编辑推荐：
在耳鼻喉头颈外科（OHNS）中，人工智能（AI）临床验证研究匮乏。研究人员开展了 OHNS 深度学习研究的范围综述，发现近 444 项研究多为概念验证阶段，缺乏临床验证。该研究为推动 OHNS 领域 AI 临床应用提供了方向。
在医疗领域，人工智能（AI）技术本有望大放异彩，为医生提供更精准高效的诊疗支持，尤其是在耳鼻喉头颈外科（OHNS）。OHNS 临床实践中积累了大量如影像、音频、视频等半结构化数据，为 AI 分析创造了绝佳条件，相关概念验证研究也不断涌现。然而，现实却不尽如人意。如今，耳鼻喉科医生在临床工作中使用的 AI 工具寥寥无几，且大多并非专为 OHNS 定制。截至 2024 年 8 月 7 日，在 950 个 FDA 批准的 AI / 机器学习医疗设备中，仅有两款是针对 OHNS 开发的。这一巨大落差被称为医疗领域的 “AI 鸿沟”，而 OHNS 领域的 “AI 鸿沟” 似乎格外深。临床验证研究对于 AI 工具转化至临床应用至关重要，却可能是 OHNS 领域 AI 研究的短板。为探究这一现象，来自斯坦福大学和约翰霍普金斯大学的研究人员开展了一项关于 OHNS 中深度学习研究的范围综述，相关成果发表在《npj Digital Medicine》上。
研究人员主要采用了文献检索与筛选、数据提取与分析的技术方法。他们依据 PRISMA 扩展的范围综述指南，与研究馆员合作制定检索策略，在 MEDLINE、EMBASE 和 Web of Science 数据库中进行检索。筛选出符合标准的研究后，提取相关数据，并按照 AI 在医疗领域的发展阶段等标准进行分类分析。
研究结果如下：
- 研究的时空分布：在 2012 - 2022 年这 10 年间，OHNS 领域深度学习相关出版物数量呈指数级增长，从 2012 年的 0 篇增至 2022 年的 105 篇。作者所属机构遍布 48 个国家，美国、中国和韩国的发文量位居前列。
- 研究的多维度特征：从亚专业来看，耳科学和神经耳科学（包括听力学）相关研究最多，占 28%。从应用目的而言，56% 的 AI 应用旨在扩展医疗服务提供者的能力，30% 用于疾病筛查。在数据类型方面，非放射学（36%）和放射学（19%）图像是 AI 模型分析的主要数据。卷积神经网络（CNN）模型是最常用的深度学习模型类型。
- 研究的成熟度与规范度：在研究阶段上，几乎所有研究（99.3%）都处于计算机模拟概念验证阶段，仅有 3 项（0.7%）进入离线验证阶段，尚无临床验证研究。在报告指南使用上，仅有 24 项研究（5.4%）遵循相关指南，且使用的指南种类繁多，以诊断准确性研究报告标准（STARD）为主（2.9%）。在验证方法上，单机构和回顾性验证方法应用最多，前瞻性评估较少，部分研究的验证方法存在缺陷，限制了模型泛化性评估。此外，仅有 9.2% 的研究尝试解释 AI 模型，最常用的方法是梯度加权类激活映射（Grad - CAM）（3%）和类激活映射（CAM）（2%）。
研究结论和讨论部分指出，OHNS 领域的 AI 鸿沟显著，缺乏临床验证研究严重阻碍了 AI 在该领域的临床应用发展。为跨越这一鸿沟，研究人员提出多项建议：一是聚焦低复杂度、低风险任务，如自动化常规任务和分流工作流程，而非仅关注诊断应用；二是严格遵循 AI 预测工具的报告指南，提高研究的标准化和可靠性；三是优先开展 AI 应用的临床验证，采用基于机构的局部验证替代外部验证，并利用联邦学习和群体学习等框架解决数据共享问题；四是重视 OHNS 数据集的 “ground truth” 标签准确性，避免模糊精细诊断类别影响模型预测。尽管该研究存在一定局限性，如检索词设计导致部分研究遗漏、数据提取存在主观性等，但它首次全面审视了 OHNS 领域的深度学习应用，为后续研究指明了方向。若能成功推动 AI 技术在 OHNS 领域的临床转化，有望为更广泛的医疗领域提供借鉴，助力跨越 AI 鸿沟，实现 AI 技术在医疗行业的真正价值。
