深度学习助力鼻咽内镜解剖部位识别：提升临床诊断新突破

为解决鼻咽内镜图像解剖部位识别难题，研究人员开展深度学习研究，成果超 98% 准确率，助力临床。

　　鼻咽内镜检查在鼻咽疾病诊断中至关重要，对鼻咽内镜图像中解剖部位的自动识别，对于提高临床诊断准确性、提升操作精度以及减少对手工判读的依赖意义重大。研究人员提出了一种用于鼻咽内镜图像中解剖部位自动识别的深度学习框架，该框架集成了挤压激励（SE）模块，通过优化特征提取来增强类间相似性并降低类内变异性。为应对训练过程中的类别不平衡挑战，研究采用自适应焦点损失，动态优先处理较难分类的样本，从而提高模型在细微或模糊解剖特征上的稳健性和性能。

研究使用了一个包含 4000 张鼻咽内镜图像的自定义数据集进行评估，这些图像标注了鼻腔、鼻咽、口咽、下咽、喉部和口腔六个区域的 20 个不同解剖部位。在评估的五种主流骨干架构中，ResNet-50 表现最佳，达到了最先进的指标，准确率、召回率、精确率和 F1 分数分别为 98.62%、98.68%、98.62% 和 98.63%。这些结果突显了该方法有效识别复杂解剖部位的能力，表明其在临床环境中增强诊断和操作支持的潜力。

该深度学习框架成功解决了鼻咽内镜图像解剖部位识别中类间相似性、类内变异性和类别不平衡的挑战。以 ResNet-50 为骨干网络，在涵盖 20 个解剖部位的 4000 张图像数据集上实现了超过 98% 的准确率、召回率、精确率和 F1 分数。这些成果展示了模型的稳健性，以及其在提高诊断准确性和临床工作流程效率方面的潜力。