基于YOLO算法在气管插管中精确识别关键解剖目标的应用

《Journal of Medical and Biological Engineering》：Application of YOLO-Based for Precise Identification of Critical Anatomical Targets in Tracheal Intubation

视频喉镜技术用于评估困难插管，通过7名医师的真人模型图像训练YOLOv7模型，在离群交叉验证下达到92%以上的精确率和召回率。去除欠曝光图像提升性能，但标记非目标区域导致气管插管与套管外观混淆，未来需结合时序图像优化。

　　

摘要

目的

气管插管技能对医疗专业人员至关重要。在插管遇到困难时，建议使用视频喉镜。临床实践正从传统的直接喉镜转向视频喉镜。然而，这两种方法之间的难度评估系统的兼容性尚未得到验证。本文使用视频喉镜（VLS）图像训练模型，以识别关键的气管插管目标。

方法

数据集包含7位临床主治医生在模拟人身上进行插管操作的图像。其中7个关键插管目标已被标记。模型训练使用了YOLOv7算法，并通过留一法交叉验证进行评估。

结果

该模型的精确度（Precision）、召回率（Recall）和F1分数分别为92.19%±3.88%、92.16%±2.31%和92.17%±3.01%。

结论

测试了三种模型训练方法。去除曝光不足的图像提高了模型性能。将未标记区域标记为“非目标”区域（nonTarget）有助于识别关键目标，但会导致插管管子和导出管外观之间的混淆，从而降低召回率。未来研究可以通过对连续图像序列进行时间排序来解决这一问题。