内镜 AI 深度估计能测量气道横截面积吗？

5.3% 误差衡量的究竟是什么

这个核心数字比较的是两个面积，而不是两幅图像。对 18 个患者特异性 3D 气道模型中的每一个，作者都能从几何本身直接知道真实的鼻咽横截面积（CSA）。随后他们把 AI 生成的深度图送入重建流程，由深度图算出面积。5.3% 的中位百分比误差，是这 18 个模型上 |A_3D − A_depth map| / A_3D 的中位数，因此它是相对几何真值的相对误差，而不是相对某次临床测量的误差。

同一项测试做了两次：一次用完美的真值深度图，一次用 AI 预测的深度图。真值深度图给出的中位绝对误差为 0.01 cm²，中位百分比误差为 0.6%；AI 生成的深度图则为 0.06 cm² 和 5.3%。这两行之间的差距，单独反映出神经网络在点云重建与周长拟合方法之上额外引入了多少误差，而该方法本身已经相当准确。

这 18 个模型的鼻咽横截面积平均为 1.36 ± 0.71 cm²，范围为 0.38 至 2.40 cm²。由于误差是相对值，在接近 1 cm² 的面积上，5.3% 的中位误差大致相当于百分之几平方厘米，与报告的 0.06 cm² 中位绝对误差处于同一量级。

合成深度图如何解决标注难题

内镜本身不携带深度传感器，因此真实的內镜视频没有以米为单位的距离图。要训练网络输出以物理单位表示的深度，就需要真值深度，而这在患者身上很难获得。论文的解决办法是构建真值，而不是测量真值：把由 CT 扫描重建的 3D 气道模型在开源三维建模软件 Blender 中渲染，生成虚拟内镜图像，并配上精确的深度图。

在这些图像对中，每个像素的灰度值就是虚拟相机到鼻壁的距离。这正是该任务具有度量意义、而非尺度模糊的原因：网络不只是学习相对表面形状，而是在回归以物理单位表示的距离。数据集包含 6 万对这样的图像，按患者划分成 48 个鼻腔的 48,000 对训练数据和 12 个鼻腔的 12,000 对验证数据，因此没有患者同时出现在两个集合中。

这一选择的代价是，网络学到的一切都来自渲染出的几何。论文明确指出这是一项使用合成数据的试点研究，下文的精度数字也继承了这一边界。

普通 U-Net 已足以预测深度

所用架构是带对称编码器—解码器和跳跃连接的 U-Net 卷积网络。编码器由卷积块和最大池化组成，每阶段将特征通道数翻倍，直至瓶颈层；解码器以转置卷积上采样，并通过跳跃连接接回编码器输出，每阶段将特征通道数减半。输出是单通道 720 × 720 深度图，与输入分辨率逐像素对应。

训练使用均方误差，作者选择它是因为输入与输出像素严格对齐——每个图像像素直接对应其深度值——这让回归问题更容易学习。他们训练 80 个 epoch，使用 Adam 优化器，学习率为 1×10⁻⁴。验证集 MSE 在前 15 个 epoch 内迅速降至约 0.02，在第 24 个 epoch 选出的最佳模型达到 0.014。训练与验证 MSE 之间的差距很小，这是论文用来证明模型对未见合成场景过拟合程度很低的证据。

作者指出，他们有意选择这一简单架构，而不是内镜深度估计领域其他研究报告的更复杂的双分支或注意力设计，理由是计算效率高，在消费级硬件上只需适度的 GPU 资源。这是关于他们自身结果的设计主张，而不是与其他方法的直接对比。

从深度图到以平方厘米计的面积

仅有深度图并不能给出面积。流程先把每个像素转换为三维点。像素坐标先变成图像中的极坐标，再由 Equisolid 鱼眼镜头模型把半径转换为天顶角，公式为 θ = 2 arcsin(c·r / 2f)，其中焦距 f = 2.5 mm，单位换算系数 c = 3.6 mm / 720 像素 = 0.005 mm/像素，对应 720 像素图像背后的 3.6 mm 方形传感器。深度、天顶角和极角随后给出笛卡尔坐标 X、Y、Z。

得到的点云就是三维空间中的气道表面。用户在距相机选定距离处放置一个平面，并旋转它，直到该平面在目标位置与点云垂直；气道周长就是该平面与点云的交线。把周长上的点按顺序排列后，面积可用轮廓积分计算，A = |Σ vᵢ Δuᵢ|。

这与该团队早先的方法不同：早先的方法统计周长内的像素数，再乘以一个随距离变化的换算系数。旧方法测量的是垂直于相机的面积，因此相机必须与气道轴线对齐。重建点云消除了这一对齐要求，这一点很重要，因为现在可以把平面设为垂直于气道，而不是垂直于内镜。

AI 深度图在哪些情况下失效

在 30 个患者特异性模型中，有 7 个的鼻咽是由 CT 扫描生成的理想化结构，并未捕捉到该区域，因此因解剖不准确而被排除在精度分析之外。在其余 23 个模型中，有 4 个缺少延伸管，AI 表现很差：非解剖性远端壁（对应 CT 分割的远端边界）上的光反射使预测深度图退化到无法在测量位置勾画气道周长。作者将此归因于训练数据中远端壁可见的样本很少。

还有一个带延伸管的模型被排除，因为一处明显的软腭隆起部分遮挡了测量位置，无法得到完整周长。最终剩下 18 个模型进入精度分析。

这些排除并非无关紧要的记账。它们标出了该方法奏效的条件：存在延伸管、测量位置无遮挡、远端壁没有强烈反射伪影。5.3% 的中位误差描述的是这一范围内的表现。

相关性高且无系统性偏差

除中位误差外，论文还报告了一致性统计。由深度图得到的面积与已知的 3D 数值在统计上没有差异，真值深度图的 p = 0.96，AI 生成深度图的 p = 0.99。Pearson 相关系数在真值深度图上为 r = 0.998（p < 0.0001），在 AI 生成深度图上为 r = 0.987（p < 0.0001）。

Bland–Altman 分析显示偏差可忽略，没有系统性误差，并且在较小和较大的测量值上都保持一致。最后一点比相关系数更重要：高 r 可以与固定偏移同时存在，而没有系统性偏差意味着该方法在 0.38–2.40 cm² 范围内并不是简单地整体高估或低估一个固定量。

误差分布也值得与中位数一起看。使用真值深度图时，18 个模型中有 16 个的百分比误差低于 2%。使用 AI 生成深度图时，所有模型的误差都 ≤ 22%，18 个模型中有 13 个低于 10%。因此 5.3% 的中位数位于一条最差模型可达 22% 的尾部之内。

这项概念验证没有证明什么

训练、验证和测试中的每一幅图像都来自由 CT 扫描构建的渲染 3D 模型。测试集与 6 万对训练数据分开，并按患者划分，这支持模型泛化到未见过的合成场景，但并未检验带有组织形变、黏液、镜面反射和运动的真实内镜视频。论文称这项工作为使用合成数据的试点研究，并把结果定位为可行性证据。

测量目标也很窄。精度只在鼻咽远端这一个解剖标志处评估，选择它是因为它在 3D 模型中容易识别，并且对多数患者而言，由于软腭的弯曲，该处对应鼻咽横截面积的最小值。论文没有报告其他气道层面或整个鼻腔范围内的精度。

最后，流程并非完全自动。用户需要放置并旋转切割平面，直到它在目标位置与点云垂直，因此报告的精度包含了这一人工步骤。

为什么最重要的比较来自论文内部

论文把自己的贡献定位在此前那些能生成度量深度图、却止步于估计气道横截面积的内镜深度工作之上。它自身的新颖性主张是：AI 生成的深度图能够给出准确的气道横截面积测量，而支持这一主张的证据，就是真值深度行与 AI 深度行之间的内部比较。

这样读来，0.6% 与 5.3% 这组中位百分比误差是论文信息量最大的一对数字。它说明几何处理环节——鱼眼点云重建、平面相交、轮廓积分——在完美深度输入上几乎精确，而剩余误差基本上全部来自学习到的深度预测。对任何要延续这项工作的人，这把瓶颈定位在网络输出的深度图上，而不是面积计算上。

由此得出的实际优先级很具体：下一步需要的证据，是在同一鼻咽解剖标志的真实内镜图像上的表现，以及在本研究不得不排除的病例上的表现——即缺少延伸管、远端壁反射破坏了深度预测的模型。在此之前，5.3% 的中位数只是合成数据上的基准，而 18 个测试模型中最差 22% 的误差，是更保守、更值得沿用的数字。

本文引用的文献