引用本文
王利新, 李奚捷. 人工智能技术在血管疾病的应用与展望[J]. 中华血管外科杂志（中英文）, 2026, 11(4): 229-234. DOI: 10.3760/cma.j.c101411-20260601-00061
专题笔谈
人工智能技术在血管疾病的应用与展望
/ 2026年11卷04期 /
王利新1,2 李奚捷1
1复旦大学附属中山医院血管外科，上海 200032；2复旦大学附属中山医院厦门医院血管外科 厦门市血管疾病精准诊疗重点实验室，厦门 361015
通信作者：王利新【摘要】血管外科疾病通常病情复杂、治疗成本高且需长期随访管理，临床决策在很大程度上依赖于影像学、实验室检查及围手术期信息的综合研判。然而，真实世界数据常具有来源分散、缺失率高、口径不一致以及随时间动态变化等特点，加之结局指标多样，使得传统依赖人工判读与经验整合的模式在效率、一致性及个体化评估方面存在局限。随着人工智能（AI）技术的不断发展，AI在整合多模态数据、识别复杂模式与预测建模方面展现出巨大潜力，可为血管疾病的术前评估、干预时机判断、术中风险提示与术后再干预预警等环节提供更为统一和客观的风险分层支持。尽管目前AI在临床的应用仍受多重限制，包括数据获取与隐私保护的矛盾、模型可解释性与跨中心泛化不足以及合规伦理审查的限制，但随着相关技术的持续进步，AI有望从分散的辅助工具进一步整合为支撑血管疾病全周期管理的动态决策基础设施。
【关键词】血管外科； 人工智能； 影像分割； 定量测量； 动态风险分层
Applications and prospects of artificial intelligence in vascular diseases
Wang Lixin1,2, Li Xijie1
1 Department of Vascular Surgery, Zhongshan Hospital, Fudan University, Shanghai 200032, China; 2 Department of Vascular Surgery, Zhongshan Hospital Xiamen Branch, Fudan University, Xiamen Key Laboratory of Precision Diagnosis and Treatment for Vascular Diseases, Xiamen 361015, China
Corresponding author: Wang Lixin【Abstract】Vascular surgical diseases are often characterized by high acuity, substantial treatment costs, and the need for long-term surveillance. Clinical decision-making typically relies on the integrated interpretation of imaging, laboratory tests, and perioperative information; however, real-world data are often fragmented, incomplete, heterogeneous in definitions, and continuously evolving over time. Together with the coexistence of multiple clinical endpoints, these factors limit the efficiency, consistency, and individualization of traditional workflows that depend largely on manual interpretation and experience-based integration. With ongoing advances in artificial intelligence (AI), AI has demonstrated considerable potential for multimodal data integration, complex pattern recognition, and predictive modeling, providing more consistent risk stratification to support key steps in vascular surgical care, including preoperative measurements, timing of intervention, intraoperative risk alerts, and postoperative early warning for reintervention. Nevertheless, the routine clinical deployment of AI remains constrained by multiple barriers, such as the tension between data accessibility and privacy protection, limited model interpretability and cross-center generalizability, and regulatory and ethical review requirements. As these technologies continue to mature, AI is expected to evolve from isolated assistive tools into an integrated, dynamic decision-support infrastructure that enables full-cycle management of vascular diseases.
【Key words】Vascular surgery; Artificial intelligence; Image segmentation; Quantitative measurement; Dynamic risk stratification
血管疾病覆盖主动脉、外周动脉与静脉等多个系统，在临床上普遍具有高风险、高治疗成本与需长期随访管理等特点。其中主动脉疾病往往病情进展快、并发症发生风险高，对围手术期安全性与远期重塑管理提出更高要求。以外周动脉疾病（peripheral artery disease，PAD）为例，基于全球疾病负担研究2023的更新估计，2023年下肢PAD影响约1.22亿人，给医疗体系带来长期负担。主动脉疾病则体现了低频却高危的另一面，基于同一体系的全球估计，2023年主动脉瘤相关死亡人数约16.7万，并造成约342万伤残调整生命年，在老龄化背景下的绝对负担仍不可忽视［1］。更重要的是，血管外科结局通常是多维终点并存，既包括围手术期脑卒中、心肌梗死、急性肾损伤与出血等短期安全性结局，也包括远期再狭窄、内漏、再干预、保肢或截肢及生存等长期有效性结局，实现精准风险分层与闭环管理已成为临床实践的迫切需求。
血管外科决策依赖多模态数据协同整合，计算机断层扫描血管成像（computed tomography angiography，CTA）、数字减影血管造影（digital subtraction angiography，DSA）及超声等影像学检查提供解剖结构、病变形态与术后重塑信息，围手术期临床变量与实验室指标则反映了患者的全身风险状况，而随访影像与终点事件共同构成了评估治疗策略是否需要调整的依据［2-3］。现实世界数据往往多、碎、动态，数据维度高且随时间持续积累，信息分散于影像归档与通信系统、电子病历、手术记录及随访系统等多种来源，且普遍存在数据缺失与格式不统一；同时，血管形态与患者风险状态均会随时间发生变化。因此，传统主要依赖人工阅片与经验整合的决策流程面临诸多限制。影像定量分析工作量大，不同观察者之间的测量存在差异，难以充分整合影像中更精细的结构与组织特征。这些因素使得风险评估的个体化程度不足、跨中心泛化能力受限，进而影响随访强度分层、医疗资源合理配置以及干预时机选择。对于主动脉疾病而言，这种限制会被进一步放大，因为术前测量与器械选择需要毫米级精度，术后随访需要对细微形态变化保持敏感，任何量化偏差都可能演变为策略偏差。
在血管外科多病种、多影像、多终点并存的背景下，人工智能（artificial intelligence，AI）在整合多模态数据、识别复杂模式与预测建模方面展现出巨大潜力［4］。AI提升了多模态数据的自动处理与量化能力，使影像从依赖经验描述走向可重复的结构化指标输出，深度学习技术已能实现血管树、管腔、斑块、血栓、真假腔与支架的自动分割和中心线提取［5-6］。同时，通过融合影像组学特征、临床表型及生物标志物信息，AI使高危患者识别从依赖单一阈值判断升级为基于多维特征的综合评估［7］。面向疾病动态演变的预测方法不断发展，推动血管疾病的风险评估从静态分层向时间轨迹建模演进［8］。Transformer架构和时序模型可对随访CTA序列、超声视频与连续监测数据进行时间序列建模，捕捉斑块演变等细微趋势［9］。图神经网络与点云神经网络可更自然地表达血管树拓扑、三维几何与分支关系，提升对复杂解剖与长段病变的表征能力［10］。物理信息神经网络将血流与血管壁力学约束引入学习过程，在保持生理一致性的同时显著提高推断效率，使大规模患者的个体化仿真与风险评估更可行［11］。
一、AI在血管外科中的应用
（一）AI在颈动脉疾病中的应用
在颈动脉疾病的决策链条中，AI最先发挥变革作用的环节在于实现筛查入口与影像评估的标准化，从而让是否需要进一步检查或干预的判断更为高效和一致。超声虽为最常用的初筛工具，但其诊断准确性长期受限于操作者经验。有研究提出了学习型自主颈动脉超声机器人（UltraBot），其可按照标准化流程完成关键部位的扫描测量和斑块筛查，为体检或门诊的转诊分流提供可重复、可靠的采集与判读基础［12］。当临床关注点从有没有斑块进阶到斑块是否易损时，AI明显提高了超声造影（contrast enhanced ultrasound，CEUS）的应用价值。有研究将深度学习用于CEUS的斑块检出与易损性相关分类，使得斑块内微血管灌注等动态信息能被量化并整合进风险表型评估［13］。进一步研究把B型超声与CEUS的特征直接用于急性缺血性脑卒中的风险预测，搭建了从影像表型到事件风险分层的桥梁，有助于把随访强度和干预时机纳入统一框架［14］。
影像组学与多模态预测方法的进步，正推动颈动脉疾病的决策模式从主要依赖管腔狭窄率，转向对斑块易损性、局部炎症微环境及未来事件风险的定量化分层。CTA在术前影像评估中仍是决定狭窄程度、斑块类型与解剖细节的关键。研究显示，深度学习对头颈CTA的狭窄分级与斑块分类可达到与有经验放射科医师相当的诊断表现，同时缩短读片与报告出具时间，对血管外科的手术安排、术前讨论和资源调配发挥切实作用［15］。可解释机器学习的研究已证实，仅依靠管腔狭窄程度会漏诊相当一部分与临床症状相关的高危斑块。相反，基于CTA的斑块成分特征所构建的可解释模型，能够有效识别症状性斑块，从而为判定责任斑块提供结构化的影像依据［16］。在易损性评估层面，基于CTA的影像组学特征已被用于关联斑块内新生血管等高风险信号，并构建脆弱斑块预测模型，使得影像学线索能够更系统地对应到病理生理风险［17］。此外还有研究将斑块血管周围脂肪的影像组学特征纳入预测模型，用于区分症状性与无症状性斑块，仅基于血管周围脂肪组织信息构建模型进行症状提示，凸显了炎症信号在识别责任斑块中的重要价值［18］。
术后并发症预测是颈动脉AI最贴近血管外科临床决策落地的方向之一，其结果可直接服务于术前沟通、围手术期风险管控、术后监护资源分配以及出院后管理。基于数据库的大样本研究，已训练出用于预测颈动脉内膜剥脱术（carotid endarterectomy，CEA）术后1年内的脑卒中或死亡风险的机器学习模型，其预测性能优于传统回归模型和现有工具，为术前风险分层和围手术期策略制定提供了量化依据［19］。进一步研究聚焦于CEA术后30 d结局的预测，强调该模型可用于指导风险管控策略和围手术期管理的分级［20］。
（二）AI在主动脉疾病中的应用
主动脉疾病通常具有急性起病、进展迅速和致死风险高等特点，一旦出现漏诊或误诊，往往会错过最佳处理时间窗，因此临床对快速准确的诊断路径存在迫切需求。研究将突破口放在了非增强CT的早期预警与可解释性提示上，例如iAorta系统能基于非增强CT图像，对急性主动脉综合征提供可解释的预警信息，并在真实急诊流程中验证其识别效能，表明非增强CT有机会从传统的排除性检查升级为一种主动的筛查工具，从而缩短患者从初筛到接受CTA确诊及专科会诊的时间窗［21］。进一步研究显示，深度学习模型可实现主动脉夹层的自动检出，诊断性能与放射科医师相近，为急诊高峰时段的快速分诊提供了技术支持［22］。这类研究共同推动着急诊诊疗从依赖医师的单一即时判断，向由AI模型完成初步筛查与风险提示，再由医师进行复核与最终决策的人机协同模式转变。
在术前决策阶段，能否对主动脉解剖结构进行稳定、可重复的量化评估，直接影响器械选择和锚定区设计。基于AI的自动分割与测量技术，已能在以CTA和增强CT为基础，实现全主动脉自动分割，并同步输出直径、体积等关键量化指标，为术前评估提供更为一致、客观的量化依据［6］。对于胸腹主动脉瘤等解剖结构更复杂、分支血管解剖变异大的病变，全自动体积分割技术同样表现出接近专家手工分割的水平，表明其自动化量化能力具备向高难度病例拓展的潜力［23］。在术中最有价值的AI应用往往不是做出最终判断，而是在关键时刻更早、更明确地向术者提示高风险征象。在腹主动脉瘤腔内修复术（endovascular aortic repair，EVAR）中，多任务深度学习方法已能在DSA序列中自动检测并定位内漏，使得术者在杂交手术室内能更快地获得风险提示和位置参考，从而更高效地决定是否需要追加球囊塑形、近端加用覆膜支架、处理分支或延长观察时间［24］。
主动脉疾病患者术后管理周期长、随访负担重，且风险随时间动态变化。在EVAR术后随访中，基于非增强CT的深度学习内漏检测模型，为减少造影剂使用提供了可行方案，可作为初筛与分诊工具，优先将疑似内漏或高风险病例推送进行复核［25］。进一步证据表明，体积指标可能优于传统的直径测量，由模型自动获取的局部假腔体积等量化特征，在预测残余夹层不良重塑方面表现出更强的判断能力，这为术后风险评估从依赖单一阈值，转向关注形态变化的动态轨迹提供了新方向［26］。
（三）AI在外周动脉疾病中的应用
PAD与慢性肢体威胁性缺血的诊疗决策高度依赖于影像学与血流动力学信息，但临床实践常受限于检查可及性、操作者间差异及影像判读负担，AI为应对这些挑战提供了新思路。在诊断环节，深度学习模型可在CTA图像上自动识别股腘动脉的狭窄或闭塞病变，有助于降低漏诊率并缩短阅片时间［27］。AI对多普勒波形的分析能够从常规检查中提取模式特征，用于识别PAD并进一步提示不良结局风险，适用于高危人群的筛查与门诊随访分层［28］；进入治疗与随访决策阶段后，AI更多地服务于结局预测与医疗资源优化配置。基于大型注册数据库的机器学习模型，能够预测血运重建术后30 d或1年内主要不良肢体事件或死亡风险，并提供分阶段输入变量的流程化框架，便于进行术前沟通和制定围手术期风险管控策略［29］。对于长期预后，随机生存森林等时间-事件模型可用于预测慢性肢体威胁性缺血介入治疗后的死亡风险，支持将随访频率从经验性设定升级为基于风险轨迹的精准管理［30］。在保肢管理中，机器学习也被用于预测截肢术后伤口愈合情况，可作为实现早期预警、优化伤口护理资源的辅助工具［31］。
（四）AI在内脏动脉疾病中的应用
内脏动脉疾病虽相对少见，但漏诊风险高、预后不良。其诊断和病情评估需综合血管征象、肠壁改变、实验室指标及临床症状等多维信息，并高度依赖影像学检查，因此AI在影像识别与多源数据整合方面具有明显应用优势。急性肠系膜缺血（acute mesenteric ischemia，AMI）是目前AI应用最集中的方向，有研究将CTA与临床信息融合建立深度学习模型预测AMI风险［32］，也有研究直接使用平扫CT识别肠系膜上动脉异常［33］，有助于在疾病前期迅速识别高风险患者，同时也有研究通过实验室检查和基础临床数据实现对AMI的风险分层［34］。内脏动脉瘤和夹层发病率极低且常无症状，但一旦破裂后果严重。有研究使用CTA做腹部血管树自动分割，再根据局部直径异常识别动脉瘤，提醒医生关注可疑动脉扩张［35］；基于多层CTA影像特征和临床指标，建立了随机森林模型来预测孤立性肠系膜上动脉夹层的不良结局［36］。AI在内脏动脉疾病中的应用目前主要集中于影像学早期识别和短期风险分层，有助于提高诊断效率、识别高危患者并辅助早期临床决策，但其外部验证和临床转化仍然不足。
（五）AI在静脉疾病中的应用
在血管外科的静脉专病诊疗中，AI同样具备推动各环节标准化的潜力。患者首次就诊时，针对深静脉血栓形成（deep vein thrombosis，DVT）的快速分流，可由AI模型引导非专科操作者完成加压超声的标准化图像采集，并自动解读关键片段，再结合远程专家复核作为质控保障，可缩短从就诊到确诊的时间，减少对血管超声检查的依赖［37-38］。针对慢性静脉疾病，AI可对下肢静脉超声所评估的反流部位、CEAP临床分级及病变范围等信息进行结构化提取与报告生成，从而减少报告撰写的主观差异，为后续治疗选择提供客观一致的评估依据［39］。
在进行治疗决策时，面临的是干预获益与并发症风险之间的权衡。基于大样本注册数据的机器学习模型，现已能够预测治疗后缺乏临床改善的风险，为术前医患沟通及治疗方案的选择提供参考，也能预测术后短期的改善程度，辅助制定更个体化的随访计划［40］。在围手术期安全方面，可解释的AI模型能够量化腔内热消融术后短期发生DVT的风险，从而帮助判断哪些患者需要更积极的预防措施和更早的复查，推动风险管理从统一流程迈向分层策略［41］。在静脉性腿部溃疡等需要长期管理的场景中，AI则侧重于实现随访量化与疗效评估的标准化。已有临床评价框架提出如何验证数字化的创面评估工具。通过分割与测量算法，可将创面面积与边界的变化转化为可追踪的客观指标，并结合可解释模型辅助判断愈合趋势与强化治疗时机，从而提升慢病管理的效率与资源配置的精准度［42-43］。
二、AI应用面临的挑战
AI在血管外科中要从研究走向常规临床应用，仍面临诸多挑战：（1）首先是数据可用性与隐私保护之间的现实矛盾。真实世界数据常因来源分散、标准不一、采集方式多样及不同程度缺失，导致难以形成稳定、高质量和可直接用于建模的数据集。同时，跨中心的数据获取受隐私保护和复杂授权流程的限制，不仅加剧了样本量不足与选择偏倚，也使得开展严谨的多中心外部验证、获得具有广泛泛化能力的证据尤为困难［44］。（2）其次，模型的可解释性、临床验证及长期性能稳定性尚存不足。血管疾病的临床决策需要清晰的风险收益依据，但许多AI模型缺乏透明、可追溯的判断逻辑与不确定性表达，限制了临床信任和实际可用性［45］。此外，模型性能易受检查设备、成像协议及人群结构变化的影响，可能存在性能随时间推移而衰减的漂移现象，其长期有效性与稳健性仍需前瞻性研究验证［46］。（3）最后，合规与伦理监管框架的不确定性对其落地构成重要障碍［47］。关于责任归属、人机复核与问责边界、算法偏倚与公平性问题以及结果可追溯性等要求，目前在不同地区与机构间尚未形成共识。模型更新迭代后的再评估与完整留痕要求，也增加了部署与长期维护的成本，这些不确定性共同限制了AI在高风险的动、静脉疾病诊疗场景中实现规模化应用。
三、小结
血管疾病的诊疗理念正伴随AI在医学领域的持续发展而加速演进，其整体模式正从以往主要依赖医生经验与单时点评估，逐步转向以AI为辅助、基于多模态信息整合与动态风险分层的系统性决策。这一转变使临床能在急诊分诊、术前规划、术中处置与术后随访的全链条中更早捕捉风险轨迹信号，将内漏、重塑不良、再干预窗口等关键事件从事后识别推进到事前预警，并以结构化量化与可追溯证据支撑更客观的循证干预。尽管当下AI在血管疾病管理中仍面临数据可用性与隐私保护的矛盾、模型可解释性与真实工作效果验证不足、模型漂移以及合规伦理监管差异等现实难点，但随着多中心隐私保护协作、任务链整合的多任务深度网络、可解释与不确定性表达、人机协作复核机制以及智能化手术与随访工具的持续成熟，这些障碍有望被逐步克服。未来在计算智能技术迭代与临床实践持续检验的共同推动下，AI将更可能构建真正数字化、动态化与智能化的血管疾病全周期管理体系，成为血管外科精准治疗与长期随访闭环管理的重要驱动力，最终实现更早的风险预警、更精细的个体化干预与更高效的智能随访。
利益冲突 所有作者均声明不存在利益冲突
参考文献
在文本框内上下滑动即可查看
初审：陈章颖
复审：王丽萍
终审：常光其
版权声明
本文为《中华血管外科杂志（中英文）》原创文章，版权归中华医学会所有。其他媒体、网站、公众号等如需转载本文，请联系本刊编辑委员会获得授权，并在文题下醒目位置注明“原文刊发于《中华血管外科杂志（中英文）》，卷（期）：起止页码”。谢谢合作！
订阅杂志
本文原发于微信公众号「中华血管外科杂志」（2026-10-23 07:30）。点击阅读原文