AI 系统依托浙大二院大数据与术前CT影像，快速完成瓣膜多维度分析与测量，自动测算出瓣膜等效直径为 22.61mm，测量误差极小。系统基于美敦力Evolut瓣膜标准生成四套手术方案，涵盖20mm球囊预扩+26mm瓣膜、23mm瓣膜的高放与低放组合，重点对冠脉风险、瓣周漏、房室传导阻滞及瓣膜释放形态进行虚拟预判。结果显示，26mm与23mm瓣膜冠脉风险均为中低水平，无明显瓣周漏风险，传导阻滞风险差异无临床意义，AI综合判断23mm瓣膜深放形态最优、释放更顺畅，而26mm瓣膜高放易出现受压、操作难度更高。

实际术中先行20mm球囊预扩张，以改善钙化瓣叶顺应性及评估释放条件；随后植入26mm Evolut自膨式瓣膜，采用高位释放策略以优化瓣膜定位与锚定稳定性，因瓣膜受压严重，术中历经5次定位调整并进行20mm球囊后扩张才完成植入，术后造影及超声提示瓣膜位置良好，无明显瓣周漏，冠脉血流通畅，手术效果满意。

对比手术最终释放形态，与AI预测结果高度吻合。现场专家对AI的分析形态表达高度认可，但也提出“AI是否能预知到此病例需要进行5次释放？”，希望未来AI能进化到预测手术的方方面面，给予临床更多支持。

“AI 测量高效快捷，对瓣膜受压、释放难度的提前预警极具临床参考意义，能有效降低术中预判风险”。

第二回合

病例速览

针对该例重度钙化病变，专家讨论聚焦在“预处理是否充分”。有专家提出，需先改善瓣叶开放条件，否则将影响后续释放效果，倾向先行20 mm球囊预扩，并通过扩张反馈评估瓣环顺应性。在瓣膜选择上，讨论认为在当前解剖条件下，26 mm Evolut PRO自膨式瓣膜能够兼顾支撑与贴壁效果。

聚焦复杂钙化瓣膜病变，AI系统快速测量出瓣环周长90.53mm、直径28.82mm，与人工测量结果高度接近。系统提供20mm球囊预扩下29mm瓣膜深放、高放，26mm瓣膜高放、23mm瓣膜高放四套模拟方案，评估指出26mm瓣膜膨胀表现优于29mm瓣膜，29mm瓣膜高放易出现下滑、局部凹陷，回收时存在打折风险，仅适合深放并需后扩，同时预测29mm与26mm瓣膜存在轻微瓣周漏，23mm瓣膜漏风险更高，提示26mm瓣膜高放更为稳妥。

临床最终采用20mm球囊预扩 + 26mm瓣膜方案，先用20 mm球囊预扩张以改善重度钙化瓣叶开放条件，随后植入26 mm Evolut PRO自膨式瓣膜。术前跨瓣压差约100 mmHg，术后降至8 mmHg，血流动力学改善显著，手术效果满意。瓣膜释放后压缩明显，需行后扩张，术后出现轻度瓣周漏——与AI预测的“26mm瓣膜存在轻微瓣周漏”完全一致。

“AI对瓣膜打折、凹陷、漏风险的判断精准可靠，虽然球囊模拟还有优化空间，但辅助决策价值已经非常明确。”

第三回合

病例速览

围绕大瓣环合并重度钙化的解剖特点，专家讨论重点锁定于瓣膜锚定与释放稳定性。有观点指出需优先确保径向支撑力，倾向选用Evolut PRO 34 mm瓣膜以增强贴壁效果。预处理环节，建议应用20 mm球囊预扩，改善瓣叶活动度并评估瓣环扩张反应；术中强调把控操作节奏，避免过度扰动。若术后仍存在贴壁欠佳或微量瓣周漏，再以29 mm球囊后扩优化最终结果。

AI 通过3D影像还原判定该病例为Type 1型瓣膜，提示导丝跨瓣存在一定难度，并测量瓣环周长31.28mm，生成34mm瓣膜高放、29mm瓣膜高放、26mm瓣膜高放与深放四套方案。系统明确判定34mm瓣膜完全无法打开，释放过程极不稳定，易出现滑落或弹出，直接排除该选型；29mm瓣膜膨胀受限，需后扩处理；26mm瓣膜深放形态最优、膨胀率达标，三类方案均无明显瓣周漏、冠脉风险中等、无传导阻滞风险，优先推荐26mm瓣膜，29mm瓣膜作为备选。

实际手术中，术者采用20 mm球囊进行预扩张，以改善钙化瓣叶开放及评估扩张反应；根据大瓣环解剖特点，先尝试了34mm瓣膜，形态不佳，迅速更换为29mm瓣膜。因患者存在风湿性改变，瓣膜易下滑，经29 mm球囊后扩张，以实现充分锚定与贴合。后扩后压差达标，手术效果良好。AI对“34mm瓣膜不稳定性、29mm瓣膜膨胀受限”的预判，与术中实际情况完全匹配。

“AI或可提前排除高危瓣膜选型，大幅减少术中试错次数，降低手术操作风险，为复杂病例策略制定提供关键依据。”

“若AI给出手术建议，术中一旦出现并发症，最终责任仍由医生承担，AI无法担负主体责任。”

“我的定位是‘提供建议的助手’，只输出方案与风险提示，不替代医生做最终判断。医生拥有采纳或否决的决定权。我的价值在于：帮医生排除错误选项、降低预判风险，而非主导决策。”

“当前AI主要基于术前影像分析，难以应对术中解剖变化、瓣膜移位、扩张不良等突发情况，更无法直接参与手术操作，存在“纸上谈兵”的局限。”

“现阶段，我的核心优势是术前精准分析，可全面摸清患者瓣环大小、钙化程度、瓣膜形态，提前‘排雷’。同时，术中实时影像分析技术正在快速迭代，未来可实现数据秒级处理与风险提示，作为术中‘实时参考系统’支撑医生快速调整策略，而非替代医生动手操作。”

“长期依赖AI，会让新手医生缺少独立判断、处理危机的经验积累。一旦遇到AI未覆盖的复杂情况，将难以应对。”

“这就像学骑车配辅助轮——AI辅助不是让医生‘躺平’，而是在安全边界内帮助新手建立规范思维、快速积累经验，降低早期手术风险。医生在使用AI的过程中，仍需主动理解数据逻辑、吸收决策思路，逐步形成独立判断能力。我是‘经验放大器’，而非‘能力替代者’。”

本次会议不仅覆盖了深度学习在影像判读、风险预警、辅助诊断中的成熟应用，也展望了AI在瓣膜疾病动态监测、个体化干预、手术规划及智能随访等领域的前瞻方向。三例病例，三轮对照，一场辩论，一个共识逐渐清晰：AI的角色不是替代者，而是将医生的认知边界向前推进的协同者。当算法与经验彼此成就，人机协同便不止于效率的提升——它指向的，是一个更安全、更精准的医疗未来。