气管动脉——这些局限提示我们，AI在介入手术中真正落地，还需要更多前瞻性、大规模、随机对照的临床验证。
但趋势已来。未来的介入手术室，AI辅助识别Adamkiewicz动脉，可能就像今天CT扫描报告自动提示"请注意脊髓"一样自然。
那一天，介入医生做BAE手术时，心里会更有底。
📚 参考文献
[1] Zhang C, Lin H, Zhang H, Guo X, Zhang Q, Xin F, Luo T, Ao G. A deep learning model for artery of Adamkiewicz detection in bronchial artery embolization: a multicenter retrospective study. J Vasc Interv Radiol. 2026. doi:10.1016/j.jvir.2026.108584
⚕️ 声明：本文仅为学术分享，不构成临床诊疗建议。具体治疗方案请遵医嘱。
