美国麻省理工学院（MIT）研究团队发布名为xvr的人工智能技术，该系统能在数秒内以亚毫米级精度将术中二维X光图像与术前三维医学扫描进行自动对齐。该技术旨在解决微创手术中实时影像导航的难题，有望提升导管、内窥镜等器械的定位准确性。
传统微创手术依赖实时X光观察，但平面影像难以直接反映三维解剖空间，医生需手动将X光与术前CT或MRI注册匹配。该过程耗时且高度依赖经验，而现有通用AI模型因人体解剖结构差异大、高质量标注数据稀缺，难以在不同患者和器官间保持稳定精度。为此，研究团队放弃“单一通用模型”思路，转而采用针对每位患者单独适配的策略。
xvr的核心机制基于物理模拟。系统读取患者术前三维扫描后，以每秒近1000张的速度生成多角度的合成X光图像，确保数据真实还原术中可能观测到的投影效果。物理仿真有效降低了纯生成式AI常见的“幻觉”风险。为兼顾临床时效性，团队利用超2000例全身体扫描数据预训练了一个基础模型，使其在接收新患者数据后仅需约5分钟即可完成个性化适配，远快于从零训练所需的12小时。
研究团队使用涵盖5家医院的真实二维至三维影像注册数据集对xvr进行了测试，覆盖多种骨骼系统、内脏器官以及成人与儿科患者。结果显示，该方法在精度与鲁棒性上显著优于现有AI方案，优势幅度达一个数量级。模型适配与注册耗时处于可与急诊手术兼容的范围，但研究人员强调，当前结果尚未达到常规临床应用的审批标准。
在临床前景方面，更精准的导航有望降低特定急救手术（如脑卒中介入治疗）的操作门槛，使更多远离医疗中心的医院具备实施条件。该技术可为手术机器人提供可靠的影像-解剖对应关系。目前，团队正与多家手术机器人企业及临床机构合作，致力于加速算法以实现实时运行，并在更复杂的手术场景中验证其可靠性与动态追踪能力，具体落地时间表尚未明确。
该项研究由麻省理工学院计算机科学及人工智能实验室（CSAIL）医疗视觉组主导，Vivek Gopalakrishnan与Polina Golland为主要作者，多位哈佛医学院及附属医院的临床专家参与。相关论文《Rapid patient-specific neural networks for X-ray to volume registration》已于2026年9月16日发表于《自然》（Nature）期刊。研究获美国国立卫生研究院（NIH）、MIT-CSAIL-Wistron计划、MIT-IBM计算研究实验室、MIT Jameel诊所等多项资金支持。