摘要

介入呼吸病学近年来发展迅速，支气管镜检查已成为呼吸系统疾病诊疗的核心手段之一。随着人工智能（AI）技术的应用，为支气管镜诊疗全流程构建了智能化方案：图像识别实现气道结构与病灶精准定位；三维算法动态建模优化导航路径；赋能多维度图像拓展诊断边界；人机交互系统提升操作精度；辅助教学与质控系统的构建。本文对AI在介入呼吸病学中的应用与进展进行了综述，未来随着AI算法的优化和临床研究的深入，将进一步推动介入呼吸病学向精准医疗、智能医疗的方向持续发展。

介入呼吸病学近年来发展迅速，支气管镜检查已成为呼吸系统疾病诊疗的核心手段之一［1, 2］。传统支气管镜技术在解剖定位、病变识别及复杂操作中高度依赖操作者的经验积累，对内镜医师的图像判读能力与操作技能提出了较高的要求。随着人工智能（artificial intelligence，AI）技术在介入呼吸病学中的发展与应用，此领域正在发生重大变革，AI不仅能够解析支气管镜图像中的解剖特征与病理改变，更能实现动态路径优化与实时操作反馈，推动介入呼吸病学从经验依赖型向数据驱动型的跨越式发展。本文聚焦于AI技术在介入呼吸病学中的创新应用，系统阐述其在图像识别、辅助诊断、教学培训及临床质控等关键环节的技术演进，并展望未来发展与临床转化的潜在方向。

一、AI辅助支气管镜图像视频识别与分析

（一）正常解剖位置识别

传统支气管镜操作中，解剖部位的精准识别高度依赖内镜医师的经验，这种主观判断方式易受视觉疲劳影响，在面对复杂解剖结构或变异时，可能因认知偏差导致误判，而AI技术为突破此瓶颈提供了创新解决方案。Matava等［3］于2020年率先构建基于卷积神经网络（convolutional neural networks，CNN）的实时识别系统，成功标记喉镜与支气管镜视频中声带及气管环，其敏感度达86.5%，特异度达97.1%。后续研究拓展了AI在支气管树解剖识别中的应用场景，Yoo等［4］开发的深度学习模型在旋转和遮挡条件下准确区分隆突与主支气管，整体准确率（84.0%）与20年资历的专家（82.0%）相当。

2023年，笔者团队Chen等［5］采用EfficientNet和U-Net架构的AI系统对9个气道解剖部位实现91.0%的平均识别准确率，各部位曲线下面积（area under the curves，AUC）值均超过0.98，对支气管镜视频中特定位置的动态提取准确率达94.7%。Li等［6］通过分割31个解剖位点，证实AI系统可使不同年资医师支气管腔识别准确率提升14~24个百分点，显著缩小操作者的技术差异。在时序依赖性分析方面，Keuth等［7］引入隐马尔可夫模型，将单帧图像分类准确率从81%提升至98%，增强了对支气管树拓扑结构的连续追踪能力。值得关注的是，Ikushima等［8］采用AI技术揭示了支气管分叉部位的气道直径比和分叉角度是判断支气管年龄的关键解剖标志，且在疾病和吸烟人群中均保持稳定，为早期发现气道退行性改变提供了新思路。

AI技术正在重构支气管镜下解剖位置识别的临床实践体系，通过深度学习量化解析支气管树拓扑结构，实现关键解剖标志的高精度识别。然而，提升远端细小支气管的辨识能力，实现解剖特征与病理改变的深度关联解析，仍是技术瓶颈。未来需整合多模态数据，推动AI图像识别系统与介入诊疗流程的有机融合，最终建立标准化、智能化的支气管镜图像新体系。

（二）异常病变识别

支气管镜检查作为呼吸系统疾病诊断的基石，其核心价值在于对气道黏膜细微病变的精准识别。随着AI技术的迅猛发展，基于深度学习的计算机视觉系统正在突破依赖主观经验的诊断瓶颈，为气道病变的智能识别开辟新路径。

在恶性疾病诊断领域，Vu等［9］基于208例患者（肺癌106例，非肺癌102例）的支气管镜视频数据，构建包含肿瘤、黏膜水肿等7类病变标注的多任务学习框架。结果显示，UNet++与ESFPNet模型对恶性病变的识别性能分别达到86.1%与82.5%，为肺癌早期镜下诊断建立了客观量化标准。针对良性狭窄性病变，Eitan等［10］开发的基于迁移学习的AI系统在儿童声门下狭窄诊断中实现73.3%的整体准确率，其精确度（77.3%）与召回率（72.7%）均显示出稳定的临床适用性。

在罕见病领域，骨化性气管支气管病（tracheobronchopathia osteochondroplastica，TO）因黏膜下钙化结节的多样性导致诊断困难［11, 12］。笔者团队Chen等［13］通过一项多中心研究构建了AI识别模型，基于201例多结节气道疾病（包含38例TO）的支气管镜图像，实现多结节气道病变98.9%的识别准确率（AUC=0.999），TO特异性区分准确率为89.2%（AUC=0.986），外部验证中TO识别准确率为89.8%，证实该模型对基层医疗机构诊断罕见病具有重要临床价值。

支气管镜下AI辅助异常病变识别目前已在部分疾病的早期诊断中展现优势，但在非典型病变鉴别及动态病灶分析层面仍面临挑战。未来应开发具有视频时序分析功能的智能平台，深度融合病灶形态特征与临床诊疗数据，并通过多中心协作建立标准化评估体系，推动AI技术从辅助识别向临床决策支持系统转化，提升呼吸介入诊疗精准度。

二、AI辅助支气管镜诊断技术

（一）支气管镜导航技术

支气管镜导航技术是介入呼吸病学领域的重要诊疗工具之一，现阶段临床应用较广的导航技术包括：虚拟支气管镜导航（virtual bronchoscopic navigation，VBN）和电磁导航支气管镜（electromagnetic navigation bronchoscopy，ENB）［14, 15］，AI技术的引入进一步扩展了其功能边界。

Bhadra等［16］开发的AI导航系统整合现有导航技术，通过实时分析肺部影像引导支气管镜到达目标结节区域，使活检成功率从80%提升至95%。Gruionu等［17］研发的智能形状传感系统采用光纤布拉格光栅导管实时捕捉气道形态，结合深度学习算法与气道中心线动态匹配，在体外实验中实现毫米级导航精度。Guo等［18］基于生成对抗网络构建支气管镜影像生成技术，合成保留气道关键解剖标志的高保真虚拟影像，为导航模拟提供了高仿真视觉素材。该团队后续融合真实与合成影像数据训练深度估计算法，使三维重建深度图精准反映气道黏膜表面形态特征，为导航路径动态修正提供了解剖空间信息支撑［19］。针对漂移误差问题，Banach等［20］提出的三循环一致生成对抗网络框架展现出明显优势。在体外及离体实验中，通过VBN图像生成深度图并与CT配准，将ENB的绝对追踪误差从7.5 mm降至6.2 mm，在呼吸运动显著区域优化效果更为明显。

AI系统通过三维解剖重建及运动补偿机制，优化了气道中的定位效能，并在模拟环境中展现出精准适配特性。然而，呼吸干扰下的稳定性验证、变异气道适应性仍是临床转化瓶颈。未来需优化人机交互界面，推动导航系统与AI智能决策结合，最终实现呼吸介入诊疗的精准化转型。

（二）多维度图像诊断技术

超声引导下经支气管针吸活检（endobronchial ultrasound-guided transbronchial needle aspiration，EBUS-TBNA）是一种诊断肺部疾病的微创技术，在淋巴结的取样及肺癌的分期中具有重要价值［21, 22］。AI赋能的EBUS-TBNA技术正突破传统形态学诊断的局限性，实现淋巴结的精准化评估。Koseoglu等［23］构建的机器学习模型通过识别EBUS图像中微钙化、血流异质性等特征，使恶性病变判别准确率达95%。Yu等［24］开发的测试时动态增强算法将设备诊断一致性从0.71提升至0.85，为多中心协作奠定了技术基础。

为了提高EBUS-TBNA样本的诊断准确性，快速现场评价（rapid on-site evaluation，ROSE）被引入作为一种重要的辅助方法［25］，AI赋能的ROSE系统革新了术中细胞学决策流程。Asfahan等［26］开发的数字化ROSE系统在EBUS-TBNA中实现83.3%的恶性细胞识别准确率，总体准确率达92.4%。Yan等［27］构建的ROSE细胞学深度学习模型对肺癌诊断的准确率与敏感度均达90%，腺癌与鳞癌的鉴别能力（Kappa=0.93），与资深病理学家相当。

支气管内光学相干断层扫描（endobronchial optical coherence tomography，EB-OCT）技术可精确显示3~9级支气管黏膜层、黏膜下层等结构，对检测小气道重塑具有独特优势［28, 29］。AI技术亦被延伸至EB-OCT的图像解析中，为气道重塑的定量评估提供新工具。笔者团队Zhou等［30］开发的ResUNet和MultiResUNet模型实现了气道内面积和气道壁面积百分比的全自动分割，与手动组内相关系数均大于0.99，显著提升了哮喘和慢阻肺患者气道形态参数测量效率。AI赋能的EB-OCT技术提升效率并减少了主观偏差，适用于气道动态变化的纵向追踪。

AI深度解析EBUS图像中淋巴结特征、ROSE涂片的细胞学形态及EB-OCT的小气道壁层结构，从不同维度提升了病变识别能力。未来突破方向应聚焦于三维图像特征提取、多尺度图像联合建模，构建覆盖全病变层级的AI辅助图像识别与诊断生态系统。

（三）机器人辅助支气管镜技术

机器人辅助支气管镜（robotic-assisted bronchoscopy，RAB）是一种结合导航技术和机械臂控制的先进介入呼吸病学技术，旨在提升肺结节活检成功率和复杂气道检查的精确性［31, 32］。随着呼吸介入技术的发展与迭代，AI的引入进一步强化了RAB的技术优势。Zhang等［33］开发的AI辅助RAB系统创新性地构建了人机共享控制模式。医师输入操作指令后，AI算法实时解析支气管镜图像并结合专家经验知识库预测最佳路径，通过力学控制模块精确调节导管运动，最大限度降低气道黏膜损伤风险。该临床前研究显示，AI辅助下住院医师导管尖端定位误差<0.73 mm，操作精度优于未使用AI的资深内镜专家。

当前证据表明，AI赋能的RAB技术能缩小不同年资医师的操作差距，利于基层医疗机构开展高质量介入诊疗。尽管目前结果令人鼓舞，AI辅助RAB技术仍需进一步的优化及临床验证，未来有望实现气道全程自动化导航，并拓展至靶向给药、消融治疗等介入前沿领域，为介入呼吸病学临床实践带来革命性进步。

三、AI辅助支气管镜教学培训

传统支气管镜检查的学习曲线较长，初学者需完成数十次操作训练才能独立胜任不同类型和复杂度的支气管镜检查［34, 35］。AI技术通过实时反馈机制，有望革新依赖主观经验的传统教学模式。Cold等［36］开发了AI辅助支气管段识别系统，并在随机对照试验证实，使用该系统的实验组学员在诊断完整性、结构化进展和操作时间均显著优于对照组。针对该研究，笔者团队Huang等［37］提出了评论，该系统在模拟训练中有效性虽获验证，但仿真模型与真实临床环境存在差异（如患者呼吸和姿势的动态变化），可能限制其在实际临床中的应用。Cold团队［38］后续研究证实，该AI系统实时评估的结构化进展评分与专家评估显著相关（r=0.57，P<0.001），支气管段间平均时间与专家评分呈负相关（r=-0.47，P<0.001），表明时间效率可客观反映操作水平差异，标志着AI辅助支气管镜教学训练向临床应用迈出了关键一步。

AI通过实时操作反馈与自动化评估体系，有望提升教学质量，并缩短内镜医师培训周期。但在真实临床场景中的应用仍面临呼吸运动干扰、解剖变异适应性等挑战。在未来，构建教学与评价的全流程智能支持系统，将成为介入呼吸病学教学领域的创新发展方向。

四、AI辅助支气管镜临床质控

支气管镜临床质控是保障诊疗质量的核心环节，涉及检查时长、支气管探查的顺序及完整度等指标。建立标准化的质控评价体系可规范操作流程并提供客观评审依据，但传统质控方法依赖于专家评审，在实时操作质控与反馈方面仍处于探索状态。目前尚无研究专注于AI技术在支气管镜临床质控中的应用，但Cold团队［36，38］开发的AI辅助系统，能够通过诊断完整性、结构化进展、操作时间、支气管段间平均时间等四项核心指标，客观地评价内镜医师的操作水平，实现了支气管镜操作规范性的实时量化评估，对AI辅助临床质控有重要参考意义。希望未来AI技术的引入能为支气管镜临床质控带来革新，通过实时分析内镜影像与操作特征，AI系统可自动识别路径偏离、探查遗漏等关键质控问题，结合多模态数据融合技术显著提升不同临床场景下的操作精度，推动临床质控从传统评价模式向智能化全程监管模式完成转型。

五、总结

AI技术的深度融合标志着介入呼吸病学迈入智能化诊疗的新纪元。从支气管解剖标志的识别到多维度图像特征的解析，从智能导航系统的路径优化到机器人辅助支气管镜的精准控制，AI通过算法与临床场景的深度融合，提升了气道疾病诊断的敏感性与介入操作的精准性。在教学评价与临床质控领域，AI驱动的实时反馈机制有望缩短医师培训周期，并通过标准化的评估体系推动操作规范的形成。然而，AI技术的临床转化仍面临诸多挑战：复杂呼吸运动下的模型稳定性、数据协同分析框架的构建以及人机协作模式的标准化等方面仍需深入探索。未来，随着多模态数据融合技术的完善与自适应学习算法的迭代，AI有望从辅助工具演化为决策中枢，构建呼吸介入智能诊疗生态，最终实现介入呼吸病学从经验驱动到智能驱动的跨越发展。

参考文献（略）

作者：林锦升 黄浚峰 李时悦；第一作者单位：广州医科大学附属第一医院呼吸与危重症医学科 广州呼吸健康研究院 国家呼吸医学中心 呼吸疾病全国重点实验室 国家呼吸系统疾病临床医学中心；通信作者：李时悦，广州医科大学附属第一医院呼吸与危重症医学科 广州呼吸健康研究院 国家呼吸医学中心 呼吸疾病全国重点实验室 国家呼吸系统疾病临床医学中心

引用本文: 林锦升, 黄浚峰, 李时悦. 人工智能技术在介入呼吸病学中的应用与进展[J]. 中华结核和呼吸杂志, 2025, 48(7): 656-660. DOI: 10.3760/cma.j.cn112147-20250221-00100.

本文转载自订阅号「中华结核和呼吸杂志」

原链接戳：【新技术·新方法】人工智能技术在介入呼吸病学中的应用与进展

* 文章仅供医疗卫生相关从业者阅读参考

本文完

责编：Jerry