LUCID：基于鼓膜可见性、覆盖率与图像清晰度三维联合评估的耳镜视频信息性帧智能选择方法及诊断效用研究

《Diagnostics》：LUCID: Intelligent Informative Frame Selection in Otoscopy for Enhanced Diagnostic Utility

　　

**摘要**

背景/目的：中耳疾病的准确诊断仍具挑战性，因为耳镜判读具有主观性，而许多人工智能（AI，Artificial Intelligence）模型依赖从视频检查中手动选择的静态帧。研究人员旨在开发并在内部评估LUCID（Leveraging Useful Content in Informative Diagnostics），这是一个系统性框架，用于自动识别耳镜视频中最具信息量的帧。

方法：研究人员分析了来自491名患者的713个耳镜视频。LUCID将用于粗略鼓膜可见性评估的ResNet-50分类器、用于弱监督鼓膜定位和覆盖率估计的BC-AdvCAM（二分类对抗性攀爬类激活映射，Binary Class Adversarial Climbing Class Activation Mapping），以及一种耳镜特异性模糊/焦点评估方法，整合为一个视频内帧排名分数。通过盲法人工审查和下游分类，将自动选择与专家选择的帧进行比较。为将排名质量与包大小和多帧聚合的效应区分开，使用相同ResNet-50和基于注意力的多实例学习（ABMIL，Attention-Based Multiple Instance Learning）流程，对采用均匀时间采样的匹配12帧对照进行了评估。

结果：在293个具有完整评级的视频对中，算法选择的帧在平均74.7%的评估中被评为等于或优于专家选择的帧。然而，当评估者表达非等同偏好时，两位评估者分别有71.7%和70.7%的案例倾向于专家帧；在一致的非等同评级中，80.0%倾向于专家帧。BC-AdvCAM在留出的手动分割测试子集上实现了0.6717的交并比（IoU，Intersection over Union）和0.7924的Dice相似系数（DSC，Dice Similarity Coefficient）。对于下游诊断，匹配单帧比较的患者水平平均准确率，LUCID Top-1为68.79%，专家选择帧为72.17%（差异为?3.38个百分点；95%精确符号翻转反演置信区间，?6.79至0.00；双侧精确患者符号翻转检验p = 0.0540）。在匹配12帧比较中，使用相同ABMIL流程，LUCID Top-12达到78.13%，Uniform-12为59.41%（差异为+18.71个百分点；95%精确符号翻转反演置信区间，+15.79至+21.63；双侧精确患者符号翻转检验p = 2.33 × 10^?10）。

结论：在匹配单帧比较中，专家选择的帧具有更高的患者水平平均准确率，而LUCID提供了全视频的自动排名，相对于均匀时间采样显著改善了匹配12帧ABMIL性能。这些结果支持LUCID作为自动帧排名和多帧证据选择工具，但在临床部署前仍需要进行外部验证。

**论文解读：LUCID——耳镜视频中智能信息性帧选择的系统性框架**

**一、研究背景与问题**

中耳疾病是临床实践中最为常见的病症之一。然而，准确诊断始终是一项挑战，因为医生通常依赖耳镜检查中的主观视觉评估。即使是经验丰富的初级保健、急诊医学和耳鼻喉科（ENT，Ear, Nose, and Throat）医师，其诊断准确率也仅在50%至80%之间，即便使用气压耳镜亦是如此。这一问题在接受耳镜培训较少的临床医生中尤为突出，而这类医生恰恰承担了绝大多数因耳部主诉就诊的临床访视。据统计，美国有超过40万名初级保健临床医生，而ENT专科医生仅有12,609名。为应对诊断准确率低的挑战，近年来许多研究致力于开发机器学习（包括深度学习）模型以辅助临床医生。尽管这些研究在图像级别展现了可观的诊断性能，但许多系统仍然依赖手动选择的静态图像，而非对耳镜视频中帧的诊断效用进行显式排名。临床检查本质上是动态的，一段录制的检查视频可能包含不完整的鼓膜视图、运动模糊、反光、遮挡和冗余内容。因此，自动选择信息性帧既可支持更高效的审阅，也可为下游分析提供标准化输入。

然而，在耳镜视频中识别信息量最大帧（MIF，Most Informative Frame）面临独特挑战。与通用视频摘要或视频质量评估任务不同，耳镜图像判读需要专业医学知识，导致标注数据极为稀缺。在本研究中，两位经验丰富的ENT专家联合审查了303个评估视频中的每一个，并以共识方式选择了一个参考MIF。该数据集足以用于评估，但不足以支撑大规模监督训练。因此，LUCID框架利用弱监督学习和基于知识的决策策略来减少对大规模专家帧标注的依赖。

**二、研究内容与意义**

研究人员提出了LUCID，一个用于耳镜视频中自动MIF选择的系统性框架。LUCID基于三个互补的视觉维度评估每一帧：（1）鼓膜可见性，（2）鼓膜覆盖率，以及（3）图像清晰度。具体而言，研究人员训练了一个ResNet-50模型来评估鼓膜可见性，采用弱监督BC-AdvCAM方法估计鼓膜覆盖率，并设计了耳镜特异性模糊和焦点检测模块来量化图像清晰度。所得特征被整合为一个统一的信息性分数，用于对每个视频内的帧进行排名。研究的贡献在于设计和评估了这一整合的耳镜特异性流程——将BC-AdvCAM、耳镜特异性模糊-焦点分析以及一个旨在优先选择具有诊断价值帧（而非仅考虑通用图像质量）的统一信息性度量进行了领域特异性集成。

**三、关键技术方法**

本研究使用713个高清耳镜视频（分辨率1440 × 1080像素，MPEG-4格式），来自491名患者（400名成人，91名儿童），采集自成人及儿童ENT诊所和手术室，使用JEDMED Horus+ HD Video Otoscope设备。数据集按患者级别划分为开发队列（410视频，296患者）和评估队列（303视频，195患者），两者无患者重叠。核心技术包括：（1）ResNet-50分类器，在38,825帧标注数据上训练，用于鼓膜可见性三分类（无鼓膜/部分鼓膜/完整鼓膜），并基于类别后验概率计算连续可见性分数；（2）BC-AdvCAM，一种改进的二分类对抗性攀爬类激活映射方法，仅利用图像级标签进行弱监督语义分割，实现对鼓膜区域的定位和覆盖率估计；（3）基于边缘能量分布拟合高斯混合模型（GMM，Gaussian Mixture Model）的模糊检测，结合Hough变换圆形视场（FOV，Field of View）检测与Laplacian焦点定位，生成综合模糊/焦点分数；（4）对三个维度分数进行视频内排名后以0.4:0.2:0.4权重加权求和，得到最终信息性分数；（5）下游诊断采用ABMIL进行多帧证据聚合，以均匀时间采样12帧（Uniform-12）作为匹配对照。

**四、主要研究结果**

**鼓膜可见性分类结果**：在留出测试集（13,527帧，来自51个视频和45名患者）上，帧级分类准确率达99.72%。全部38个分类错误仅出现在两个视频中，其余49个测试视频无帧级错误。这一高准确率应在标注方案背景下理解——视觉上模糊的部分/完整可见性帧在模型开发前已被排除，以确保分类任务的明确性。

**鼓膜分割结果**：在764帧手动分割参考子集（来自36个视频，31名患者）上，BC-AdvCAM实现了IoU 0.6717和DSC 0.7924。采用广义估计方程（GEE，Generalized Estimating Equations）分析表明，BC-AdvCAM在IoU、DSC、准确率、特异性和Hausdorff距离方面优于Adv-CAM，而Adv-CAM在敏感性、AUROC和平均绝对偏差方面保持优势，呈现度量依赖的权衡。

**信息量最大帧选择结果**：在人工评估中，293个具有完整评级的视频对显示，算法选择帧在平均74.7%的评估中被评为等于或优于专家选择帧。然而，当评估者表达非等同偏好时，两位评估者分别有71.7%和70.7%倾向于专家帧；在一致的非等同评级中，80.0%倾向于专家帧。在下游诊断中，匹配单帧比较显示LUCID Top-1患者水平平均准确率为68.79%，专家选择帧为72.17%（差异?3.38个百分点，p = 0.0540）。匹配12帧比较中，LUCID Top-12达到78.13%，Uniform-12为59.41%（差异+18.71个百分点，p = 2.33 × 10^?10），表明LUCID排名对多帧证据聚合有显著贡献。

**人工偏好分析**：两位评估者之间的Cohen's kappa为0.414（95% bootstrap置信区间0.318–0.506），显示中等程度的一致性。精确一致率为69.97%（205/293）。

**五、讨论与结论**

本研究的主要贡献在于将鼓膜可见性、鼓膜覆盖率和模糊/焦点三个耳镜特异性且可分别解释的维度整合为统一的视频内排名，并结合背景抑制的弱监督定位方法及在人工选择MIF和下游Top-k诊断两个层面的评估。与OtoSTVT等端到端时空Transformer方法不同，LUCID将信息性分解为显式的解剖学和图像质量因素，具有组件分数层面的可解释性，但未对帧间时序依赖进行建模。

研究存在若干局限性：医学学生标注者分别标注不同子集而非冗余标注，ENT专家以共识方式选择参考MIF，因此无法估计这些标注任务的信度；鼓膜可见性分类的近乎完美准确率应在排除边界模糊帧的背景下解读；数据集来自单一机构、单一耳镜型号，外部验证尚需开展；BC-AdvCAM分割性能呈度量依赖性。

**研究结论**：在匹配单帧比较中，专家参考帧具有更高的患者水平平均准确率（LUCID Top-1 68.79% vs. 专家 72.17%），方向性人工偏好也倾向于专家帧。然而，当包大小和ABMIL在12帧条件下匹配时，LUCID Top-12达到78.13%，而Uniform-12仅为59.41%（差异+18.71个百分点；95%精确符号翻转反演置信区间+15.79至+21.63；p = 2.33 × 10^?10）。因此，支持LUCID的主要证据并非其Top-1单帧超越专家选择帧，而是对全视频的自动排名能够提供比均匀采样显著更具信息量的12帧证据集。外部验证和前瞻性工作流评估仍是临床部署前的必要条件。