Zastosowania widzenia komputerowego w chirurgii naczyń: przegląd systematyczny i krytyczna ocena

Inteligentne kamery dla lekarzy naczyniowych

Lekarze zajmujący się schorzeniami naczyń krwionośnych w dużej mierze polegają na obrazach medycznych — od badań tomograficznych po proste fotografie ran. W ostatnich latach widzenie komputerowe — oprogramowanie, które „widzi” i interpretuje obrazy — rozwijało się tak szybko, że czasem może dorównywać ekspertom medycznym. Artykuł ten przegląda setki badań, aby ocenić, jak te narzędzia do czytania obrazów są wykorzystywane w chirurgii naczyń, jak dobrze działają i co trzeba poprawić, zanim bezpiecznie wesprą opiekę nad pacjentami.

Gdzie badania rozwijają się najszybciej

Autorzy przeszukali główne bazy medyczne i techniczne i znaleźli 288 badań, z eksplozją badań po 2017 r. oraz kolejną falą w latach 2024–2025. Większość projektów analizowała istniejące obrazy, zamiast obserwować pacjentów w czasie. Badacze skupiali się głównie na trzech problemach: poszerzeniu głównej tętnicy ciała (tętniaki i rozwarstwienia aorty), zwężeniu tętnic szyjnych zaopatrujących mózg oraz trudno gojących się owrzodzeniach stopy, szczególnie u osób z cukrzycą. W przeciwieństwie do tego rzadziej badano choroby takie jak zatkane tętnice kończyn dolnych czy żylaki — codzienne problemy w poradniach naczyniowych — mimo że mogą powodować ból, niepełnosprawność i amputacje.

Na co właściwie patrzą komputery

W badaniach komputery analizowały różne rodzaje obrazów. W przypadku chorób aorty przeważały tomografie komputerowe (CT); w chorobie tętnic szyjnych dominowało badanie ultrasonograficzne; przy owrzodzeniach stopy najczęściej wykorzystywano zwykłe fotografie i obrazy termiczne. Najczęściej stosowanymi narzędziami były nowoczesne sieci głębokiego uczenia, zwłaszcza U‑Net i inne splotowe sieci neuronowe, czasem łączone w zespoły. Systemy te zwykle miały za zadanie wyznaczać kontury struktur (takich jak światło i ściana naczynia czy brzegi rany), mierzyć rozmiary lub klasyfikować obrazy na kategorie typu „chore” lub „zdrowe”. Wiele modeli osiągało imponujące wyniki w publikacjach, czasem zbliżone do specjalistów w zadaniach takich jak pomiar wielkości tętniaka czy śledzenie powierzchni owrzodzenia stopy.

Jak niezawodne i sprawiedliwe są te narzędzia?

Mimo obiecujących wyników przegląd wykrył poważne zastrzeżenia co do sposobu budowy i testowania tych systemów. Tylko mniejszość korzystała z danych zewnętrznych pochodzących z innych szpitali, co jest kluczowe, by pokazać, że model zadziała w praktyce, a nie tylko na swoim zbiorze treningowym. Wiele prac pomijało podstawowe zabezpieczenia przed przeuczeniem modelu, takie jak oddzielne zbiory walidacyjne czy kontrole nierównowagi klas, a niektóre mierzyły wydajność na tych samych obrazach, na których model był trenowany. Standardy raportowania wyników były nierówne: w zadaniach segmentacji obrazu około połowa publikacji podawała powszechnie akceptowany współczynnik pokrycia (dice/IoU), a w zadaniach binarnych mniej niż jedna piąta korzystała z bardziej rzetelnej miary AUROC. Bardzo niewiele badań analizowało, czy systemy zachowują się odmiennie w różnych grupach pacjentów lub przy użyciu różnych urządzeń obrazujących, co rodzi pytania o rzetelność i generalizowalność.

Luki w tym, co się bada

Obraz badań nie odzwierciedla codziennych potrzeb pacjentów. Większość prac koncentruje się na aorcie, tętnicach szyjnych i stopie cukrzycowej — obszarach z obfitymi zbiorami obrazów i jasno zdefiniowanymi zadaniami. Tymczasem choroba tętnic obwodowych kończyn dolnych, która często dotyka osoby z mniejszości rasowych i o niższych dochodach, pozostaje słabo zbadana. Autorzy argumentują, że widzenie komputerowe mogłoby tu szczególnie pomóc, przewidując, którzy pacjenci się pogorszą, oraz automatyzując złożone systemy punktacji, które obecnie zajmują zbyt dużo czasu w zatłoczonych poradniach. Kolejną przeoczoną możliwością jest oprogramowanie potrafiące naśladować w badaniach kontrast środków cieniujących bez narażania pacjentów — wielu z nich ma problemy z nerkami — na potencjalnie szkodliwe substancje; technika ta pojawiła się tylko w kilku badaniach naczyniowych.

Podnoszenie poprzeczki dla przyszłych prac

Aby ocenić jakość, autorzy zastosowali dwa ustalone listy kontrolne oceniające uprzedzenia i raportowanie w badaniach predykcyjnych. Tylko około jedna na pięć nowszych prac osiągnęła ocenę niskiego ryzyka uprzedzeń, a przestrzeganie standardów raportowania utrzymywało się nieznacznie powyżej połowy, choć z czasem uległo poprawie. Częste braki obejmowały niejasne opisy, w jaki sposób utworzono etykiety „prawdy klinicznej”, brak przejrzystości co do źródeł danych, pominięcie informacji o doborze parametrów modelu oraz niemal całkowity brak udziału pacjentów lub interesariuszy publicznych. Autorzy wzywają badaczy do stosowania tych wytycznych już na etapie planowania, używania spójnych miar wydajności (dice do segmentacji, AUROC do decyzji binarnych), udostępniania danych i kodu, gdy to możliwe, oraz przeprowadzania badań prospektywnych, które sprawdzą, czy narzędzia widzenia komputerowego rzeczywiście poprawiają wyniki pacjentów.

Co to oznacza dla pacjentów i klinicystów

Podsumowując, przegląd ukazuje potężne narzędzia do analizowania obrazów, które są jednak we wczesnej fazie drogi od laboratorium do kliniki. Widzenie komputerowe w chirurgii naczyń już wykazuje zdolność do wykrywania, wyznaczania granic i pomiaru problemów naczyniowych oraz ran z imponującą dokładnością w kontrolowanych warunkach. Jednak dopóki badania nie będą lepiej odzwierciedlać praktyki klinicznej, nie będą obejmować zróżnicowanych pacjentów i nie spełnią wyższych standardów jakości, systemy te pozostaną głównie ciekawostką badawczą, a nie zaufanym partnerem w opiece. Jeśli twórcy i klinicyści zajmą się tymi problemami, widzenie komputerowe może stać się rutynowym wsparciem, przyspieszając diagnozę, wspomagając złożone decyzje i rozszerzając dostęp do oceny na poziomie specjalistycznym dla osób z chorobami naczyniowymi.

Cytowanie: Liyanage, A., Li, B., Yi, J. et al. Computer vision applications in vascular surgery: a systematic review and critical appraisal. npj Digit. Med. 9, 260 (2026). https://doi.org/10.1038/s41746-026-02427-6

Słowa kluczowe: widzenie komputerowe w chirurgii naczyń, SZTUCZNA INTELIGENCJA w obrazowaniu medycznym, choroby aorty i tętnic szyjnych, odleżyny stopy cukrzycowej, choroba tętnic obwodowych