《Scientific Reports》：Artificial intelligence and image processing framework for automated airway invasion detection and residue classification from swallowing endoscopy
编辑推荐：
本刊推荐：针对吞咽光纤内镜评估(FEES)依赖光照与医师经验、判读一致性不足等问题，研究团队开发基于人工智能(AI)与图像处理的自动化框架，实现气道入侵(穿透/误吸)检测及按耶鲁咽部残留严重程度评分量表(YPR-SRS)分级残留。验证显示对穿透/误吸准确率分别达0.90/0.87，对梨状窦/会厌谷残留Kappa值达0.87/0.91，为FEES标准化判读与临床决策提供可靠辅助。
吞咽困难是脑卒中、神经退行性疾病及头颈部肿瘤患者常见的并发症，若未及时识别气道入侵事件——如食物或液体进入喉前庭（穿透）甚至落入气管（误吸），可能引发肺炎甚至危及生命。临床上，吞咽光纤内镜评估（Fiberoptic Endoscopic Evaluation of Swallowing, FEES）被广泛用于直视咽喉结构与吞咽过程，但其判读高度依赖光线条件、黏膜反光干扰以及评估者的主观经验，不同观察者间的一致性常不理想。传统视觉评分在面对微小残留或快速动态事件时易漏检，而咽部残留的量化描述缺乏统一标准，难以支持精细化干预决策。为此，研究团队提出将人工智能与图像处理方法整合，开发一套可自动检测气道入侵并对咽部残留按标准量表分级的新框架，旨在提升FEES分析的客观性、可重复性与临床可用性。
研究纳入60例FEES视频样本，构建了一套融合解剖结构定位、图像增强与区域分割的处理流程。关键技术包括：首先通过跟踪关键解剖标志（如会厌、杓状软骨、声带）稳定感兴趣区域；再采用对比度调整、颜色空间分割与滤波增强突出造影剂与残留物边界；最终结合机器学习方法完成侵入事件检测与Yale Pharyngeal Residue Severity Rating Scale（YPR-SRS）等级分类。
Penetration and Aspiration Detection Performance
系统对穿透（penetration）检测的准确率为0.90，敏感性1.00，特异性0.80，Kappa值0.80；对误吸（aspiration）准确率0.87，敏感性0.90，特异性0.85，Kappa值0.75，显示其在区分正常吞咽与气道入侵事件上的可靠性。
Residue Classification in Pyriform Sinuses
在梨状窦残留分级中，系统准确率达0.91–0.95，敏感性0.91–1.00，特异性0.83–1.00，Kappa=0.87，证明其对深部隐窝残留也能实现稳定分级。
Residue Classification in Valleculae
会厌谷残留分类表现更优，准确率0.95–1.00，敏感性与特异性均介于0.91–1.00，Kappa=0.91，反映该系统在处理典型残留区域时的强一致性与精准度。
本研究证实，结合解剖追踪与图像优化的AI框架能以高准确性实现气道入侵事件判别与咽部残留严重程度的标准化分类，且各项指标优于传统人工判读常见水平。该方法不仅减少了对光线条件和专家经验的依赖，还为跨机构数据比较、纵向随访及个性化康复提供了可量化依据。未来进一步扩大样本并与实时反馈设备集成后，有望成为吞咽障碍床旁评估与远程会诊的高效辅助工具。
