在内镜图像上以人工智能辅助检测鼻癌:全国性的多中心模型开发和验证研究
Yuxuan Shi1, Zhen Li2, Li Wang1
1ENT Institute and Department of Otorhinolaryngology, Eye and ENT Hospital, Fudan University, Shanghai, China.
The Lancet. Digital health
|June 21, 2025
概括
一个新的深度学习系统,基于Swin变压器的鼻诊断 (STND) 系统,可以从内镜图像中准确检测鼻癌. 这种人工智能工具提高了诊断准确度,减少了耳鼻喉科医生的阅读时间,改善了早期发现这种可治愈的癌症.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 鼻癌 (NPC) 诊断是具有挑战性的,因为鼻的位置和类似的成像发现.
- 延迟诊断NPC导致治疗结果较差.
- 需要改进的诊断工具,在内镜检查期间检测NPC.
研究的目的:
- 开发和验证一种深度学习算法,用于区分NPC,良性增生和正常鼻.
- 评估人工智能系统对耳鼻喉科医生的诊断准确性和效率的影响.
主要方法:
- 基于Swin变压器的鼻诊断 (STND) 系统是使用27,362张内镜图像开发的.
- 该系统在1885张前图像上进行了内部验证和外部验证.
- 一个多读者,多案例研究评估了有或没有人工智能辅助的诊断性能.
主要成果:
- 在内部数据集中,STND实现了0.99的AUC,用于区分正常与异常的鼻图像,以及0.99的恶性与非恶性图像.
- 外部验证显示,NPC检测的AUC为0.95,敏感度为91.6%,特异性为86.1%.
- 人工智能辅助提高了诊断准确率7.9% (83.4%至91.2%) 并减少了耳鼻喉科医生的阅读时间.
结论:
- 深度学习STND系统展示了通过内镜图像进行实际NPC诊断的显著临床潜力.
- 人工智能系统可以提高特异性,减少不必要的活检,并尽量减少初级保健机构错过的诊断.
- STND系统为医院广泛采用提供了巨大的好处,以提高NPC检测率.
