）发表复旦大学附属眼耳鼻喉科余洪猛团队和西湖大学郑冶枫教授团队的最新研究。研究通过一项涵盖全国42所医疗机构的真实世界研究构建了“鼻咽癌内镜图像辅助检测系统”，该系统展现出显著的临床潜力。系统为在基层医院推广应用提供了重要优势，旨在提升诊断特异性、避免额外活检并减少漏诊率。
鼻咽癌是一种源自鼻咽黏膜的上皮性恶性肿瘤，具有明显的地域分布特征，70%以上的新发病例集中在中国东南部和东南亚地区[1]。鼻咽部的解剖位置较为隐蔽，且局部表现与其他鼻咽部疾病相似，这常常导致诊断困难，进而造成诊断延误或漏诊。制订鼻内镜检查标准操作规范和学习疾病典型图谱可以使医生具备基本的诊断水平，但仍无法从根源上抹平经验累积多寡带来的诊断能力差距。
深度学习技术近年来在医学影像识别中取得了广泛进展。然而，基于鼻内镜图像的AI辅助诊断研究仍相对较少，且模型的泛化性能缺乏在真实临床环境中的广泛验证。因此，作者团队开展了横跨全国24个省市42所各级医疗机构的真实世界研究，并与全国各地28名不同职称医生进行多阅片者、多病例模拟临床验证，以模拟模型在真实临床PG电子官网中的应用，论证其有效性与可靠性。
第一阶段：模型开发与内部验证。研究团队构建了一个基于Swin Transformer架构的鼻咽辅助诊断系统（STND），用于识别鼻咽癌、良性增生及正常鼻咽三类图像。模型训练使用了来自8家高发地区三级医院共27,362张鼻咽内镜图像（10,693张鼻咽癌图像、7073张良性增生图像、9596张正常图像），10%用于内部验证。第二阶段：前瞻性外部验证。为评估模型的泛化能力，研究在未参与模型开发的10家医院中前瞻性采集了1885张图像（668张鼻咽癌图像、587张良性增生图像、620张正常图像），检验STND在不同地区、不同设备和操作习惯下的鼻咽癌诊断准确率。第三阶段：多阅片者、多病例临床模拟读片实验。研究邀请了来自4家区域鼻咽癌诊疗中心的专家耳鼻喉科医生，以及来自24家基层医院的普通耳鼻喉科医生，分别对400张图像（130张癌症、125张良性增生、145张正常）进行AI辅助与非AI辅助两轮诊断，通过交叉设计评估AI对临床医生诊断能力的提升效果。
在内部验证中，STND系统识别正常与异常图像的AUC为0.99，敏感性为93.1%，特异性为98.6%；识别恶性与非恶性图像的AUC同样为0.99，敏感性为95.0%，特异性为94.7%，表现出极高的准确性。在外部验证中，模型在10家医院数据上仍保持优异表现，识别正常与异常图像的AUC为0.95，敏感性91.6%、特异性88.6%；识别恶性与非恶性图像的AUC也为0.95，敏感性91.6%、特异性86.1%，显示出良好的跨中心泛化能力。
在读片实验中，普通耳鼻喉科医生在AI辅助下表现提升显著：正常/异常识别的准确率由83.4%提升至91.2%，AUC由0.81升至0.91（p0.0001）。恶性/非恶性识别的准确率由76.0%升至84.1%，AUC由0.78升至0.86（p0.0001）。同时，诊断时间平均由6.7秒缩短至5.0秒（p=0.034）。专家医生在AI辅助下的准确率和AUC也有所提升，尤其在识别恶性病变方面，准确率提升6.2%、AUC提升0.06（均p0.05），但提升幅度略低于基层医生。此外，经验不足的基层医生在AI辅助下特异性提升更明显（+17.7%），显示AI系统对经验不足的医生帮助更大。
该研究在全国范围内开展了大样本、多中心的开发与验证，构建了“鼻咽癌内镜图像辅助检测系统”，并通过多阅片者、多病例临床模拟验证了其在真实环境中的有效性。研究表明，该系统具有显著提升基层医疗机构，尤其是年轻医生的鼻咽癌筛查能力的潜力，同时缩短诊断时间、保证准确率并减少不必要的活检，对提高公共医疗服务质量具有重要意义。END
余洪猛教授（共同通讯作者）为复旦大学附属眼耳鼻喉科医院副院长，中国医学科学院创新单元主任，主任医师，教授、博士生导师，研究领域鼻颅底肿瘤的外科治疗及创新技术研究，嗅觉障碍的机制与治疗研究及医学人工智能与手术机器人医工交叉研究。
郑冶枫教授（共同通讯作者）为西湖大PG电子官网学医疗人工智能实验室主任、IEEE Fellow，研究领域为医学人工智能与医学影像处理。
