《npj Digital Medicine》：Real-time AI-assisted quality control during nasopharyngolaryngoscopy: a randomized controlled trial
编辑推荐：
为解决鼻咽喉镜检查（NPL）依赖术者经验、易漏查的问题，研究者开展ENDOVISTA-ENT系统辅助NPL的随机对照试验。结果显示，AI组解剖覆盖率达93.08%（vs. 83.50%，P?<?0.0001），且未显著增加操作时间，为内镜质控提供了智能化解决方案。
论文解读
背景：鼻咽喉镜检查的“盲区”与AI破局
鼻咽喉镜检查（NPL）是耳鼻咽喉头颈外科最基础、最高频的检查手段，医生通过一根细长的内镜，依次观察鼻腔、鼻咽、口咽、喉咽及喉部，寻找黏膜病变、新生物或炎症。然而，这项检查高度依赖医生的“手艺”：经验丰富的医生能像雷达扫描一样覆盖所有关键解剖站点，而新手或忙碌中的医生则可能因角度偏差、患者咽反射剧烈或时间紧迫，遗漏某些隐蔽角落。这种“没看到”直接导致了临床上的假阴性——病变明明存在，却因检查不完整而被误判为正常。
更棘手的是，NPL缺乏像胃镜、肠镜那样的客观质控标准。目前主要靠医生的主观记忆和习惯来保证“看全了”，缺乏实时的、量化的反馈机制。有没有一种技术，能像驾校的“电子考官”一样，实时盯着医生的操作，提醒“这个区域还没看”，从而堵住漏诊的漏洞？这就是本研究试图用人工智能（AI）解决的痛点。
技术路线与方法概览
本研究开发并验证了ENDOVISTA-ENT系统，这是一个专为NPL设计的实时AI质控系统。它不是用来“找癌”的，而是专攻“解剖导航”和“覆盖度审计”。
- •
模型训练：研究团队基于3,630例患者的NPL视频数据，训练深度学习模型，使其能实时识别视频流中的关键解剖结构（如鼻甲、咽鼓管咽口、声带等）。
- •
实时干预：系统集成到现有NPL工作站中，在医生操作时，屏幕侧边会实时显示已检查和未检查的解剖区域进度条，并提示剩余时间，引导医生完成全覆盖扫描。
- •
试验设计：研究采用前瞻性、双中心、随机对照设计（RCT），在中国临床试验注册中心注册（ChiCTR2400091245）。共纳入318例患者，随机分为AI辅助组和常规检查组，主要评估指标是预定义解剖部位的覆盖率。
研究结果：AI如何提升检查质量
1. 解剖覆盖度：从“良好”到“优秀”的跨越
这是本研究最硬核的发现。在ENDOVISTA-ENT的辅助下，NPL的平均解剖覆盖率从83.50%显著提升至93.08%（P?<?0.0001）。这意味着，AI像一位不知疲倦的导航员，帮助医生多扫查了近10%的黏膜区域，极大地降低了因“没看到”而漏诊的风险。
2. 效率与安全的平衡：不加时，只增效
一个常见的质疑是：追求高覆盖率是否会大幅延长检查时间，增加患者痛苦？数据给出了令人安心的答案：AI辅助组并未显著增加总检查时间。这说明系统通过智能引导，优化了操作路径，医生无需盲目重复扫描，而是在精准提示下高效工作。
3. 赋能新手：缩小经验鸿沟
在分层分析中，低年资医生（Junior Endoscopists）获益最大。AI系统相当于给新手医生配了一位“资深带教”，实时指导他们如何进镜、转向，弥补了其经验不足导致的解剖不熟悉问题，有助于实现不同层级医生操作质量的同质化。
结论与意义：迈向标准化的智能内镜时代
这项发表在《npj Digital Medicine》的研究证实，基于深度学习的ENDOVISTA-ENT系统，能够在不增加操作时间的条件下，显著提升NPL的解剖覆盖率和操作标准化水平。
- •
临床价值：它为解决内镜检查“因人而异”的质量波动提供了技术解，特别适合在基层医院或教学医院推广，降低对单一医生经验的过度依赖。
- •
技术定位：该研究强调了AI在质量控制（Quality Control） 领域的独特价值，而非替代诊断。这种“AI-人”协作模式（AI辅助质控+医生最终诊断）更具临床落地性和伦理友好性。
- •
未来展望：随着内镜硬件与AI软件的深度融合，未来的检查报告或许不仅能附上病变图片，还能附上一张由AI生成的“解剖覆盖热力图”，客观证明本次检查的完整性与可靠性。
