médical IA

AI 辅助腹部超声：一项随机交叉试验测得每次检查节省 52 秒、手部移动距离减少 39%，而 184 个测量值中有 48 个被操作者改动

发布于 2026年8月23日 · 14 分钟 阅读

布里斯班昆士兰科技大学与 CQUniversity 的十位作者，让 32 名健康志愿者各接受两次上腹部超声检查——一次手动，一次由西门子 ACUSON Sequoia 平台上的机载软件 AI Abdomen 3.5 辅助——顺序随机分配，两次检查由不同的超声技师完成，同时用一台深度相机测量操作者在控制面板上的手部动作。AI 辅助使检查时长缩短 52.4 秒（−9%），按键次数减少 28%，手部移动距离减少 39%，而 NASA-TLX 综合工作负荷评分没有显著变化（−3.9 分；P = 0.17），尽管「心理需求」与「努力程度」两个分量表确实下降了。真正值得记住的数字在别处：超声技师改动了 AI 生成的 184 个测量值中的 48 个，而 32 次 AI 辅助检查中只有一次完全不需要人工干预。

背景

超声是唯一一种「图像在操作者动手之前并不存在」的影像学检查。读 CT 的放射科医生拿到的是一份已经成形的检查；而超声技师要握着探头、实时优化图像、辨认切面、冻结、测量、标注、存图。这种对操作者的依赖也是这项工作的桎梏：工作相关肌肉骨骼疾患在超声技师中非常普遍，而近期文献认为其成因不只是机械性因素——重复动作、静态姿势、长时间操作控制面板——还包括认知与社会心理负荷。

厂商的回应是机载辅助软件。这类系统运行在实时图像流上，识别当前所成的解剖切面，为其添加标签，并放置测量卡尺以生成一个初步的生物测量值，由操作者选择接受、调整或拒绝。这是一类不同于主流的医学 AI：绝大多数影像 AI 解读的是已经存储的检查，而这一类是在采集过程中介入的，与操作者面对同样的临床不确定性，重新分配其工作，而不是取代它。

独立证据很薄弱。在超声心动图领域，2025 年的一项研究报告了检查时长与控制面板交互的减少。更重要的是 2025 年发表于 NEJM AI 的 PROMETHEUS 试验，它在胎儿系统超声筛查上测试了一款采集辅助 AI：中位时长从 19.7 分钟降至 11.4 分钟，NASA-TLX 综合分从 46.5 降至 35.2。这是本文最自然的对照——而我们会看到，两者说的并不是同一件事。

方法

研究设计。 前瞻性随机交叉试验，2026 年 1 月至 2 月在一所大学的超声实验室进行，2025 年 12 月 15 日经 QUT 伦理委员会批准（编号 10419），报告遵循 CONSORT 2025 及其交叉试验扩展，并参照 DECIDE-AI 清单——即针对 AI 驱动的决策支持系统早期临床评估的报告规范。交叉设计意味着每位受试者充当自己的对照：这是对抗超声领域最主要变异来源——患者体型——的办法。

操作者与受试者。 两名注册超声技师，成人腹部超声经验分别为 11 年和 25 年，此前均未使用过该系统，各自接受了一次厂商提供的标准化培训外加一次练习扫查。32 名健康志愿者以便利抽样方式招募自校内人群：女性 20 人（62.5%），平均年龄 25.3 岁（标准差 8.9；范围 18–48），平均 BMI 22.6（3.6；16.4–31.3）。请记住最后这个数字：这是一支年轻且偏瘦的队列。

随机化。 四种序列各 8 人，条件顺序（先 AI 还是先手动）与技师顺序分别独立随机并保持平衡。每位受试者由每名技师各扫查一次，辅助检查与手动检查由不同操作者完成，间隔五分钟。因此每名技师各完成 16 次辅助检查和 16 次手动检查。分配序列由一名研究助理保管，扫查前不告知技师。无法设盲：AI 工作流在控制面板上的呈现明显不同。

系统。 AI Abdomen Release 3.5（VB30），厂商集成在 ACUSON Sequoia 平台（Siemens Medical Solutions）上的软件，使用 5C1 凸阵探头和标准腹部预设。研究团队未做任何训练或参数调整。有一点很重要：厂商并未公开该算法的类别、训练人群或临床前性能。检查方案涵盖胰腺、主动脉、下腔静脉、肝脏、胆囊、胆总管、双肾与脾的纵切与横切图像，测量项目限于 AI 支持的范围。多普勒被排除在外——辅助工作流中没有这项功能。

测量手段。 这是本研究的原创之处。一台固定在控制面板上方的 Intel RealSense D435 深度相机以 848 × 480 分辨率、每秒 30 帧记录。技师佩戴深蓝色丁腈手套；先在色相-饱和度-明度色彩空间中通过阈值分割出手套像素，再经通道变换把它们移向 MediaPipe 手部检测器所预期的肤色分布——该检测器每帧返回 21 个手部关键点。轨迹经去毛刺处理后用 One Euro 滤波器平滑，由此得到四项指标：手部累计移动距离、在键盘区域上方的悬停时间、平均加加速度（jerk，加速度的导数——衡量动作流畅度的指标）以及扫查时长。按键次数由一名独立观察者实时计数。每次检查结束后用加权 NASA-TLX 测量主观工作负荷，这是一份六维度量表（心理需求、体力需求、时间压力、绩效、努力程度、挫折感），并配有两两比较的加权程序。

统计分析。 线性混合效应模型——条件、技师和扫查顺序为固定效应，受试者为随机截距。扫查时长与加权 NASA-TLX 是两个预先设定的主要终点；按键次数、移动距离、悬停时间与 jerk 为次要终点；其余全部为探索性分析，未做多重比较校正。没有事先的功效计算；事后估算，32 对样本对 7.9 分的 NASA-TLX 效应具有 80% 检验效能。研究未在临床试验注册库登记，作者的理由是该干预并不针对健康结局。

结果

效率。 五项操作性指标方向一致，在参数检验与配对 Wilcoxon 检验下均显著。扫查时长：手动 592.4 秒对辅助 540 秒，即 −52.4 秒（95% CI −81.2 至 −23.7；−9%；P = 0.001）。按键次数：197 → 142，即 −55（−28%；P < 0.001）。手部移动距离：11.81 → 7.24 米，即 −4.57 米（−39%；P < 0.001）。键盘悬停时间：64.4 → 31.1 秒（−52%；P < 0.001）。平均 jerk：3.06 → 2.23 m/s³（−27%；P < 0.001）。这些收益反映的是同一套方案被更快完成：手动检查获得 192/192 项测量，辅助检查获得 189/192 项。

工作负荷。 第二个主要终点是阴性的。加权 NASA-TLX 从 45.8 降至 41.9，即 −3.9 分（95% CI −9.3 至 +1.5；P = 0.17）：置信区间包含零，而且该研究对这一量级的效应本身就检验效能不足。在探索性的分量表分析中，心理需求下降 6.3 分（P = 0.03），努力程度下降 7.0 分（P = 0.04），其余四个维度无变化。作者强调他们关心的那一点：没有任何分量表上升，因此看不到负荷向监督性活动的转移。此外，在个体内部，扫查时长与主观负荷相关（每秒 0.089 个 NASA-TLX 分；95% CI 0.060–0.118；P < 0.001）。

人工改动。 在获得的 189 项测量中，AI 为 184 项生成了数值；其余五项（胆囊壁 ×2、胆总管 ×2、右肾长径 ×1）它没有给出任何数值，由操作者手动测量。技师改动了 184 个数值中的 48 个，并修正了 33 处解剖标签。32 次辅助检查中只有一次完全不需要干预。改动率因测量项目而差异巨大：肝脏径线 18/31（58%；95% CI 41–74），胆囊壁厚度 11/30（37%；22–55），胆总管内径 7/29（24%；12–42）。两名操作者的总体改动比例相近（21/90 与 27/94），但改动的项目并不相同。标签错误集中在上腹部区域相邻且超声下容易混淆的结构上——最常见的一对是胰腺被改为下腔静脉（n = 4）——其次是对侧器官，右肾被改为左肾（n = 3）。

落到实处的换算。 在一次十分钟的简化检查上节省 9% 的时长，也就是不到一分钟。若按一个排班二十例腹部超声计算，大约是十七分钟——足够多做一例检查，前提是这一收益在真实患者身上依然成立，且省下的时间回到排班表而不是被工作日吸收。反过来看，肝脏径线 58% 的改动率意味着：就这一项测量而言，操作者有一多半的时候要推翻 AI 的结果；它给出的数值是一个起点，而不是一个结论。

做得好的地方

动作是被仪器测量的，而不是自我报告的。 影像领域关于工作负荷的文献几乎全部依赖问卷。这里六项指标中有四项来自一台深度相机，其处理流程被完整描述——在 HSV 空间分割手套、通过通道变换去「骗过」一个以裸手训练的手部检测器、把检测限制在视野中央 40% 以排除屏幕反光、按每帧 0.3 米去毛刺、One Euro 滤波——而且这套追踪软件已在 GitHub 上公开。按键次数由人工观察者单独计数，等于用一条独立渠道对同一现象做了交叉核验。这种程度的方法学细节，在这类测量中并不常见。

交叉设计被用到位，稳健性分析也跟上了。 每位受试者是自己的对照，条件顺序与操作者顺序分别随机并保持平衡，作者还主动去找残余混杂：带条件 × 技师交互项的模型、研究序列协变量、对全部 32 名受试者做留一受试者法重新拟合、以配对非参数检验作为核对。他们还因此发现了一个对自己不利的趋势——主观负荷在两种条件下都随研究推进而下降（辅助条件每名受试者 −0.93 分，P < 0.001；手动条件 −0.55 分，P = 0.04）——将其判定为一般性的熟悉过程，并说明交叉设计保护的是两种条件之间的对比，而不是认知负荷效应的绝对幅度。

阴性结果没有被粉饰，改动清单被完整公布。 综合 NASA-TLX 是预先设定的主要终点；它不显著，摘要在提及分量表之前就先说了这一点，并注明分量表分析属于探索性、未做多重比较校正。作者的结论——这些收益「更应被理解为对操作者工作的重塑，而非对它的取消」——比他们自己的数字所要求的还要谨慎。至于人工改动，则是逐项给出的，附 Wilson 置信区间、按操作者的拆分，以及一张完整的「被修正标签配对」表：这正是一个科室在决定开启哪些功能、关闭哪些功能时所需要的原始材料。

做得不够好的地方

人群偏倚在这里几乎达到最大。 平均 BMI 22.6、平均年龄 25.3 岁、无腹部疾病的健康志愿者、空腹、不含多普勒的简化方案。可是腹部超声的困难恰恰来自那些被排除掉的因素：超重、肠道气体、被手术改变的解剖结构、需要鉴别的病变。一个在未公开数据上训练的切面识别模型，完全可能在肥胖患者身上可靠性崩塌——而那恰恰是节省时间最有价值的场景。作者对此有明确承认，但受试人群与目标人群之间的差距，仍是限制外推的首要因素。

未被纠正的错误率在结构上无法得知。 该方案没有任何独立的参考标准：超声技师的核验本身就是参考流程。因此，每一次被记录的改动，都是操作者抓住的一次 AI 错误，而这一设计对那些没被抓住的错误无话可说。这正是自动化偏倚这一失效模式——即操作者倾向于接受一个看起来合理的机器建议，这一倾向已有文献记载——而两名拥有 11 年和 25 年经验的技师是抵抗力最强的人群；论文自己也指出，经验较少的操作者会更容易受影响。此外，本研究完全没有评估图像质量与测量准确性，作者把这部分推给了另一项工作：因此无法排除以质量换速度的可能。与 PROMETHEUS 的对照在这里很有启发——在那项试验中，AI 所选图像的质量最初被评为低于手动采集的图像，而这个缺口之所以被看见，只是因为该试验预先安排了独立的质量评估，而本研究并没有。

两名操作者、一台设备，以及分量表上脆弱的显著性。 只有两名技师，条件与操作者在受试者层面部分混杂；作者用平衡分配与交互模型加以处理，但也承认时间节省与 NASA-TLX 效应集中在两人中的一人身上。一个有一半操作者享受不到的效应，就其现状而言并不可推广。此外，六个分量表在 α = 0.05 下检验且未做多重比较校正，两个阳性结果分别落在 P = 0.03 和 P = 0.04：只要做最基本的 Bonferroni 校正，两者都无法幸存。最后，只有一套系统、一家厂商：没有任何依据说明结果能迁移到其他平台。在利益关系上，声明是坦率的——西门子医疗提供了所评估软件的使用权，但未参与设计、分析或投稿决定，资助（QUT 假期研究经历计划的一笔经费，以及澳大拉西亚超声技师协会为受试者交通费提供的支持）金额不大且无明显利益冲突。尽管如此，被评估的算法仍是一个商业黑箱，其算法类别、训练数据和临床前性能均不公开。

这意味着什么

对研究界。 这篇论文提供了两样可复用的东西。第一是方法学上的：一套已仪器化并开源的装置，用于客观测量操作者与控制面板之间的交互，而此前这一领域一直只能依赖自我报告的 NASA-TLX。第二是对 PROMETHEUS 的一个经验性对照。两项研究评估的都是采集辅助 AI；一项发现综合负荷明显下降，另一项没有。作者提出的是一种操作层面的解释，而非分歧本身：PROMETHEUS 在 13 个标准切面和四项生物测量上自动化了「冻结—存图—测量」这一循环，并在采集过程中静默抓取图像，把人工复核推迟到检查结束；而本研究评估的系统是在实时图像上显示标签与卡尺，要求操作者在采集的同时作出确认。如果这一解读成立，那么「在什么时刻要求人去核验」的重要性，就与模型本身的性能不相上下——这是一个可检验的假设，而且其适用范围远远超出超声。

对临床医生。 今天什么也不改变：这是一份未经同行评议的预印本，受试者是健康志愿者，没有图像质量评估，而 medRxiv 的页眉明确写着这些结果不应用于指导临床实践。有用的解读在别处。其一，所测得的效率收益是真实的，但幅度不大，而且集中在一名操作者身上；任何人都不应仅凭「提升通量」的承诺去采购这类软件，而不做本地实测。其二，也更重要的是，改动率的分布告诉你这个工具在哪里可靠、在哪里不可靠：当肝脏径线有 58% 的概率会被推翻时，直接接受 AI 给出的数值是不谨慎的；而另一些测量项目则几乎从不需要修改。合理的部署方式是开启可靠的功能、关闭其余功能，而不是整包启用。

对患者与公众。 这项研究谈的不是诊断，而是工作条件，这恰恰是它有意思的地方。一个能让手在控制面板上少移动 39% 距离的 AI，作用于一个肌肉骨骼疾患高发职业中有据可查的劳损问题——但作者说得很清楚：他们的指标只覆盖操作键盘的那只手，不包括握探头那条手臂的姿势，也不包括施加的压力，因此这里的任何结果都不应被读作降低了受伤风险的证据。至于省下的时间，只有在三个条件成立时才会传导到患者身上（表现为更短的等待或更多的检查名额）：收益在具有临床代表性的检查中依然存在；图像质量与测量准确性没有下降；以及省下的时间被归还给排班表。这三条目前一条也没有被证实。

延伸阅读