人工智能辅助视频喉镜下婴幼儿气管插管系统的开发与应用

本研究针对婴幼儿视频喉镜气管插管中喉部结构识别困难的问题，开发了一种基于YOLOv8n的AI辅助模型。该模型可识别声门开口（vocal cord）和杓状软骨（arytenoid portion），验证集灵敏度0.74、特异性0.99、AUC 0.91。研究首次实现婴幼儿喉部多结构同步检测，虽存在食管误识别（esophageal misidentification）等局限，但为提升插管安全性提供了新思路，成果发表于《Journal of Clinical Anesthesia》。

　　

气管插管是抢救危重患儿的关键操作，但婴幼儿的喉部解剖结构微小且易被遮挡，传统视频喉镜中7%的病例仅能观察到杓状软骨（arytenoid）或会厌（epiglottis）。更棘手的是，婴幼儿功能性残气量（functional residual capacity）小，插管失败导致的缺氧风险显著高于成人。尽管AirwayScope等设备通过中心标记引导提升了新手操作成功率，但Riva等研究发现，婴幼儿插管失败率仍居高不下。

为解决这一临床痛点，岐阜县综合医疗中心的研究团队开发了首个专注于婴幼儿喉部多结构识别的AI模型。研究从653段临床视频中提取1197帧图像训练YOLOv8n算法，创新性地将杓状软骨纳入检测靶点。测试阶段采用间隔150帧抽样的方法，确保数据代表性。值得注意的是，团队特别关注了心脏手术（cardiac surgeries）等高风险场景下的模型表现。

关键技术方面，研究采用三阶段验证：首先通过迁移学习（transfer learning）优化目标检测，随后用399张独立测试图像评估模型性能，最终实现实时检测。数据标注由经验丰富的麻醉医师完成，确保金标准可靠性。

【Results】
• 喉部识别性能：模型在验证集的平均精度（mAP₅₀）达0.98-0.99，但实际测试中灵敏度降至0.74，反映临床复杂场景的挑战。
• 结构特异性检测：对声门开口（vc）和杓状软骨的识别准确率显著高于食管（es），但分泌物遮挡会导致漏诊。
• 实时应用验证：在全身麻醉病例中成功实现aw（airway）、vc、es的实时标注，验证了临床可行性。

【讨论与结论】
该研究的突破性在于首次将AI应用于婴幼儿喉部多结构同步识别，特别是对仅显露杓状软骨的困难病例仍保持检测能力。模型采用轻量级YOLOv8n架构，适合手术室边缘计算部署。但需警惕的是，食管误识别率虽低（特异性0.99），一旦发生可能导致灾难性后果，这与Majeedi等报道的成人研究结果形成对比，反映婴幼儿解剖的特殊性。

研究团队建议后续应结合多模态数据（如呼吸波形）提升模型鲁棒性，并开发障碍物识别模块。这项发表于《Journal of Clinical Anesthesia》的成果，为智能辅助插管系统在儿科麻醉中的应用奠定了重要基础，尤其对提升低年资医师操作安全性具有显著价值。