基于动态视频深度学习的单侧声带麻痹自动诊断模型开发与验证

本研究针对单侧声带麻痹(UVFP)临床诊断依赖主观评估的痛点，开发了整合图像与视频分析的深度学习(DL)系统。通过分析500例患者的2639段喉部视频内窥镜数据，研究团队构建的多任务学习(MTL)模型在UVFP检测准确率达99%，较静态图像模型显著提升了对麻痹侧别和类型的判别能力，为喉部运动障碍提供首个可量化动态特征的辅助诊断工具。

　　

在嗓音医学领域，单侧声带麻痹(Unilateral Vocal Fold Paralysis, UVFP)是导致发声障碍和呼吸困难的常见疾病，临床诊断主要依赖医生对喉镜视频中声带运动的主观评估。这种传统方法存在明显局限：不同医师间判断标准不一，早期细微运动异常易被忽视，且缺乏量化评估手段。更棘手的是，现有基于静态图像的AI诊断系统虽能识别UVFP存在与否，却难以准确判断麻痹侧别（左/右）和类型（正中/旁正中/外侧位），而这些信息恰恰是制定嗓音康复方案的关键依据。

针对这一临床痛点，汉阳大学人工智能系与首尔大学医学院的联合研究团队在《Scientific Reports》发表创新成果。研究人员开发了首个能同时完成UVFP检测、侧别判定和类型分类的深度学习系统，其核心突破在于采用视频分析捕捉声带动态特征。通过分析喉部视频内窥镜记录的连续运动画面，该系统实现了对声带麻痹多维特征的自动化解读，为临床决策提供了客观量化工具。

研究采用三大关键技术：1）构建含500例患者2639个视频片段的数据集，涵盖正常与各类UVFP动态影像；2）设计多任务学习框架，共享3D卷积神经网络（如TimeSFormer）提取的时空特征，同步优化三个诊断任务；3）应用梯度加权类激活映射(Grad-CAM)实现模型决策可视化。所有实验均采用患者级别的五折交叉验证确保可靠性。

【数据特征】
研究数据集来自汉阳大学医院2013-2019年的临床记录，包含300例正常和200例UVFP患者。通过水平翻转技术平衡侧别数据后，最终获得811个正常声带视频片段和1828个UVFP片段（含原始与翻转数据）。UVFP组中82%为右侧麻痹，类型分布为旁正中位27.5%、正中位35.5%、外侧位37%。

【模型架构】
系统采用"共享主干+任务专用头"的创新设计：3D视频主干网络（对比测试C3D、I3D等7种架构）提取时空特征，三个分类头分别处理不同层级的诊断任务。损失函数采用加权交叉熵，对最复杂的麻痹类型分类任务（Task 3）赋予最高权重0.5。这种设计既保证各任务专用性，又通过特征共享提升数据利用率。

【性能验证】
静态图像模型（ResNet18/34）在基础诊断任务（Task 1）达98%准确率，但在侧别判定（Task 2）和类型分类（Task 3）仅65%和50%准确率，证实静态分析的局限性。视频模型则全面超越：最佳架构TimeSFormer在MTL模式下，三项任务准确率分别达99.42%、99.13%和95.04%，AUC值均超0.99。多任务学习带来显著增益，如I3D主干在Task 3的准确率提升达9.03%。

【机制解释】
Grad-CAM热图显示模型能聚焦声带关键运动区域：

正常声带注意力均匀分布，而UVFP病例中模型会强化关注麻痹对侧的杓状软骨区域，这种特征与临床经验高度吻合。

该研究开创性地将视频深度学习引入UVFP诊断领域，其核心价值体现在三个方面：首先，突破静态图像分析的局限，通过3D卷积捕捉声带运动时空特征，使AI系统首次具备全面评估麻痹动态特征的能力；其次，多任务学习框架模拟临床诊断思维，将复杂判断分解为层次化任务，在保持高灵敏度的同时实现精细分类；最后，Grad-CAM可视化技术建立人机互信，帮助临床医生理解AI决策依据。

研究也存在若干局限：单中心回顾性数据可能影响模型泛化能力，未纳入声带轻瘫等临界病例，且缺乏与资深医师的平行对照。未来研究可通过多中心前瞻性验证、增加罕见麻痹类型样本、开发实时分析功能等方向持续优化。这项成果标志着嗓音疾病诊断向客观化、量化评估迈出关键一步，为AI辅助喉科诊疗树立了新范式。