AMBUSH-AI：借助人工智能与超声成像提升烧伤深度诊断
亮点
1. AMBUSH-AI 将经美国食品药品监督管理局（FDA）批准的超声技术与人工智能（AI）相结合，可无创、高精度地判定胆创面的深度。
2. 该系统在人类受试者中识别三度烧伤的准确率达到 95%，显著高于传统临床诊断准确率。
3. 结合组织多普勒弹性成像（Tissue Doppler Elastography Imaging，TDI）与谐波 B 模式超声，可提供对精确深度评估至关重要的功能性与解剖学数据。
4. 这种基于 AI 的方法有望减少诊断不确定性，并改善烧伤救治中的手术决策。
研究背景
对烧伤创面深度的评估是临床管理中的关键环节，直接决定是否需要外科干预。传统上，烧伤外科医师主要依赖体格检查作为诊断金标准，以区分浅表烧伤、浅Ⅱ度烧伤和全层（Ⅲ度）烧伤。然而，视觉评估具有较强主观性，即使在专家中，其诊断准确率也仅约为 76%；在经验较少的医务人员中则下降至 50%。这种诊断不确定性会延误恰当治疗，延长恢复时间，并增加并发症发生率。
近年来，超声成像技术的发展为评估烧伤组织特征提供了无创手段。组织多普勒弹性成像（Tissue Doppler Elastography Imaging，TDI）可量化组织硬度，而组织硬度是判断组织活性的关键指标；谐波 B 模式超声则可显示解剖结构。尽管这些技术不断进步，图像解读仍然复杂，且高度依赖操作者经验。
人工智能（AI）有望通过基于数据的模式识别实现图像解读的标准化并提升其准确性。用于医疗保健的人工智能自动无创烧伤诊断系统（Automated Noninvasive Burn Diagnostic System for Health Care Using Artificial Intelligence，AMBUSH-AI）正是在这一背景下开发，用于将上述成像模式与 AI 结合，以提高烧伤深度评估的诊断准确率。
研究设计
本研究分为两个阶段：首先采用猪烧伤模型进行开发阶段研究（n=12），随后开展一项前瞻性人类验证队列研究（n=30），对象为热烧伤患者。在动物模型中，研究者构建了不同深度的烧伤，以生成适用于 AI 训练的代表性数据集。
在人类受试者中，分别使用两种超声技术获取图像：组织多普勒弹性成像（TDI）用于评估组织硬度，谐波 B 模式超声用于显示解剖结构；同时采集数字照片。对于接受手术清创的 5 名患者，还获取了活检标本，作为烧伤深度的真实标准（ground truth），从而可直接对 AI 预测结果进行比较与验证。
该 AI 框架被设计为分析联合影像输入，并自动对烧伤深度进行分类。准确性与可解释性是临床 AI 应用的两项关键指标，也是本研究的主要评价终点。
主要发现
动物模型结果：该 AI 算法在猪模型中识别三度烧伤的准确率达到 100%，证明其在受控环境下具有良好性能。
人类临床结果：人类队列平均年龄为 47.6±17.6 岁，平均烧伤总面积（total body surface area，TBSA）为 7.7%±8.5%。AMBUSH-AI 系统识别三度烧伤的准确率达到 95%，明显优于当前专家肉眼诊断水平。
联合应用 TDI 与谐波 B 模式超声，使 AI 能够整合生物力学信息（组织硬度）与解剖学信息，从而提高诊断精度。尤为重要的是，该模型在决策过程中表现出可解释性，向临床医生提供的是可解读的图像特征，而非“黑箱”式输出。
尽管样本量有限，尤其是经活检证实的病例较少，但结果仍强烈支持该系统的潜在临床价值。安全性与图像采集过程均较为简便，未报告不良事件。
专家点评
烧伤深度评估是烧伤救治中的基础环节，但也具有相当挑战性。主观性的临床检查可能存在不一致和不统一，从而导致治疗方案差异。将经 AI 解析的定量超声数据纳入评估流程，是弥补这一临床空白的有前景路径。
AMBUSH-AI 体现了人工智能在外科诊断中的转化应用，即借助多模态影像提高准确性并降低观察者间差异。采用经 FDA 批准的影像技术也增强了其监管可行性。然而，要验证其在不同患者群体及不同烧伤病因中的普适性，仍需进一步开展大规模、多中心验证研究。
此外，将其整合至临床工作流程并对医务人员进行图像采集培训，将是推动应用的关键。该 AI 系统具备可解释性，这一点值得肯定，因为它有助于建立临床信任并促进协同决策。
结论
AMBUSH-AI 系统将超声影像与 AI 解析相结合，在烧伤创面深度评估中实现了较高准确率，代表了烧伤诊断领域的一项创新进展。这一技术有望带来更及时、更恰当的手术干预，最终改善患者结局。后续研究应聚焦于扩大验证队列、优化 AI 模型，并探索其在真实世界临床场景中的整合应用。
若能广泛实施，该技术有潜力成为无创、客观烧伤深度诊断的新标准。
资金来源与试验注册
原文未提供资金来源及临床试验注册相关信息。
参考文献
El Masry M, Rahman MM, Gnyawali SC, et al. Automated Noninvasive Burn Diagnostic System for Health Care Using Artificial Intelligence: AMBUSH-AI. Ann Surg. 2026 Feb 19;284(2):296-304. PMID: 41709317.
Hettiaratchy S, Papini R. Initial management of a major burn: II—assessment and resuscitation. BMJ. 2004 Jul 3;329(7457):101-3.
Chao JD, Chen D, Tong M, et al. Advances in burn wound diagnosis and monitoring with noninvasive imaging: A review. Burns. 2020 Mar;46(2):268-279.
Phan TT, Goh CL. Evidence-based non-invasive evaluation of burn depth. Burns. 2011 Jan;37(1):2-10.
Duong M, Hassan A, Sarntivijai S, et al. Explainable artificial intelligence for medical image interpretation: recent advances and future perspectives. J Med Syst. 2023 Apr;47(5):35.
本文在创作过程中使用了包括 AI 在内的多种编辑工具，并在发布前经人工编辑审核。