基于可解释极坐标光流分解的Dix–Hallpike红外视频中后半规管BPPV扭转型眼震侧别判定与异常事件时间定位

《Frontiers in Neurology》：Interpretable polar-flow decomposition for torsional nystagmus lateralization in posterior-canal BPPV

　　

目的：Dix–Hallpike试验期间出现的扭转型眼震是后半规管良性阵发性位置性眩晕（pc-BPPV）中关键的前庭眼反射（VOR）体征。研究人员开发了一种可解释框架，用于从临床红外记录中自动分类扭转型眼震方向并对异常事件进行时间定位。方法：红外Dix–Hallpike视频经You Only Look Once version 8 nano（YOLOv8n）瞳孔定位、动态虹膜掩蔽和Recurrent All-Pairs Field Transforms（RAFT）光流处理。将光流向量投影至以瞳孔为中心的极坐标，以提取切向和径向运动特征。带注意力的双向门控循环单元（BiGRU-attention）网络执行片段级三分类，并采用滑动窗口进行患者级推断。结果：五折交叉验证获得片段级准确率94.19% ± 0.88%，三类F1分数均衡。在独立45例患者长视频测试集上，患者级准确率在60帧/秒（fps）达到97.78%，在30 fps达到100%（45/45）。时间定位平均交并比（IoU）为0.899和0.896，命中率分别为96.8%和100%。结论：极流框架能够对pc-BPPV相关扭转型上跳性眼震进行生理可解释且稳健的分类。通过将眼动明确分解为切向和径向分量，该框架提供可靠侧别判定，同时展示对异常眼震事件进行临床有意义时间定位的潜力。

良性阵发性位置性眩晕（BPPV）是影响半规管-耳石系统的最常见外周前庭疾病，终生患病率约2.4%，且易复发。后半规管BPPV（pc-BPPV）占临床多数，诊断依赖Dix–Hallpike试验诱发的特征性位置性眼震。pc-BPPV典型表现为垂直上跳与扭转型混合眼震，其中扭转快速相方向对判断患侧至关重要。现有深度学习在视频眼震分析和BPPV诊断方面取得进展，例如Zhang et al.、Lim et al.、Liu et al.、Han et al.、Kong et al.、Qiu et al.等研究，但仍存在缺口：许多方法偏重检测扭转存在，而非实现平衡的左右侧别判定；常用整帧编码或“黑箱”时空模型，未按前庭眼反射（VOR）运动学显式解耦扭转与线性眼动，生理可解释性和伪影鲁棒性受限；Dix–Hallpike临床视频长，包含静息、体位诱发、眼震诱导和衰减阶段，患者级推断策略验证不足。为此，研究人员提出一种可解释深度学习框架，用单眼红外Dix–Hallpike视频自动进行pc-BPPV诊断，显式解耦扭转和径向运动。

关键技术方法（≤250字）：研究人员回顾性纳入2020—2023年温州人民医院Dix–Hallpike红外单眼左眼灰度视频，设备为G-Force Vertigo Diagnosis and Treatment System（Guoyi Huake [Tianjin] Medical Technology Group Co., Ltd., Tianjin, China），分辨率640×360像素，采样率60 fps。主分类队列262例，包括82例左pc-BPPV、83例右pc-BPPV、97例正常阴性；165例BPPV中81例治疗后阴性记录纳入，正常阴性片段共2965段；独立长视频测试集45例，包括14例正常、14例左后、17例右后；另有100例独立正常受试者用于瞳孔检测辅助训练。技术流程包括YOLOv8n瞳孔定位、动态虹膜环与解剖掩蔽、RAFT光流、瞳孔中心极坐标切向/径向分解、BiGRU-attention片段三分类及滑动窗患者级聚合，采用患者级嵌套5折交叉验证。

3.1 空间锚定与特征提取性能：通过YOLOv8n训练100轮并在置信度0.5评估，模型精度99.99%、召回100.00%、IoU阈值0.50下mAP@50为99.50%，表明在红外反射、注视变化和睫毛遮挡等挑战条件下可可靠定位瞳孔。视觉流程从原始红外帧依次完成瞳孔定位、动态虹膜环重建、固定大小感兴趣区（ROI）裁剪和解剖掩蔽、RAFT致密光流、极坐标14维时空特征提取，实现扭转（v_t）和线性（v_r）运动解耦。

3.2 片段级三分类
3.2.1 序列编码器总体比较：在相同数据划分、特征和训练方案下比较BiGRU、双向长短期记忆网络（BiLSTM）和Transformer，BiGRU总体最佳且折间波动最小，平均准确率94.19% ± 0.88%、精确率94.30% ± 0.65%、召回93.80% ± 1.08%、F1-score 93.99% ± 0.81%；BiLSTM和Transformer平均F1-score分别为93.67% ± 1.40和89.93% ± 2.41%，验证集趋势一致，故选BiGRU。
3.2.2 最终BiGRU模型类别性能：三类识别较均衡，Normal、Left Posterior、Right Posterior的F1-score分别为94.87% ± 1.23、93.73% ± 1.05、93.37% ± 0.94%，ROC AUC均高于0.980；Right Posterior召回略低（92.23% ± 3.52%），提示弱或短时异常片段较具挑战。

3.3 时空特征解耦的有效性和敏感性分析
3.3.1 水平翻转增强效果：比较仅原始数据与加入水平翻转样本，镜像样本使平均测试F1-score从91.59% ± 2.02升至93.99% ± 0.81%，绝对增益2.40个百分点，准确率从92.13% ± 2.02升至94.19% ± 0.89，折间变异降低；左后和右后F1-score分别提高3.62和2.38个百分点，正常提高1.20个百分点，表明左右对称增强丰富了方向性眼震模式。
3.3.2 RAFT迭代次数影响：比较3、6、12次迭代，3次迭代获得最高平均测试F1-score（93.99% ± 0.81%）和准确率（94.19% ± 0.89%）；6和12次F1-score降至93.89% ± 1.04和93.30% ± 1.32%。处理300帧裁剪ROI分别约1.63 s、2.39 s、4.00 s，3次迭代在效率和诊断性能间最佳。
3.3.3 帧率敏感性分析：60 fps与30 fps下总体分类性能基本不变，F1-score分别为93.99% ± 0.81%和93.86% ± 1.54%，差异仅0.13个百分点，ROC、PR曲线和聚合混淆矩阵高度一致，说明30 fps已能捕获Dix–Hallpike期间pc-BPPV主要时间模式，可能降低计算负担。
3.3.4 极运动成分消融：全特征14D模型F1-score为93.99% ± 0.81%；仅保留4个极运动特征时F1-score为93.57% ± 0.88%，仅比全特征低0.42个百分点；仅7个基本笛卡尔光流特征降至86.70% ± 0.97%，仅3个几何特征降至62.62% ± 4.14%。类别层面，仅基本光流对左后和右后F1-score为82.91%和83.32%，而仅极运动特征两类均高于93%。置换重要性显示平均切向速度（v_t_mean）排名最高，极运动项主导预测，60 fps和30 fps特征重要性高度一致（Spearman ρ=0.943），支持极运动表示对侧别判别的关键作用。

3.4 独立长视频测试集的患者级推断：在45例独立长视频（14正常、14左后、17右后）中，60 fps总体患者级准确率97.78%（44/45），正常特异性100%，左后召回100%，右后召回94.12%（16/17，1例漏判为正常）；唯一患者级错误为右后到正常的单向假阴性，无正常误判为病理。30 fps达到100%（45/45）；45段视频总时长28.8 min（1725.4 s），端到端处理约16.7 min，较60 fps计算成本降低近50%。错误病例多数滑动窗预测为正常，平均最大预测概率0.8834，提示更可能为片段级表征不足而非患者级聚合失败。代表性病例展示连续概率轨迹、硬标签投票、眨眼比和最大置信度，显示系统在频繁眨眼下仍保持高置信输出并进行衰减尾部抑制。

3.5 眼震事件时间定位与持续时间估计：在31个注释视频中，60 fps平均时间IoU为0.899，命中率96.8%（30/31）；30 fps平均IoU为0.896，命中率100%（31/31），预测异常间期接近人工标注。Bland–Altman分析显示30 fps与60 fps平均IoU差为?0.003，95%一致性限为?0.397至+0.391，全部注释病例落入限内；左右后BPPV均稳定。帧率敏感病例R20220929103209中，60 fps后处理未保留正确异常间期，而30 fps正确本地化右后BPPV。研究人员解释可能因下采样增大弱扭转眼动的表观帧间位移，使其在光流特征中更可区分；60 fps较小位移更易受局部跟踪不稳、眨眼伪影或置信度抑制影响。总体上，框架可可靠检测异常眼震间期并估计持续时间，30 fps在部分弱眼震病例可能更稳健。

讨论总结：研究人员开发了生理学引导、可解释的人工智能框架，用于单眼红外Dix–Hallpike视频自动分析，分为右后pc-BPPV、左后pc-BPPV和正常阴性，并定位长临床视频中的异常位置性眼震间期。主要贡献是以前庭眼动生理指导可解释视频特征构建：极流分解将运动分为以瞳孔为中心的切向和径向分量，切向流直接反映绕瞳孔旋转，提供扭转眼震的生理表示；消融和特征重要性支持模型主要使用临床相关扭转运动信息。该领域知识引导设计对医疗可解释AI重要，将可解释性嵌入特征构建，使临床医生可将输出与可识别前庭眼动模式关联。与依赖瞳孔边界拟合、中心跟踪的传统视频眼震图（VNG）或瞳孔轨迹方法，以及难以解释的端到端时空模型相比，该混合设计既保留数据驱动学习灵活性，又维持可解释生理表示。时间定位提高透明度和临床可用性，帮助判断眼震是否存在、何时开始、持续多久及侧别时间一致性。30 fps与60 fps相当具有实践意义，可降低计算、存储和部署需求，但最佳帧率可能依赖相机硬件、图像质量、眼震强度、检查方案和预处理策略，需跨设备机构验证。伦理上系统应作为临床医生在环的决策支持工具，而非自主分析系统；假阴性可能延迟识别，假阳性或错误侧别可能误导解读，最终诊断和治疗决策仍由临床医生负责。局限包括单中心回顾性研究、独立长视频测试集较小、单眼左眼记录、预定义三分类任务、未正式评估临床效用，需前瞻性多中心研究验证。

结论翻译：总之，本研究提出了一种以生理学为导向且可解释的框架，用于基于前庭眼反射运动学对后半规管BPPV相关眼震进行自动分类和时间定位。通过整合基于深度学习的空间锚定与解剖学信息的极运动分解，该框架分离扭转和径向运动分量，并在两个侧别病理类别中实现平衡性能。另一个优势是能够在长临床记录中定位眼震发作的起始和终止，这可能促进更高效的神经耳科复查和位置性前庭反应的定量评估。切向速度的强贡献进一步支持所提出特征表示的生理相关性。在独立长视频队列中也观察到令人鼓舞的性能，但鉴于样本相对较小且为单中心，这些发现应视为初步。需要在不同红外记录系统、患者人群和检查方案中进行进一步前瞻性多中心验证，以确定该框架的泛化性和临床效用。随着持续优化和未来流处理策略的实施，所提方法可能为神经耳科实践中Dix–Hallpike记录的计算机辅助分析提供实用基础。