基于深度学习的面部分析预测视频喉镜检查困难：可行性研究 Deep learning-based facial analysis for predicting difficult videolaryngoscopy: a feasibility study

虽然视频喉镜获得了更好的气管插管总体成功率，但气道评估仍然是安全气道管理的重要先决条件。本研究旨在创建一个人工智能模型，使用神经网络识别困难气道。纳入基线特征、病史、床旁检查和7张面部图像作为预测变量。引入ResNet-18 来识别图像和提取特征。使用不同的机器学习算法开发预测模型。Cormack-Lehane 分级为1级或2级的视频喉镜视图被分类为“非困难”，而3级或4级被分类为“困难”。共纳入5849例患者，其中5335例为非困难，514例为视频喉镜检查困难。使用光梯度增压机算法的面部模型（仅包括面部图像）显示测试集中曲线下面积 (95%CI) 最高，为0.779(0.733-0.825)，灵敏度 (95%CI) 为0.757(0.650-0.845)，特异性 (95%CI) 为0.721(0.626-0.794)。与床旁检查和多变量评分（El-Ganzouri和Wilson）相比，面部模型具有显著更高的预测性能 (p<0.001)。基于人工智能的面部分析是预测视频喉镜检查过程中难度的可行技术，利用神经网络开发的模型比传统方法具有更高的预测性能。