局部麻醉的解剖学指导

区域麻醉 (RA) 和周围神经阻滞 (PNB) 的使用正在增加，尽管全身麻醉 (GA) 在普通外科实践中仍然更为常见。 目前，约有 65% 的适合区域技术的手术使用 GA，目前英国国家健康与临床卓越研究所 (NICE) 的指南是所有区域麻醉都应使用超声引导进行。 然而，预计区域麻醉会进一步增加，因为这会带来显着的患者和经济利益。 特别是，区域麻醉的每次手术成本比全身麻醉低得多。

尽管不断增长，但超声引导区域麻醉难以学习且难以实施。 由于临床医生必须同时操纵针头和超声探头以将针头引导至目标，因此存在严重的手眼协调问题。 此外，针头和目标解剖结构都很难在超声图像上看到。

研究人员认为，在超声图像上突出显示关键解剖特征的计算机辅助系统将使该程序对患者更安全，对临床医生而言更简单。

目前，自动图像分割的主要方法是深度学习，为此需要数千张训练图像。 在将这些技术应用于医学图像（包括超声）方面取得了多项成功。 然而，似乎很少有人关注用于区域麻醉的超声图像自动分割。

与我们提出的研究最接近的参考描述了一种在前臂超声图像中定位正中神经的方法。 还有一个 Kaggle 挑战来分割颈部的臂丛神经。 也可以同时分割多个解剖区域。 然而，这些研究都不能直接应用于临床，因为它们只处理从健康志愿者身上捕获的图像。 他们也没有考虑如何使用这些技术来帮助麻醉师在诊所进行区域麻醉。

这项研究的基本原理是确定关键解剖特征的实时自动突出显示是否可以帮助临床医生进行超声引导的区域麻醉。

Medaphor 提议的自动突出显示系统使用深度学习，需要数千张图像供系统学习。 然而，深度学习等机器学习算法高度依赖于用于构建它们的图像。 特别是，必须注意确保这些算法是使用代表算法在使用时会遇到的图像进行训练的。

区域麻醉的一个关键部分是将麻醉剂注入相关神经附近的空间。 一旦引入，针头和麻醉剂都可以在超声图像上看到。 使用从健康志愿者记录的非侵入性图像训练的模型是不够的。 尽管来自志愿者的非侵入性图像可能包含关键的解剖特征，但它们不会显示针头和麻醉剂。

捕获代表性图像的最简单选择是选择将进行区域麻醉的患者，并在执行手术时直接从超声机记录图像数据。 这种记录方法对临床医生和患者都是透明的，不会以任何方式影响患者的治疗。

此外，用于区域麻醉的超声机未连接到 PACS，并且没有患者身份信息被输入超声机。 由于只记录了超声波图像，视频是完全匿名的，无法追溯到任何个人。

这项研究是一个更大的研究计划的一部分，将建立和验证一个能够突出关键解剖特征的系统。 一旦系统完成，将进行进一步的研究以在诊所对其进行测试，以确定对患者和临床医生的潜在益处。