基于多模态三维形态分析的呼吸道阻塞诊断增强方法

《International Journal of Computer Assisted Radiology and Surgery》：Enhancing airway obstruction diagnosis with multimodal 3D shape analysis

本研究针对腺样体肥大导致的鼻腔呼吸阻塞诊断难题，开发了一种基于CBCT扫描的自动化深度学习工具。通过多视角与点云表征技术融合分析三维气道形态，实现了81.88%的腺样体肥大分类准确率，为临床提供快速定量化评估方案，显著提升诊断效率与可重复性。

　　

腺样体肥大引发的鼻腔通气障碍可能导致认知缺陷、心血管风险及发育迟缓等严重健康问题。当前诊断方法如多导睡眠监测（polysomnography）和临床视觉检查存在耗时长、成本高或精度不足的局限。基于患者常备的锥形束计算机断层扫描（CBCT）数据，研究者开发了开源自动化深度学习工具，通过自动分割和处理CBCT扫描数据提取三维气道形态特征。

该方法创新性融合多视角与点云表征两种三维形态分析技术，同步捕捉气道全局结构与局部细节特征，显著提升分类与回归预测性能。研究结果显示：模型对腺样体肥大存在与否的分类准确率达81.88%，在鼻咽部气道阻塞率（nasopharynx airway obstruction ratio）预测方面也表现出优化性能。尽管模型对重度病例检测效果显著，仍需进一步优化以提升全严重程度层面的分类与回归精度。

该工具可实现快速、定量化、可重复的气道阻塞评估，有望革新临床诊疗流程，通过提升诊断效率改善患者预后。