基于小波尺度图的眼震分类用于良性阵发性位置性眩晕亚型自动化诊断

《Journal of Imaging Informatics in Medicine》：Wavelet Scalogram–Based Nystagmus Classification for Automated Benign Paroxysmal Positional Vertigo Subtype Diagnosis

　　

摘要 良性阵发性位置性眩晕（benign paroxysmal positional vertigo，BPPV）是前庭性眩晕最常见的原因，然而在没有专科医生的情况下，准确诊断仍具挑战。本研究旨在利用视频眼震图（video-nystagmography，VNG）记录开发并评估一种基于人工智能（artificial intelligence，AI）的BPPV诊断算法。研究人员从一家三级转诊医院的后半规管（posterior semicircular canal，PSCC）BPPV患者（n=234）、水平半规管（lateral semicircular canal，LSCC）BPPV患者（管石症，n=188；壶腹嵴顶结石症，n=58）及健康对照者（n=224）中收集了共1352份VNG记录，得到1738个信号片段（由两名耳鼻喉科医生标注的1312个眼震片段和426个正常片段）。采用基于深度学习的VNG眼动追踪算法提取眼球轨迹信号，通过连续小波变换（continuous wavelet transform，CWT）将其转换为二维（2D）尺度图表示，并在患者级数据划分下通过系统性比较选择任务特定的骨干架构进行分类。消融分析表明，基于CWT的二维表示显著优于原始一维（1D）时间序列基线。最终模型在水平眼震分类中受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUROC）达到0.974，旋转性眼震分类中为0.961。对于BPPV亚型诊断，PSCC评估的记录级准确率为0.935，LSCC评估为0.938；所有PSCC类别的F1分数均超过0.84，LSCC类别范围为0.59至0.98，其中管石症变体的表现优于壶腹嵴顶结石症变体。这些发现表明基于VNG记录的AI辅助BPPV诊断具有可行性。

论文解读

研究背景与目的

良性阵发性位置性眩晕（BPPV）是临床最常见的周围性前庭疾病，约占专科眩晕门诊诊断的20%-30%。其病理机制为耳石脱落进入半规管，在头位变化时于内淋巴液中移动，刺激壶腹嵴引发眩晕及特征性眼震。BPPV的诊断依赖于诱发试验（如Dix-Hallpike试验和仰卧滚转试验）中观察到的眼震类型。然而，眼震的精确识别高度依赖临床医生的经验，区分旋转性与水平性眼震、辨别病理性与生理性眼震常具挑战，导致能够进行准确眼震检查的专科医生相对短缺。现有基于视频眼震图（VNG）的人工智能辅助诊断研究多将眼球轨迹作为原始一维时间序列处理，未能充分利用频率域信息，而频率域表征能更好地捕捉眼震模式的频谱动态。为此，本研究旨在开发一种将眼动信号转化为二维时频尺度图、再利用图像分类架构进行BPPV亚型诊断的AI算法。

研究方法概述

研究人员回顾性收集了韩国延世大学原州Severance医院461例患者的1352份VNG记录，涵盖PSCC BPPV、LSCC BPPV（管石症与壶腹嵴顶结石症）及正常对照。采用基于深度学习的ANyEye系统进行瞳孔定位与眼动追踪，提取双眼水平和垂直方向共四通道轨迹信号。核心技术包括：对10秒滑动窗口信号应用连续小波变换（CWT），生成八通道二维时频尺度图；系统比较七种ImageNet预训练骨干网络（ConvNeXt-Tiny、Swin-Tiny、Swin V2-Tiny、EfficientNetV2-S/M、DINOv2-ViT-S/14、ConvNeXtV2-Tiny），分别针对水平眼震三分类和旋转性眼震二分类任务择优选取；结合规则化决策模块，依据诱发体位与眼震方向确定BPPV亚型。

研究结果

骨干网络对比与选择：在水平眼震三分类任务中，Swin-Tiny取得最高平均准确率（0.933）和宏平均F1分数（0.887），AUROC达0.974，被选为水平分类骨干。在旋转性眼震二分类任务中，ConvNeXtV2-Tiny取得最高平均准确率（0.925）、宏平均F1（0.848）和AUROC（0.961），被选为旋转分类骨干。Friedman检验显示各架构间差异显著。

CWT尺度宽度消融：CWT尺度宽度在10至60范围内对分类性能无显著影响，所选宽度（水平30、旋转50）仅为数值最优设定。

表征与容量消融：CWT+2D管道显著优于原始一维输入基线（1D-ResNet和ModernTCN，包括参数匹配的大容量版本）、替代时频表示（短时傅里叶变换STFT和离散小波变换DWT）以及去除ImageNet预训练的变体。去除预训练主要降低旋转性任务性能，而水平任务降幅微小。

与既往模型对比：重实现的三种既往BPPV模型（Lim等、Wu等、Mun等）在本数据集上均被CWT+2D管道显著超越，尤其在旋转性任务上差距更大。Mun等的紧凑型1D-CNN在水平任务上接近本方法（AUROC 0.965 vs 0.974）。

BPPV诊断算法性能：在留出测试集上，PSCC评估记录级准确率0.935±0.009（n=155），宏平均F1 0.919±0.015；正常类F1 0.943，PSCC右侧0.965，左侧0.849。LSCC评估准确率0.938±0.010（n=162），宏平均F1 0.843±0.038；管石症变体表现强劲（F1 0.918和0.983），而稀少的壶腹嵴顶结石症变体表现较低且不稳定（F1 0.586和0.769，n=7和5）。

可解释性分析：Grad-CAM++归因显示两类任务中模型注意力均集中于最高频带（最小尺度）。正确分类窗口的CAM与专家标注眼震区间的时间一致性（IoU）显著高于错误分类窗口。

鲁棒性分析：在所有合成退化条件下，CWT+2D管道的AUROC均高于参数匹配的1D-ResNet，在旋转性任务上优势更明显。高斯噪声最具破坏性，低信噪比时两类模型的旋转性任务均趋近随机水平。真实记录中护目镜滑脱亚组的宏平均F1在水平任务上有所下降，旋转性任务基本不变。

计算效率：GPU上每窗口推理时间为17.0ms（PSCC）和12.6ms（LSCC），实时因子分别为0.007和0.004，满足实时应用需求。

讨论与结论

本研究的核心创新在于将CWT时频变换引入眼震分类，将眼动信号转化为二维尺度图后利用ImageNet预训练骨干网络进行处理。消融实验证明，性能提升源于输入表征而非模型容量，CWT优于STFT和DWT，且旋转性眼震的分类更依赖CWT显式呈现的频谱结构。模型对CWT尺度宽度不敏感，且Grad-CAM++归因集中在高频带并与专家标注时间一致，说明正确预测依赖眼震事件本身而非信号附带特征。诊断算法模拟临床推理的四步流程（诱发体位、眼震发生、眼震分类、亚型判定），有助于减少检查者间变异。LSCC壶腹嵴顶结石症是最薄弱环节，可能因其眼震幅度低、持续时间长且分类规则使单次方向误判即导致亚型和侧别同时翻转。局限性包括单中心设计、仅覆盖PSCC和LSCC亚型、缺乏前瞻性临床验证。未来需在多中心数据集上外部验证，扩展至前半规管及多管受累亚型，并探索与病史、听力学检查的多模态融合。研究结论认为，该AI辅助BPPV诊断工具在结构化眩晕诊疗决策中展现出可行性，为进一步转化至常规临床实践提供了初步证据。