从影像判读到量表开发，一个神经科医生的AI实战报告 | CSA&TISC 2026

*供医学专业人士阅读参考

四件事验证一个答案：AI在神经介入，已不再是概念

z

撰文：医学界报道组

2026年6月26日-28日，中国卒中学会第十二届学术年会暨天坛脑血管病会议（CSA&TISC 2026）如期举行。CSA&TISC 2026作为中国卒中领域历史最悠久、规模最大的学术盛会之一，从2015年五大研究开启机械取栓时代，到后来DIRECT-MT、BAOCHE等中国研究改写国际指南——CSA&TISC的讲台上，从不缺改变临床实践的声音。

而近年来，人工智能（AI）在医学领域的渗透亦成为不可忽视的趋势。从2023年GPT-3.5进入公众视野，到如今大语言模型在临床场景中的广泛探索，一个核心问题逐渐浮现：AI究竟能为神经医生提供哪些实质性帮助？

在本次会议中，西南医科大学附属医院袁正洲教授以《人工智能在急性缺血性脑卒中血管内治疗的应用》为题，结合自身临床实践与开发经验，系统展示了AI在术前评估、术中决策、预后预测及临床研究中的多维应用。

从图灵测试到大语言模型：

AI的七十年演进

"人工智能的诞生，可能比我们在座任何一位同行的年龄都要大。"

袁正洲教授在报告开篇即指出，AI这一概念正式提出于1956年，至2026年恰满70年。从图灵测试、深蓝、AlphaGo，到2017年Transformer架构奠定大模型技术底座，再到如今GPT、DeepSeek、豆包等工具的普及，AI经历了漫长的技术积累才真正走向临床应用的前沿。

对于神经介入领域而言，AI的应用场景已远超文献检索与辅助写作，正向影像判读、机制分析、预后预测等核心临床环节延伸。

图1：AI发展主线

病例验证：

通用型AI在取栓全流程中的表现

袁正洲教授以六年前的一例大核心梗死病例为载体，对通用型AI进行了系统性测试。

图2：病例简介

发病机制推断：

研究者首先仅提供CT平扫影像，未附加任何临床信息。AI判断：“倾向于栓塞。”

图3：根据CT平扫影像，AI模型的判断

追加CTA影像后，AI准确识别右侧大脑中动脉M1段病变，再次判断：“高度支持栓塞，考虑心源性栓塞可能性大。”

图4：追加CTA影像后，AI模型的判断

术中DSA造影、微导管到位、支架释放等影像依次输入后，AI结论愈加明确，并以“clot engagement”描述血栓形态——即支架将血栓“抱合”的典型栓塞征象。最终手术证实为栓塞性病变，AI全程判断与临床实际高度一致。

图5：根据术中DSA造影、微导管到位、支架释放等影像，AI模型的判断

在通分级评估：

将术后侧位造影图像输入后，AI快速给出改良脑梗死溶栓分级mTICI分级判断：2C至3级。该结果与中等年资取栓医生的判读水平相当，提示AI在再通分级方面具备辅助价值，尤其对于尚在培训阶段的研究生或非手术医师而言。

图6：AI模型预测再通分级评估结论

远期预后预测：

术后24小时CT输入后，AI预测：“mRS评分2-3分可能性最大，死亡及重残风险已明显下降。”三个月临床随访结果与AI预测相符。

图7：AI模型预后预测结论

值得注意的是，该病例来自六年前，而测试所用的AI为当前通用型模型，并非针对脑血管病进行专项训练的垂直型AI。袁正洲教授评价：“一个通用型AI能在取栓这种小众专业领域展现如此精准的判断力，超出了我的预期。”

文献综述能力：

10-20分钟完成万字段落

为进一步验证AI的科研辅助能力，袁正洲教授以“大核心梗死”为主题，让AI进行系统性文献检索。

AI调用了六个数据库：PubMed、Web of Science、Cochrane Library、ClinicalTrials.gov、Google Scholar，同时覆盖了相关指南与会议论文。“我们硕士、博士研究生做综述，通常以PubMed为主，Web of Science和临床试验注册数据库往往不会系统检索。”袁正洲教授指出，该AI耗时十余分钟即生成近万字的综述报告，涵盖了从循证证据到未来研究方向的系统梳理。

针对“未来争议点”这一提问，AI输出的方向包括：阿尔伯塔卒中项目早期CT评分（Alberta Stroke Program Early CT Score，ASPECTS）0-2分患者证据不足、MRI是否高估核心梗死体积、CTP准确性争议、出血转化风险、时间窗界定、器械技术创新等。“这些思考的深度，可能比不少刚毕业的博士想到的更远。”

从使用者到开发者：

NIHSS智能评分工具的构建

如果说上述案例验证了AI的现有能力，那么袁正洲教授随后展示的工作，则体现了临床医生如何主动将AI整合为生产力工具。

他正在开发一套NIHSS智能评分系统，其设计逻辑源于以下临床痛点：

• NIHSS量表虽为常规工具，但缺乏内置逻辑校验。例如，左侧肢体肌力0级同时勾选“共济失调”，传统量表无法提示矛盾。

• 同一科室多名医师对同一患者评分一致性欠佳，直接影响临床研究数据质量。

• 卒中绿通道团队人员轮转频繁，培训周期长、成本高。

• 年轻医师学习意愿不足，传统培训方式效果有限。

针对上述问题，该系统的核心功能设计包括：

• AI逻辑质控：出现矛盾条目时自动提示，实时纠错。

• 复评记录追踪：同一患者多次评分的变化趋势可视化呈现，数据存储于本地设备，保障信息安全。

• 隐私脱敏与分享功能：自动生成患者信息打码的评分卡片，附带时间水印，兼顾临床交流需求与隐私保护。

• 训练营模式：采用答题通关机制，完成者获得通关认证，以游戏化设计提升学习参与度。

• 多套视觉方案：应临床同行建议，提供不同配色模板，低危区间绿色、高危区间红色，直观呈现评分区间。

袁正洲教授坦言，开发过程并不轻松：小程序上线需通过腾讯、工信部、公安部及外部审核等多部门审批；修复漏洞经常持续至凌晨。然而，“如果带过绿通道团队，就理解这种痛点的真实性和迫切性。”

AI绘图与版权意识：

原创ASPECTS示意图的尝试

在量表开发过程中，袁正洲教授还让AI尝试绘制ASPECTS评分示意图。

初期输出效果不佳——AI无法准确区分左右半球，侧脑室定位错误，十个评分区域的标注较为混乱。“AI有时确实不够智能，需要反复引导和修正。”

经多轮调试后，AI最终完成了合格的原创示意图：十个扣分区域及后循环结构标注基本精准，选中区域可高亮显示并自动计算评分。

“我自己一笔都没画，但AI理解了设计意图并输出了满足需求的结果。”袁正洲教授同时强调，选择原创绘图的核心考量是版权合规——国际学术出版对图片授权的严格要求，使得原创成为规避风险的根本方案。

结语：

AI是长期增幅器，而非替代者

报告尾声，袁正洲教授总结道：“AI并非魔法，亦非万能。它仍存在幻觉，面对不存在的问题也会生成似是而非的答案。但其核心价值在于，它能够与医生产生复利效应——我在临床一线工作十年，病历书写效率恐怕并未发生质的飞跃，但AI可以让工作效率实现倍数级提升。”

“医生不会被AI取代，但善用AI的医生，其效率将显著优于不使用者。”

从大核心梗死的机制推断与预后预测，到文献综述与科研辅助，再到原创量表工具的开发落地，本次报告系统论证了一个趋势：AI在神经介入领域的应用，已从概念探索进入实质赋能阶段。

正如本场的主持人南阳市中心医院温昌明教授所言：“AI未来已来。快速渗透、深度结合，将其融入日常工作，是每一位临床医生都应面对的课题。”

责任编辑：老豆芽

*“医学界”力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。