银川市第一人民医院   马瑞霞

目的 本研究以鼻窦CT医学影像图像为研究对象，搭建基于深度学习的慢性鼻窦炎人工智能辅助诊断模型，探讨基于深度学习算法对4组鼻窦炎进行分类诊断的可行性，评价基于深度学习算法建立的人工智能辅助诊断模型分类诊断慢性鼻窦炎的效能。

方法 1.收集5000帧已确诊的鼻窦CT图像，将其分为正常组共1000帧（其中，上颌窦、额窦、筛窦、蝶窦正常影像图像各250帧）及异常组4000帧（其中，上颌窦炎、额窦炎、筛窦炎、蝶窦炎影像图像各1000帧），对图像进行大小归化及分割预处理。2.训练模型并对其进行仿真实验，分别得到正常组、蝶窦炎组、额窦炎组、筛窦炎组以及上颌窦炎组5个分类模型，从准确度、精确度、灵敏度、特异度、判读时间及ROC曲线下面积（AUC）6个维度，客观评价模型的分类效能。3.随机选取200帧图像，通过模型与低年资医师组、中年资医师组、高年资医师组分别阅片构成对比实验，通过以上评价指标客观评价模型的效能。

结果 1.仿真实验：整个模型的识别准确度为83.94%、精确度为89.52%、灵敏度为83.94%、特异度为95.99%，平均每帧图像判读时间为0.2 s。其中，蝶窦炎的识别精确度93.26%、灵敏度67.80%、特异度98.78%；额窦炎的识别精确度90.11%、灵敏度82.00%、特异度97.75%；筛窦炎的识别精确度80.95%、灵敏度76.90%、特异度95.48%；上颌窦炎的识别精确度93.76%、灵敏度94.60%、特异度98.43%；鼻窦CT正常的识别精确度70.09%、灵敏度98.40%、特异度89.50%。蝶窦炎的AUC为0.865（95%CI：0.849～0.881），额窦炎的AUC为0.924（0.911～0.936），筛窦炎的AUC为0.895（0.880～0.909），上颌窦炎的AUC为0.974（0.967～0.982）。2.对比实验：在识别准确度上，模型为84.52%，低年资医师组为78.5%，中年资医师组为80.5%，高年资医师组为83.5%；在识别精确度上，模型为85.67%，低年资医师组为79.72%，中年资医师组为82.67%，高年资医师组为83.66%；在识别灵敏度上，模型为84.52%，低年资医师组为78.50%，中年资医师组为80.50%，高年资医师组为83.50%；在识别特异度上，模型为96.58%，低年资医师组为94.63%，中年资医师组为95.13%，高年资医师组为95.88%；在耗时上，模型平均每帧图像为0.2 s，低年资医师组平均每帧图像为2.35 s，中年资医师组平均每帧图像为1.98 s，高年资医师组平均每帧图像为2.19 s。

结论 本研究强调了基于深度学习的慢性鼻窦炎人工智能诊断模型分类诊断慢性鼻窦炎的可能性；基于深度学习的慢性鼻窦炎人工智能诊断模型分类性能好，具有较高的诊断效能；基于深度学习的慢性鼻窦炎人工智能辅助诊断模型的诊断效能与高年资医师相当，优于中年资医师及低年资医师，耗时均显著低于不同年资医师。