基于卷积神经网络的喉镜图像解剖部位自动识别的研究

目的:探讨基于卷积神经网络(CNN)构建的人工智能(AI)质控系统对电子喉镜检查中的20个解剖站点的自动识别和分类情况。方法:回顾性收集中国医学科学院肿瘤医院内镜科2018年1月至12月电子喉镜检查的图像资料,采用Inception-ResNet-V2+SENet模型训练CNN。使用14 000张电子喉镜图像作为训练集,将这些图像分类到包含整个头颈部的20个具体解剖站点,并通过2000张喉镜图像和10个喉镜录像测试其性能。结果:训练后的CNN模型对每张喉镜图片识别的平均时间为(20.59±1.55) ms,对喉镜图像中20个解剖站点识别的总准确率为97.75%(1955/2000),平均敏感性、特异性、阳性预测值和阴性预测值分别为100%、99.88%、97.76%和99.88%。该模型对喉镜录像中20个解剖站点识别的准确率≥99%。结论:基于CNN的AI系统可对电子喉镜图片及录像中的解剖部位进行准确、快速的分类识别,可用于喉镜检查中照片文档的质量控制,在监督喉镜检查质量方面表现出应用潜力。