基于深度学习与鼻内窥镜图像的过敏性鼻炎定量诊断新方法

本研究针对过敏性鼻炎(AR)传统诊断方法（如皮肤点刺试验SPT和特异性IgE检测）存在侵入性、成本高且与症状相关性弱的问题，开发了一种基于鼻内窥镜图像分析的深度学习诊断模型。通过LAB色彩空间分析下鼻甲颜色分布特征，结合CNN特征提取与SVM/全连接分类器，实现了90.8%的诊断准确率，为非侵入性AR定量诊断提供了新范式。

　　

过敏性鼻炎（Allergic Rhinitis, AR）作为全球发病率持续攀升的慢性炎症性疾病，其诊断长期依赖主观症状描述或侵入性检测（如皮肤点刺试验SPT），存在准确性不足、患者耐受性差等问题。随着空气污染加剧，韩国国民健康保险数据显示AR相关医疗支出年均增长显著，亟需开发客观、非侵入的定量诊断方法。

韩国国立技术院（Kumoh National Institute of Technology）与蔚山大学医学中心的Young Joon Jun团队在《Scientific Reports》发表研究，创新性地将鼻内窥镜图像分析与深度学习相结合。通过采集46名患者（18名正常/28名AR）的92张标准化鼻内窥镜图像，研究团队建立了两大技术路径：一是基于LAB色彩空间手动标注下鼻甲区域提取直方图特征，二是采用预训练Inception v3模型自动提取RGB图像特征。通过支持向量机（SVM）和全连接神经网络（FC）分类器比较，发现CNN特征结合加权FC分类器表现最优，诊断准确率达93.1%，F1-score 0.9545。

关键技术方法包括：1）标准化采集640×480分辨率鼻内窥镜图像，统一白平衡与拍摄距离；2）LAB色彩空间下6×5网格划分下鼻甲区域，计算a/b通道直方图；3）Inception v3预训练模型提取32×32图像块的2048维特征；4）采用类权重调整与多比例数据分割（7:3/6:4/5:5）解决样本不平衡问题。

【颜色分布差异验证】
通过LAB色彩空间分析发现，AR患者下鼻甲区域a通道值≥16的像素比例显著低于正常组（p<0.05），而b通道值≤0的像素比例更高。如图7所示，这种颜色分布差异为AR的客观诊断提供了量化依据。

【特征提取方法比较】
直方图特征在SVM分类中表现优异（准确率89.66%），但需人工标注下鼻甲区域。CNN特征虽需更多数据支持，但通过全连接网络结合类权重调整后，准确率提升至93.1%，证明深度学习自动特征提取的潜力。

【模型鲁棒性验证】
采用不同训练集比例（7:3/6:4/5:5）和类权重策略验证模型稳定性。结果显示，当训练集占比达70%时，CNN+FC组合的F1-score最高（0.9545），且RGB色彩空间显著优于LAB（p<0.01）。

该研究首次证实鼻内窥镜图像的光学特征可作为AR定量诊断标志物，其重要意义在于：1）突破传统定性诊断局限，通过LAB/RGB色彩量化实现客观评估；2）相比CT/MRI等昂贵检查，鼻内窥镜更具临床普及性；3）为开发嵌入式诊断设备奠定算法基础。研究局限性包括样本量较小（92张图像）和未考虑内镜角度变异的影响，未来需通过多中心大数据和GAN数据增强进一步优化。

Young Joon Jun团队通过这项研究，为AR诊断从"经验医学"向"数字医学"转型提供了关键技术路径。随着可解释AI（XAI）技术与便携式内镜的发展，这种非侵入、低成本、高精度的诊断方法有望重塑AR临床实践指南。