基于深度学习的长时程高分辨率测压检查：提升吞咽事件检测与聚类分析的准确性与临床可行性

《Communications Medicine》：A deep learning-based approach to enhance accuracy and feasibility of long-term high-resolution manometry examinations

为解决长时程高分辨率测压(LTHRM)数据量大、人工分析耗时且易出错的问题，研究人员开发了基于深度学习的自动吞咽事件检测与聚类方法。该研究在包含23,000余次吞咽事件的数据集上实现了94.07%的召回率，并通过聚类分析将类似事件分组，显著提升了临床诊断效率。

　　

随着人口老龄化加剧，良性食管疾病带来的健康和社会经济挑战日益显著。其中，吞咽障碍（dysphagia）作为一种随着年龄增长而愈发普遍的病症，给患者和医疗系统带来了沉重负担。虽然胃食管反流病等疾病已获得广泛关注，但吞咽障碍——可能源于口腔、咽部或食管阶段吞咽功能受损——仍然是一个研究相对不足的领域。

目前，高分辨率测压（HRM）是诊断食管动力障碍的金标准。传统的HRM检查通常在受控的实验室环境下进行，遵循芝加哥分类4.0（CC4.0）的标准吞咽方案，但有限的检测时间往往无法捕捉到间歇性异常。长时程高分辨率测压（LTHRM）通过长达24小时的监测，能够更全面地反映患者的吞咽行为，但产生的数据量极其庞大。每个检查可能包含超过1000次吞咽事件，医疗专家需要耗费多达三天时间进行人工分析，这种繁重的工作流程严重限制了LTHRM在临床中的广泛应用。

针对这一挑战，Technical University of Munich的研究团队在《Communications Medicine》上发表了一项创新研究，提出了一种基于深度学习的自动化分析方法。该方法通过两个关键步骤显著提升了LTHRM检查的准确性和可行性：首先使用卷积神经网络（CNN）自动检测吞咽事件，然后通过聚类算法将类似事件分组，使临床医生能够专注于少数代表性吞咽模式，而非手动审查数千个独立事件。

研究团队开发的技术方法主要包括：使用预训练的CNN模型（包括MobileNet、GoogLeNet、EfficientNet和RegNet）进行吞咽事件检测，采用滑动窗口法对整段LTHRM序列进行分析；通过变化滤波器预处理数据后，使用聚合聚类和动态时间规整（DTW）等算法对检测到的吞咽事件进行分层聚类。研究基于25例LTHRM检查数据（包含超过23,000次专家标记的吞咽事件）进行5折交叉验证，所有数据均来自慕尼黑大学医院右岸分院，经伦理委员会批准（No. 135/19S）并获得患者知情同意。

吞咽检测结果

研究表明，基于MobileNet的深度学习检测方法在所有评估指标中均表现最佳，精确度达86.13%，召回率为94.07%，F1分数为89.57%，显著优于非机器学习基线（精确度29.58%，召回率76.70%）和商业软件ViMeDat（精确度85.73%，召回率54.18%）。这种性能优势在不同窗口大小（d=100,400,800）的设置下均保持稳定，证明了方法的鲁棒性。

Method

Precision(%)

Recall(%)

F1-Score(%)

Non-ML Baseline

29.58±6.46

76.70±9.77

38.70±7.10

ViMeDat

85.73±4.49

54.18±15.86

61.59±16.19

Ours

86.13±2.98

94.07±2.46

89.57±2.59

相似事件聚类

聚类分析结果显示，该方法能够将吞咽事件有效分组，形成有医学意义的类别。通过t-SNE（t-distributed Stochastic Neighbor Embedding）可视化可以观察到，同一簇的样本在二维空间中形成明显分离的 cohesive 群体。对距离簇中心最远样本的医学评估证实，聚类结果没有丢失临床上重要的吞咽事件，所有特殊病例均被适当归类。

评估研究结果

针对6名经验丰富的医疗专家进行的用户研究表明，AI辅助方法将平均评估时间从488秒显著减少至179秒，而诊断准确率（平均4.8个正确答案）与传统方法相当。NASA TLX（Task Load Index）工作量评估显示，大多数用户在使用AI方法时感知的工作负荷有所降低（从26.7降至26.0），尽管对新工具的熟悉度影响了诊断信心（从1.5降至0.8），这突出了用户体验优化的重要性。

研究结论强调，这种吞咽检测与聚类相结合的方法为LTHRM数据的自动化评估提供了可行方案，不仅大幅提升了分析效率，还通过标准化分析流程减少了观察者间变异性的影响。未来研究方向包括改进用户界面以增强用户体验，扩展数据集以提高算法的泛化能力，以及开发吞咽事件的自动分类功能，进一步推动食管动力障碍诊断的精准医疗发展。

该研究的创新之处在于首次实现了LTHRM数据的全自动分析流程，克服了传统方法对解剖标志手动标注的依赖，为临床提供了更可靠、高效的工具。随着数字健康解决方案的日益普及，这种方法有望成为其他医学诊断领域的典范，展示人工智能在改善罕见病和复杂疾病诊疗策略方面的巨大潜力。