Datorseende inom vaskulär kirurgi: en systematisk översikt och kritisk granskning

Smarta kameror för kärlkirurger

Läkare som behandlar kärlproblem förlitar sig i hög grad på medicinska bilder, från kroppsskanningar till enkla foton av sår. Under de senaste åren har datorseende — programvara som ”ser” och tolkar bilder — utvecklats så snabbt att det ibland kan mäta sig med medicinska experter. Den här artikeln går igenom hundratals studier för att se hur dessa bildtolkningsverktyg används inom vaskulär kirurgi, hur väl de fungerar och vad som fortfarande behöver förbättras innan de säkert kan hjälpa läkare att vårda patienter.

Var forskningen växer snabbast

Författarna sökte i stora medicinska och tekniska databaser och fann 288 studier, med en explosion av arbete efter 2017 och en ny våg 2024–2025. De flesta projekt analyserade befintliga bilder snarare än att följa patienter framåt i tiden. Forskningen fokuserade främst på tre problem: utbuktning i kroppens huvudartär (aortaaneurysm och dissektioner), förträngning av halskärl som försörjer hjärnan, och svårbehandlade fotsår, särskilt vid diabetes. I kontrast studerades tillstånd som tilltäppta benartärer och venös sjukdom — vardagliga problem i kärlkliniker — sällan, trots att de kan orsaka smärta, funktionsnedsättning och amputationer.

Vad datorerna faktiskt granskar

I studierna matades systemen med många typer av bilder. För aortasjukdom användes oftast DT‑skanningar; för halskärlssjukdom lutade man sig mot ultraljud; för fotsår förlitade man sig på vanliga foton och värmebilder. De vanligaste verktygen var moderna djupa inlärningsnätverk, särskilt U‑Net och andra konvolutionella neurala nätverk, ibland kombinerade i ensemblemodeller. Dessa system fick vanligtvis i uppgift att avgränsa strukturer (såsom artärens lumen och vägg eller sårets kanter), mäta storlekar eller sortera bilder i kategorier som ”sjuk” eller ”frisk”. Många modeller presterade imponerande i artiklarna och närmade sig ibland specialistläkares nivå för uppgifter som att mäta aneurysmens storlek eller följa ett fotsårs yta över tid.

Hur tillförlitliga och rättvisa är dessa verktyg?

Trots lovande resultat fann översikten allvarliga brister i hur systemen byggdes och testades. Endast en minoritet använde externa data från andra sjukhus, vilket är avgörande för att visa att en modell fungerar i verkligheten och inte bara på sin hemmadataset. Många artiklar hoppade över grundläggande skydd mot överanpassning, som separata valideringsuppsättningar eller kontroller för klassobalans, och vissa mätte till och med prestanda på samma bilder som använts för träning. Standardiserade sätt att rapportera resultat var ojämna: för bild‑avgränsningsuppgifter rapporterade ungefär hälften en allmänt accepterad överlappningspoäng, och för ja‑/nej‑prediktioner använde färre än en av fem den robustare AUROC‑mätningen. Mycket få studier undersökte om deras system uppförde sig olika för olika patientgrupper eller bildgivare, vilket lämnar frågor om rättvisa och generaliserbarhet.

Luckor i vad som studeras

Forskningsmönstret speglar inte vardagliga patientbehov. Majoriteten av arbetet är koncentrerat kring aorta, halskärl och diabetiska fotsår — områden med rikliga bilddatasamlingar och tydliga uppgifter. Samtidigt är perifer artärsjukdom i benen, som ofta drabbar personer från etniska minoriteter och låginkomstgrupper, dåligt utforskat. Författarna menar att datorseende kan vara särskilt användbart här genom att förutsäga vilka patienter som kommer att försämras och genom att automatisera komplexa poängsättningssystem som i dag tar för lång tid att använda i hektiska kliniker. En annan förbisedd möjlighet är programvara som kan återskapa kontrastmedel i skanningar utan att utsätta patienter — många av dem med njurproblem — för potentiellt skadliga kemikalier; detta är något endast ett fåtal vaskulära studier prövat.

Höj ribban för framtida arbete

För att bedöma kvaliteten tillämpade författarna två etablerade checklistor som utvärderar bias och rapportering i prediktionsstudier. Endast ungefär en av fem nyare studier bedömdes ha låg risk för bias, och den övergripande efterlevnaden av rapporteringsstandarder låg strax över halva poängen, även om den förbättrats över tid. Vanliga brister inkluderade otydlig beskrivning av hur ”sannings”‑etiketter skapades, brist på transparens kring datakällor, saknad information om hur modellinställningar valdes, och nästan ingen involvering av patienter eller allmänheten. Författarna uppmanar forskare att följa dessa riktlinjer från planeringsstadiet, använda konsekventa prestandamått (dice för avgränsning, AUROC för ja‑/nej‑beslut), dela data och kod när det är möjligt, och genomföra prospektiva prövningar som testar om datorseendeverktyg verkligen förbättrar patientutfall.

Vad detta betyder för patienter och kliniker

Sammanfattningsvis målar översikten upp en bild av kraftfulla bildtolkningsverktyg som ännu är i början av sin resa från labb till klinik. Datorseende inom vaskulär kirurgi visar redan att det kan upptäcka, avgränsa och mäta kärlproblem och sår med imponerande noggrannhet under kontrollerade förhållanden. Men tills studier bättre speglar praktiken i verkliga världen, inkluderar en mångfald av patienter och uppfyller striktare kvalitetskrav, kommer dessa system främst att förbli forskningsfenomen snarare än betrodda hjälpmedel i vården. Om utvecklare och kliniker tar itu med dessa problem kan datorseende bli en rutinmässig hjälp som påskyndar diagnostik, stödjer komplexa beslut och ökar tillgången till specialistbedömningar för personer med kärlsjukdom.

Citering: 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

Nyckelord: datorseende i vaskulär kirurgi, AI för medicinsk bildbehandling, aort- och karotisjukdom, diabetiska fotsår, perifer artärsjukdom