编辑推荐：
即时超声（POCUS）在临床应用广泛，但依赖操作者且存在解读难题。研究人员开展了人工智能（AI）在 POCUS 中应用的研究，分析其面临的挑战并提出解决方法。这一研究有望提升 POCUS 的临床有效性，助力医疗发展。
在医疗领域，即时超声（POCUS）作为一种便携式、低成本的成像技术，能在床边实时解答特定临床问题，在急诊室、偏远地区等发挥着重要作用。然而，POCUS 的有效使用高度依赖操作者，获取和解读图像需要专业技能，当前相关培训不足，导致误判风险增加。与此同时，人工智能（AI）技术蓬勃发展，若能融入 POCUS，将极大地辅助临床工作。但 AI 在 POCUS 中的应用面临诸多挑战，比如图像数据的独特性、训练数据稀缺、算法的适用性和可信度等问题，这些都限制了其在临床的广泛应用。为解决这些问题，来自美国 Exo Imaging、Alameda Health System 等机构的研究人员展开了深入研究 ，相关成果发表在《npj Digital Medicine》上。
研究人员采用的关键技术方法包括：利用机器学习和深度学习算法构建 AI 模型用于 POCUS 图像分析；运用数据增强、领域适应等技术处理有限且多变的 POCUS 数据；通过校准模型输出、引入可解释性技术和关注偏差问题等优化 AI 系统性能 。
在研究结果部分：
- AI 在 POCUS 中的独特性：POCUS 图像形成过程复杂，与自然图像差异大，存在伪影、边界模糊等问题，且训练数据相对匮乏，这使得基于自然图像预训练的模型难以直接应用于 POCUS 图像，开发适用于 POCUS 的 AI 算法颇具挑战 。
- 训练模型输出：为使 AI 算法在高风险医疗环境中可靠，需校准模型输出，以准确反映预测的可信度。同时，AI 系统应能在数据不足时，合理输出 “无法预测” 的结果，避免误导。此外，提高 AI 预测的可解释性至关重要，以髋关节发育不良和左心室射血分数估计为例，通过设计更具解释性的 AI 系统，输出中间结果辅助临床决策，增强临床医生对 AI 的信任 。
- 偏差问题：AI 在 POCUS 应用中存在偏差风险，如训练数据不具代表性、算法 “走捷径” 等。研究人员提出需识别关键变量，确保训练数据多样性，并从临床用户获取反馈，监测系统性能，以减少偏差。同时，要平衡不同利益相关者的需求，使 AI 系统与各方目标一致 。
研究结论表明，AI 在 POCUS 中具有巨大潜力，可辅助临床医生工作，但不能取代临床专家的最终诊断。成功实施 AI 在 POCUS 中的应用，对全球医疗，尤其是资源有限地区意义重大。同时，要克服数据、算法和偏差等方面的挑战，需要多领域人员协作，持续改进 AI 系统。这一研究为 AI 与 POCUS 的结合提供了理论与实践指导，推动了医疗领域的智能化发展，为未来临床诊断和治疗的优化奠定了基础 。
