“主动脉疾病死亡率，比很多癌症都更令人绝望，40%的患者没到医院就已离世，即便能够及时接受手术，欧美地区死亡率仍超17%。”香港中文大学医学院外科学系教授、香港威尔斯亲王医院心胸外科主任黄鸿亮在接受记者采访时提及一组触目惊心的数据。

　　作为深耕心胸外科数十年的专家，黄鸿亮及其团队长期聚焦主动脉瘤、主动脉撕裂等高危疾病的诊疗难题，他见证了无数主动脉疾病患者与死神的博弈。他认为，当下AI（人工智能）的飞速发展正成为这场“生死竞速”中的关键变量，也是他们破解“高死亡率、高漏诊率、诊疗资源错配”三大痛点的关键突破口。

　　日前，中国科学院香港创新研究院发布了其最新科研成果“聆音”EchoCare超声大模型。黄鸿亮在接受《每日经济新闻》记者专访时表示，团队希望能结合一线临床经验，探索出高危疾病诊疗新路径。

　　调研显示40%主动脉疾病患者未到医院便离世，30%患者在急诊中被漏诊

　　“主动脉就像城市里最繁忙的高速公路，负责将心脏血液输送到脑部、内脏等所有重要器官，一旦出问题，整个‘交通系统’都会瘫痪。”黄鸿亮形象地比喻道。主动脉最致命的问题，莫过于动脉瘤（血管壁膨胀形成“血肿瘤”）与主动脉撕裂，这两种情况一旦发生，短则几分钟、长则数小时，就能夺走患者生命。

　　临床数据揭示了这场“生死战”的残酷。黄鸿亮团队通过长期研究发现，40%的主动脉撕裂患者在抵达医院前就因大出血或器官衰竭离世；即便顺利入院，等待手术间隙，仍有患者因病情急转直下离世。即便是医疗水平领先的欧美国家，此类疾病的手术死亡率仍高达17%~20%，且术后有33%的患者需要再次接受血管修复手术。

　　在香港地区，医疗资源分布情况加大了临床难度。黄鸿亮表示，香港公立医院中，仅3家医院具备开展主动脉疾病急诊手术的能力，其余医院若接收此类患者，必须通过转院才能让患者获得有效救治。“从患者确诊到转院，每一分、每一秒都在消耗生存机会，很多患者没能撑到手术台。”

　　更棘手的是“漏诊魔咒”。由于主动脉疾病症状极具迷惑性，部分患者仅表现为腹痛、咳嗽、头晕，与普通感冒、肠胃炎等病症高度相似。黄鸿亮团队研究发现，急诊室中30%的胸痛患者实际患有主动脉相关疾病，却因漏诊被当作普通病症处理，错过最佳治疗时机。“没有医生想漏诊，但主动脉疾病可能堵塞脑部血管，症状复杂且隐蔽，再加上急诊室患者量大、诊疗时间紧张，漏诊几乎成了行业顽疾，引入AI超声诊断迫在眉睫。”

图片来源：每经记者甄素静摄

　　面对主动脉疾病的高致死率，黄鸿亮团队很早就意识到“预防比治疗更重要”。2015年，黄鸿亮团队联合香港威尔斯亲王医院开展了一项覆盖1529名高血压患者的主动脉疾病普查，通过“焦点超声”技术为患者进行检查，建立起庞大的疾病数据库。

　　此次普查不仅取得了关键临床发现，65岁以上男性高血压患者的主动脉瘤检出率显著高于其他人群，更验证了“早期筛查”的价值。黄鸿亮解释称：“如果能在主动脉瘤破裂或撕裂前就发现病情，通过排期手术进行干预，死亡率可从急诊手术的20%降至1%~2%，患者生存概率大幅提升。”

　　但普查过程中，一个现实难题浮出水面。超声诊断高度依赖专业操作员，培养一名合格的超声专科医生需要数年时间，且培训成本高昂。“当时我们靠新专科医生完成1529例患者的检查，但这种模式无法大规模推广，香港的医疗资源有限，不可能为主动脉疾病筛查单独培养大批超声医生。”

　　600例训练+200例验证，AI如何攻克超声诊断“角度标准化”难题

　　正是这一“人才困局”，推动科研将目光投向AI技术。黄鸿亮表示：“我们需要一套自动化超声诊断方案，让非专业人员经过简单培训就能操作，同时保证诊断精度，这是实现主动脉疾病大规模筛查的唯一路径。”

　　经过数年研发，黄鸿亮团队与中国科学院香港创新研究院合作研发的AI超声诊断模型取得突破性进展。该模型以600名患者的超声数据为训练集，200余名患者数据为验证集，通过深度学习算法、学习主动脉影像特征，最终实现了两大突破：一是“标准化诊断”，解决了传统超声诊断中“操作员角度不同导致结果差异”的难题；二是“高精度测量”，在主动脉关键指标测量上，平均误差仅1毫米，其重复性与一致性甚至媲美经验丰富的心脏科医生。

　　“传统超声诊断中，不同医生手持探头的角度、力度不同，对同一患者的检查结果可能存在差异。但AI能通过算法自动识别主动脉根部的标准‘观测帧’，提取关键特征，无论操作员如何操作，都能输出标准化的诊断结果。”黄鸿亮解释道。

　　这一技术突破不仅提升了诊断精度，更大幅提升了效率。在急诊室场景中，AI模型能在短时间内完成对胸痛患者的初筛，快速区分“心肌梗塞、肺动脉血栓、主动脉破裂”等不同病因，为医生锁定高危患者。“急诊室里，每节省一分钟，患者就多一分生存希望。AI相当于给医生配备了‘精准导航’，帮助他们在海量患者中快速找到需要紧急救治的主动脉疾病患者，大幅降低漏诊风险。”黄鸿亮表示，“而大模型在主动脉常规指标测量上，已经达到甚至超过普通心脏科医生水平，这为后续大规模推广奠定了基础。”

　　16个结节分析后仅2个需跟进，医生困于AI“精准过剩”

　　尽管AI模型在实验室中表现亮眼，但进入临床应用阶段，黄鸿亮团队遭遇了“甜蜜的烦恼”，AI的“高精准”反而可能增加医生的工作量。

　　“以肺结节诊断为例，AI分析肺部CT影像时，会生成16个结节的分析，但可能其中只有2个结节在临床上需要继续跟进。医生需要花额外时间从海量数据中筛选有用信息，相当于‘从沙子里淘金’。”黄鸿亮无奈地表示，这种“信息过载”问题不仅存在于心胸外科，在影像科、全科医疗等领域也普遍存在。

　　此外，AI模型在面对少见病例时的“局限性”也逐渐显现。黄鸿亮坦言：“目前我们模型主要基于常见主动脉疾病病例训练，遇到特殊血管结构或罕见病变时，准确性会打折扣，还需要专科医生进一步验证。”

　　事实上，这种“人机磨合”的方式是医疗AI行业的普遍现状。黄鸿亮透露，香港医疗系统已在多个科室布局AI应用：医院管理局的临床管理系统中，AI可自动识别胸部X光片的异常信号，提醒医生重点排查；影像科通过AI辅助分析肺部CT，判断结节良恶性。但这些系统均未完全实现“临床闭环”，核心原因在于“AI输出与医生需求的匹配度仍需优化”。

　　从实验室到临床，还需突破人员、硬件、模型三重障碍

　　谈及AI医疗的未来，黄鸿亮既充满期待，也保持理性。他认为，当前医疗AI要实现“从实验室到临床”的大规模落地，需突破“人员、硬件、模型”三重障碍。

　　首先是“人员缺口”。以AI超声大模型为例，尽管AI能解决超声诊断的“标准化”问题，但操作探头仍需人工完成，而香港地区医疗系统中具备超声操作资质的人员本就稀缺。“除非未来能研发出‘机器人自动操作探头’，否则AI超声诊断的普及会受限于人力供给。”

　　其次是“硬件瓶颈”。目前AI超声诊断设备尚未实现量产，高精度设备成本较高，难以在社区医院、普通诊所等基层医疗场景推广。最后是“模型完善”。AI模型在少见病例、复杂病变上的准确性仍需提升，需要更多多中心、大样本的病例数据进行训练。

　　不过，黄鸿亮也看到了行业的积极变化。他透露，与其合作的中国科学院香港创新研究院等科研团队正推动AI超声诊断技术“跨界应用”，通过调整程序，同一套AI系统可实现对颈动脉、腹动脉、甲状腺等多器官的超声诊断，大幅提升设备利用率。“未来，我们希望让AI超声诊断系统走进社区医院、急诊室，让更多患者能在疾病早期得到精准筛查。”

　　在成本与价值的权衡上，黄鸿亮有着清晰的认知。“医疗AI的价值不应简单用降低住院费、诊疗费来衡量，更重要的是减少漏诊、挽救生命。如果能通过AI将主动脉疾病漏诊率从30%降下来，让更多患者在早期得到治疗，这才是最大价值。”

　　采访的最后，黄鸿亮表示，AI医疗发展需要技术创新与临床需求深度融合，它不是“万能药”，但确实为主动脉疾病等高危病症诊疗带来了新希望。在他看来，AI不是要替代医生，而是要成为医生的得力助手。当前阶段，AI的价值更多是提示与辅助，而非独立诊断。“我们需要通过临床实践，让AI学会筛选关键信息，既保证准确性，又兼顾实用性，这个磨合的过程必不可少。”