编辑推荐：
慢性鼻窦炎（CRS）诊断依赖鼻窦 CT 及 Lund–Mackay 评分（LMS），但人工评分耗时且缺乏标准化。研究人员开发基于卷积神经网络（CNN）的算法自动计算 LMS。该模型分割鼻窦准确性高，LMS 计算精度高，有望标准化 CT 报告，助力 CRS 诊疗。
在健康医学领域，慢性鼻窦炎（Chronic rhinosinusitis，CRS）就像一个隐藏在人们鼻腔深处的 “小恶魔”，悄无声息地影响着全球 5 - 12% 人群的生活质量。它带来的鼻塞、面部疼痛、流涕以及嗅觉减退或丧失等症状，不仅让患者身体不适，还严重降低了他们的生活品质，在医疗成本和工作效率方面也造成了巨大的负担。
目前，CRS 的诊断主要依靠症状、鼻内镜检查和鼻窦计算机断层扫描（CT）。其中，鼻窦 CT 在评估 CRS 的存在、范围和严重程度方面起着关键作用，而 Lund–Mackay 评分（LMS）则是衡量鼻窦疾病影像学严重程度的常用指标。然而，在实际临床应用中，LMS 评分却面临着诸多问题。一方面，手动计算 LMS 评分十分耗时，需要专业知识，这使得许多非专家难以操作，也限制了其在大规模数据集中的应用；另一方面，CT 报告中很少包含 LMS 评分，不同医疗机构之间的放射学报告质量参差不齐，缺乏标准化，严重影响了 CRS 的诊断和治疗效果。
为了解决这些难题，来自加拿大的多伦多大学（University of Toronto）、皇后大学（Queen’s University）以及伊朗的伊斯兰阿扎德大学（Islamic Azad University）等机构的研究人员，开展了一项极具意义的研究。他们旨在开发一种基于卷积神经网络（Convolutional Neural Network，CNN）的算法，实现从鼻窦 CT 扫描中自动分割鼻窦并计算 LMS 评分，为 CRS 的诊断和治疗提供更准确、客观的依据。
研究人员为开展此项研究，运用了以下关键技术方法：首先，从一家三级学术机构的放射学信息系统中收集了 1399 例门诊鼻窦 CT 扫描数据，并从中选取 77 例进行鼻窦分割。数据收集后，对图像进行归一化、调整分辨率和裁剪等预处理操作。之后，利用 2D U - Net 架构搭建鼻窦分割模型，并通过五折交叉验证进行训练和验证。对于 LMS 模型，则采用图像阈值分割和像素计数的方法来量化鼻窦阻塞程度 。
下面来看看具体的研究结果：
- 鼻窦分割结果：研究人员使用五折交叉验证评估鼻窦分割模型的性能。结果显示，除了骨鼻道复合体（Osteomeatal Complex，OMC）外，模型在所有鼻窦区域的平均 Dice 评分达到 0.85。其中，上颌窦、前筛窦、后筛窦、蝶窦和额窦的 Dice 评分分别为 0.95、0.71、0.78、0.93 和 0.86 ，而 OMC 的 Dice 评分较低，仅为 0.18。这表明模型在大多数鼻窦区域的分割准确性较高，但在 OMC 区域还存在提升空间。
- LMS 模型结果：LMS 模型在所有鼻窦区域都取得了较高的准确性，除 OMC 外，其他区域的准确率均超过 0.9。加权精度、召回率和 F1 评分也呈现出相似的趋势。这说明该模型在预测鼻窦阻塞程度方面表现可靠，能够为临床诊断提供有价值的信息。
在研究结论和讨论部分，此次研究成功训练并评估了一种基于 CNN 的鼻窦 CT 分割和 LMS 评分系统的概念验证方法。该模型能够自动分割鼻窦区域并准确计算 LMS 评分，为鼻窦 CT 报告的标准化提供了可能。虽然在筛窦和 OMC 区域的分割准确性有待提高，但 LMS 模型的出色表现为其在临床实践中的应用奠定了基础。与以往研究不同，本研究使用连续图像减少了选择偏倚，在人工智能医疗应用伦理方面具有积极意义。未来，研究人员计划纳入临床变量、增加样本量、考虑手术史等因素，进一步优化模型，并在多机构进行验证。总之，这项研究为 CRS 的诊断和治疗带来了新的希望，有望推动医疗领域在鼻窦炎诊疗方面的进步，为患者提供更精准、高效的医疗服务。
