從影像判讀到量表開發，一個神經科醫生的AI實戰報告 | CSA&TISC 2026

*供醫學專業人士閱讀參考

四件事驗證一個答案：AI在神經介入，已不再是概念

z

撰文：醫學界報道組

2026年6月26日-28日，中國卒中學會第十二屆學術年會暨天壇腦血管病會議（CSA&TISC 2026）如期舉行。CSA&TISC 2026作為中國卒中領域歷史最悠久、規模最大的學術盛會之一，從2015年五大研究開啟機械取栓時代，到后來DIRECT-MT、BAOCHE等中國研究改寫國際指南——CSA&TISC的講臺上，從不缺改變臨床實踐的聲音。

而近年來，人工智能（AI）在醫學領域的滲透亦成為不可忽視的趨勢。從2023年GPT-3.5進入公眾視野，到如今大語言模型在臨床場景中的廣泛探索，一個核心問題逐漸浮現：AI究竟能為神經醫生提供哪些實質性幫助？

在本次會議中，西南醫科大學附屬醫院袁正洲教授以《人工智能在急性缺血性腦卒中血管內治療的應用》為題，結合自身臨床實踐與開發經驗，系統展示了AI在術前評估、術中決策、預后預測及臨床研究中的多維應用。

從圖靈測試到大語言模型：

AI的七十年演進

"人工智能的誕生，可能比我們在座任何一位同行的年齡都要大。"

袁正洲教授在報告開篇即指出，AI這一概念正式提出于1956年，至2026年恰滿70年。從圖靈測試、深藍、AlphaGo，到2017年Transformer架構奠定大模型技術底座，再到如今GPT、DeepSeek、豆包等工具的普及，AI經歷了漫長的技術積累才真正走向臨床應用的前沿。

對于神經介入領域而言，AI的應用場景已遠超文獻檢索與輔助寫作，正向影像判讀、機制分析、預后預測等核心臨床環節延伸。

圖1：AI發展主線

病例驗證：

通用型AI在取栓全流程中的表現

袁正洲教授以六年前的一例大核心梗死病例為載體，對通用型AI進行了系統性測試。

圖2：病例簡介

發病機制推斷：

研究者首先僅提供CT平掃影像，未附加任何臨床信息。AI判斷：“傾向于栓塞。”

圖3：根據CT平掃影像，AI模型的判斷

追加CTA影像后，AI準確識別右側大腦中動脈M1段病變，再次判斷：“高度支持栓塞，考慮心源性栓塞可能性大。”

圖4：追加CTA影像后，AI模型的判斷

術中DSA造影、微導管到位、支架釋放等影像依次輸入后，AI結論愈加明確，并以“clot engagement”描述血栓形態——即支架將血栓“抱合”的典型栓塞征象。最終手術證實為栓塞性病變，AI全程判斷與臨床實際高度一致。

圖5：根據術中DSA造影、微導管到位、支架釋放等影像，AI模型的判斷

在通分級評估：

將術后側位造影圖像輸入后，AI快速給出改良腦梗死溶栓分級mTICI分級判斷：2C至3級。該結果與中等年資取栓醫生的判讀水平相當，提示AI在再通分級方面具備輔助價值，尤其對于尚在培訓階段的研究生或非手術醫師而言。

圖6：AI模型預測再通分級評估結論

遠期預后預測：

術后24小時CT輸入后，AI預測：“mRS評分2-3分可能性最大，死亡及重殘風險已明顯下降。”三個月臨床隨訪結果與AI預測相符。

圖7：AI模型預后預測結論

值得注意的是，該病例來自六年前，而測試所用的AI為當前通用型模型，并非針對腦血管病進行專項訓練的垂直型AI。袁正洲教授評價：“一個通用型AI能在取栓這種小眾專業領域展現如此精準的判斷力，超出了我的預期。”

文獻綜述能力：

10-20分鐘完成萬字段落

為進一步驗證AI的科研輔助能力，袁正洲教授以“大核心梗死”為主題，讓AI進行系統性文獻檢索。

AI調用了六個數據庫：PubMed、Web of Science、Cochrane Library、ClinicalTrials.gov、Google Scholar，同時覆蓋了相關指南與會議論文。“我們碩士、博士研究生做綜述，通常以PubMed為主，Web of Science和臨床試驗注冊數據庫往往不會系統檢索。”袁正洲教授指出，該AI耗時十余分鐘即生成近萬字的綜述報告，涵蓋了從循證證據到未來研究方向的系統梳理。

針對“未來爭議點”這一提問，AI輸出的方向包括：阿爾伯塔卒中項目早期CT評分（Alberta Stroke Program Early CT Score，ASPECTS）0-2分患者證據不足、MRI是否高估核心梗死體積、CTP準確性爭議、出血轉化風險、時間窗界定、器械技術創新等。“這些思考的深度，可能比不少剛畢業的博士想到的更遠。”

從使用者到開發者：

NIHSS智能評分工具的構建

如果說上述案例驗證了AI的現有能力，那么袁正洲教授隨后展示的工作，則體現了臨床醫生如何主動將AI整合為生產力工具。

他正在開發一套NIHSS智能評分系統，其設計邏輯源于以下臨床痛點：

• NIHSS量表雖為常規工具，但缺乏內置邏輯校驗。例如，左側肢體肌力0級同時勾選“共濟失調”，傳統量表無法提示矛盾。

• 同一科室多名醫師對同一患者評分一致性欠佳，直接影響臨床研究數據質量。

• 卒中綠通道團隊人員輪轉頻繁，培訓周期長、成本高。

• 年輕醫師學習意愿不足，傳統培訓方式效果有限。

針對上述問題，該系統的核心功能設計包括：

• AI邏輯質控：出現矛盾條目時自動提示，實時糾錯。

• 復評記錄追蹤：同一患者多次評分的變化趨勢可視化呈現，數據存儲于本地設備，保障信息安全。

• 隱私脫敏與分享功能：自動生成患者信息打碼的評分卡片，附帶時間水印，兼顧臨床交流需求與隱私保護。

• 訓練營模式：采用答題通關機制，完成者獲得通關認證，以游戲化設計提升學習參與度。

• 多套視覺方案：應臨床同行建議，提供不同配色模板，低危區間綠色、高危區間紅色，直觀呈現評分區間。

袁正洲教授坦言，開發過程并不輕松：小程序上線需通過騰訊、工信部、公安部及外部審核等多部門審批；修復漏洞經常持續至凌晨。然而，“如果帶過綠通道團隊，就理解這種痛點的真實性和迫切性。”

AI繪圖與版權意識：

原創ASPECTS示意圖的嘗試

在量表開發過程中，袁正洲教授還讓AI嘗試繪制ASPECTS評分示意圖。

初期輸出效果不佳——AI無法準確區分左右半球，側腦室定位錯誤，十個評分區域的標注較為混亂。“AI有時確實不夠智能，需要反復引導和修正。”

經多輪調試后，AI最終完成了合格的原創示意圖：十個扣分區域及后循環結構標注基本精準，選中區域可高亮顯示并自動計算評分。

“我自己一筆都沒畫，但AI理解了設計意圖并輸出了滿足需求的結果。”袁正洲教授同時強調，選擇原創繪圖的核心考量是版權合規——國際學術出版對圖片授權的嚴格要求，使得原創成為規避風險的根本方案。

結語：

AI是長期增幅器，而非替代者

報告尾聲，袁正洲教授總結道：“AI并非魔法，亦非萬能。它仍存在幻覺，面對不存在的問題也會生成似是而非的答案。但其核心價值在于，它能夠與醫生產生復利效應——我在臨床一線工作十年，病歷書寫效率恐怕并未發生質的飛躍，但AI可以讓工作效率實現倍數級提升。”

“醫生不會被AI取代，但善用AI的醫生，其效率將顯著優于不使用者。”

從大核心梗死的機制推斷與預后預測，到文獻綜述與科研輔助，再到原創量表工具的開發落地，本次報告系統論證了一個趨勢：AI在神經介入領域的應用，已從概念探索進入實質賦能階段。

正如本場的主持人南陽市中心醫院溫昌明教授所言：“AI未來已來。快速滲透、深度結合，將其融入日常工作，是每一位臨床醫生都應面對的課題。”

責任編輯：老豆芽

*“醫學界”力求所發表內容專業、可靠，但不對內容的準確性做出承諾；請相關各方在采用或以此作為決策依據時另行核查。