编辑推荐：
声门下狭窄（SGS）评估依赖 CT 或专家目测，存在主观及辐射问题。研究人员开发支气管镜自动化评估流程，利用光照衰减分割追踪管腔并构建 3D 模型。结果与 CT 及专家评估一致，重复性可靠，还发布首个公开数据集，为精准诊疗提供新工具。
在呼吸系统疾病诊疗领域，声门下狭窄（subglottic stenosis, SGS）的精准评估一直是临床难题。这种发生在声带与气管之间气道的狭窄性病变，其严重程度通常通过气道阻塞百分比（即狭窄指数，stenosis index, SI）衡量。当前临床主要依赖 CT 扫描或支气管镜下专家视觉评估：CT 虽能提供客观数据，但频繁使用会导致患者累积辐射暴露；而支气管镜下的视觉评估或通过已知尺寸导管适配的方式，不仅主观性强、诊断一致性差，还可能因医生经验差异导致治疗策略偏差。研究表明，在 1447 例患者的评估中，53% 的病例存在严重程度误判，其中 91% 为低估。此外，缺乏公开的自动化评估方法和数据集，极大限制了相关研究的进展。
为解决上述问题，西班牙萨拉戈萨大学（Universidad de Zaragoza）与米格尔?塞尔维特大学医院（Hospital Universitario Miguel Servet）的研究团队开展了一项突破性研究。他们开发了首个基于支气管镜影像的声门下狭窄严重程度自动化评估流程，并构建了首个公开的声门下狭窄数据集（Subglottic Stenosis Dataset）。相关成果发表在《International Journal of Computer Assisted Radiology and Surgery》，为该领域提供了标准化的评估工具和研究基准。
关键技术方法
研究采用双步骤技术路线：
- 管腔分割与关键帧选择：利用内镜光照衰减特性，通过灰度图像强度阈值（<50）分割 darkest area（对应气道管腔），结合交并比（IoU）追踪器动态跟踪管腔。当追踪失败（IoU<50%）时，判定镜头通过声带到达声门下区，选定该帧为关键帧。
- 3D 重建与狭窄测量：基于关键帧，采用 LightDepth 模型（一种单视图深度自监督模型）构建气道 3D 模型。通过分割狭窄区域对应的 3D 点云，计算狭窄面积（Astenosis）与最大参考面积（Ak）的比值（PSA）及直径比值（PSD），量化狭窄程度。
研究使用 11 例患者的 16 段支气管镜视频（含 3 种支气管镜型号），部分病例匹配 CT 扫描和专家评估数据，确保数据集的临床真实性。
研究结果
1. 自动化评估的准确性与一致性
- 关键帧选择可靠性：基于光照衰减的强度分割法在所有序列中均正确选择关键帧（Correct Keyframes=100%），显著优于 SAM-based（37.5%）和 SLIC-based（25%）等基线方法。
- 狭窄测量精度：与 CT 扫描的 PSA 真值及专家 PSD 评估相比，该方法的平均绝对误差（MAE）分别为 4.84% 和 6.70%，接近手动选择关键帧的误差水平（1.21% 和 5.31%），且统计学上无显著差异（p>0.05）。
2. 数据集与重复性验证
- 首个公开基准数据集：Subglottic Stenosis Dataset 包含 16 段真实支气管镜视频，其中 5 例匹配 CT 数据，12 例有专家评估值，3 例患者（B、D、E）包含多段同病情视频，为后续研究提供了标准化资源。
- 跨序列一致性：同一患者重复评估中，PSA 差异平均 1.79%，PSD 差异 5.07%，优于专家评估的 PSD 差异（7.5%），显示出自动化方法的高重复性。
3. 与临床标准的对比与局限
研究测量参考区域为声带后最大气道面积，而临床 Myer-Cotton 分类通常取狭窄后气管面积，导致该方法对 SI 略有低估。未来需通过更多专家标注数据校准，以直接对接临床分类标准。
结论与意义
这项研究首次实现了基于支气管镜影像的声门下狭窄自动化评估，无需镜头穿越狭窄区域，避免了传统方法的主观性和辐射风险。其核心创新包括：
- 技术突破：将光照衰减特性转化为 3D 重建的监督信号，为内镜影像的几何信息提取提供了新思路。
- 临床价值：标准化测量流程可缩短诊断时间，减少 CT 使用，适用于随访监测狭窄进展，且无需额外硬件或医生培训，易于整合到现有支气管镜工作流程中。
- 研究推动：公开数据集填补了领域空白，将促进基于深度学习的自动化评估算法开发，推动精准医疗在气道狭窄领域的应用。
尽管存在参考区域差异等局限，该研究为声门下狭窄的客观评估奠定了基础，其方法论和数据集将成为未来相关研究的重要起点，有望逐步改变临床实践中依赖主观评估的现状，提升呼吸系统疾病的诊疗效率与质量。
