《Ultrasound in Medicine & Biology》：UltraMN: Advancing Real-Time Median Nerve Ultrasound Monitoring With a Multitask Deep Learning Framework
编辑推荐：
本研究针对正中神经超声实时监测的临床挑战，开发了集成标准平面分类（UltraCLS）与组织分割（UltraSEG）的多任务学习模型UltraMN。通过对446例健康受试者4种标准成像平面（4-SIP）的249,985张图像进行分析，该模型在分类准确率（95.6%）和分割mIoU（97.6%）均显著优于现有模型，实现了≤50毫秒的低延迟处理，为术中导航和康复监测提供了精准高效的AI解决方案。
在临床实践中，腕管综合征等正中神经疾病影响着3%-10%的人群，导致手部功能严重受损。超声成像虽已成为诊断关键工具，但实时动态监测却因神经解剖结构复杂而面临巨大挑战——现有AI模型如FPT存在时序特征建模不稳定，MedMamba对时空依赖关系处理不足导致精度骤降至81.2%。这些局限性严重制约了术中神经安全保障和康复治疗精准评估的实现。
为突破此瓶颈，北京同仁医院超声科团队在《Ultrasound in Medicine》发表研究，提出UltraMN多任务深度学习框架。该研究纳入446名健康受试者，通过双侧4种标准成像平面（4-SIP）动态扫描获取249,985张图像，构建了集成3D卷积的U-Net架构。技术方法核心包括：1）采用病例级数据分割与数据增强策略防止过拟合；2）构建共享时空编码器实现分类与分割双任务协同优化；3）通过组卷积与跨任务注意力机制提升边界识别精度；4）在临床级工作站验证实时性能（20帧/秒，延迟48.2毫秒）。
标准平面分类结果
UltraCLS模块以95.6%的准确率显著超越对比模型（MedMamba 92.3%，FPT 94.5%），所有平面精度/召回率/F1分数均超95%。其3D卷积设计有效捕捉了探头移动中的时序一致性，解决了传统模型在动态扫描中的识别波动问题。
组织分割结果
UltraSEG模块达到97.6%的mIoU，较KM-UNet（92.7%）和SwinUnet（94.8%）优势明显。视觉对比显示该模型在分割完整性、边界清晰度和层次结构保持方面具有显著优势，特别在屈肌腱毗邻区域仍能保持神经轮廓的准确勾勒。
实时性能验证
在配备RTX 4090显卡的工作站上，模型端到端处理延迟为48.2±3.5毫秒，低于临床实时阈值（100毫秒）。补充视频证实其可无缝处理临床超声流，为手术导航等场景提供无滞后的AI反馈。
研究结论表明，UltraMN通过多任务协同与时空建模创新，首次实现正中神经超声的精准实时动态分析。作为针对健康神经的可行性研究，其97.6%的分割精度与20帧/秒的处理速度奠定了临床转化基础。团队已启动多中心合作收集200例腕管综合征病例（现纳入42例），后续将验证模型对病理特征（如神经水肿、回声减弱）的适应性。这项技术有望重塑神经疾病诊疗范式，为超声引导下介入治疗和康复评估提供量化支持。
