AI机器人真能做心脏手术了？医生与机器如何分工？

AI超声机器人进了心脏手术室，它究竟学会了什么？

一台机器人参与了心脏手术，和一台机器人独立完成心脏手术，听起来只差几个字，背后的技术能力却差着好几道关。

最近清华团队的AI超声机器人引发关注，就很适合拿来解释这件事。根据清华大学自动化系2026年9月10日发布的消息，9月5日，解放军总医院完成了一例AI超声机器人引导下的先天性心脏病介入封堵术。机器人承担自主扫查、识别和持续跟踪缺损位置的工作，手术团队选择封堵器并完成植入

这次进展发生在手术的影像导航环节。理解这一点，才能看清它的价值，也才能避免把“自主成像”误读成“自主治疗”。

患者是一名48岁男性，患有房间隔缺损，也就是左右心房之间的间隔存在异常开口。报道提到，他的缺损边缘条件不佳，介入治疗面临困难。最终，医生在机器人提供的超声导航下完成封堵，报道记录的手术用时为25分钟。

读到这里，我更关心的是：为什么拿稳一枚超声探头，也值得被当作一次AI进步来讨论？

做过B超的人，大概都记得医生手上的动作。探头贴着皮肤移动，停一下，转一个角度，有时还要调整按压的力度。屏幕上的画面也跟着变化。

超声利用声波及其返回的回声形成身体内部的图像，还能为介入操作提供实时影像。美国国立生物医学成像与生物工程研究所的科普资料就介绍了超声用于观察导管位置、辅助微创手术的用途。

因此，超声检查有一个容易被忽略的特点：操作者一边获取信息，一边决定下一步怎样获取信息。

目标偏出画面，要调整探头；当前角度看不清，就得换角度。调整以后，还要根据新的图像继续判断。患者的体型、组织结构和呼吸，又让这套动作很难变成一条固定不变的路线。

对机器人来说，“识别画面里有什么”只是其中一项任务。它还得把判断变成动作，再观察这个动作是否带来了需要的画面。工程上把这种不断利用反馈修正动作的过程称为闭环控制。放到这里，可以理解为：看一眼、动一下，再看一眼、再调整。

清华团队此前发表的颈动脉研究，提供了一个具体例子。2025年8月23日，《自然·通讯》发表了UltraBot相关论文，研究人员利用专家操作示范训练系统，让模型学习超声图像与探头调整动作之间的关系。这类向示范学习操作策略的方法，叫作模仿学习。

有几个数字，需要连着它们的含义一起看：

论文中的数据	实际含义
247,297对样本	超声图像与专家扫查动作的配对数据
81名志愿者	训练与验证数据来自这些参与者
41名志愿者	用于测试，未参与训练数据采集
各阶段成功率均超过90.2%	每人最多进行3次试验条件下的阶段指标，并非心脏手术成功率

以上数据均来自论文的方法与结果部分。

这里最容易产生的误会，是把约24.7万对样本理解成研究过24.7万名患者。一个人的一次连续扫查，就能产生很多图像与动作记录。样本数量和参与人数回答的是不同问题：前者说明有多少学习材料，后者帮助我们判断这些材料覆盖了多少真实个体。

同样，测试对象没有参与训练，是值得关注的设计；但41人的测试，也不能直接回答系统能否适应所有医院、所有设备和所有复杂患者。

还有一个范围必须分清：2025年这篇论文研究的是颈动脉超声；2026年的新闻讲的是心脏介入中的超声导航。前者有助于解释技术思路，不能把它的成功率直接搬到后者身上，更不能据此计算心脏治疗的安全性或疗效。

理解自主超声，还需要区分“遥控”与“自主”。

远程操作时，专家在另一端看图、作判断，机械臂执行专家的指令。自主扫查则把特定范围内的探头动作判断交给系统，根据实时图像选择下一步。两种方式都可能用到机械臂，差异在于动作由谁决定。《自然·通讯》论文也明确区分了人工扫查、远程操作与自主机器人扫查。

所以，判断一个机器人有多“智能”，光看它长什么样、动作有多流畅，还不够。更有用的问题是：谁在判断？系统接管了哪一步？遇到不确定情况，谁来接手？

同样的追问，也适用于新闻里的“全球首例”。清华报道给出的范围，是将AI超声机器人系统用于先天性心脏病介入封堵的临床实践。这个限定范围应该和“首例”一起保留，不能缩写成全球第一次机器人心脏手术。

25分钟这个数字也有边界。原报道没有提供同期对照组，也没有交代足以进行比较的计时细节，因此它可以描述这一个病例，不能单独证明机器人让手术普遍提速，更不能推导出风险下降了多少。

我还核对了同一事件的一篇英文报道。Interesting Engineering在正文中把机器人描述为能够沿复杂路径部署封堵器，并提到亚毫米精度；而清华的原始消息，把选择和植入封堵器的执行者写成手术团队。英文报道中的这项更强表述，在清华这篇消息里找不到对应依据。

这里无需猜测是哪一个传播环节出了问题。对于写作者，处理方法很明确：有证据支持到哪一步，就写到哪一步。导航影像支持医生植入，不能在转述中变成机器人独立植入。

这也是这条新闻对AI学习者最有用的地方。

我们经常用“AI会不会取代某个职业”来理解技术变化，但一个职业包含很多不同任务。以这次手术为例，获取影像、理解病情、选择治疗方案、操作器械、处理异常，都不能被一个“会做手术”概括过去。

我的判断是，观察AI落地，先拆解任务，比先讨论整个职业的去留更有帮助。找到需要反复观察和调整的环节，再看系统是否已经形成可靠反馈，最后看它在多少真实情境下接受过验证。这样读新闻，技术的进步会变得具体，尚未解决的问题也会显露出来。

如果继续跟踪这项技术，我更想看到的是后续病例规模、影像获取失败的情况、人工接管频率，以及在不同医疗环境中的表现。这些信息会帮助我们判断，一次成功的临床尝试，怎样逐步变成稳定可用的医疗工具。

对这次进展，准确的期待已经足够：机器人开始承担需要持续观察、判断和调整的超声工作，让医生获得实时影像支持。把这一步做扎实，本身就值得关注。

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）