面向支氣管鏡與插管自動化的上氣道解剖標志數據集：推動機器人輔助呼吸診療新突破

《Scientific Data》：Upper Airway Anatomical Landmark Dataset for Automated Bronchoscopy and Intubation

【字體： 大 中 小 】 時間：2025年12月05日 來源：Scientific Data 6.9

　　

在全球范圍內，呼吸系統疾病每年影響超過5億人，包括肺炎、流感等急性病癥以及哮喘、慢性阻塞性肺疾病（COPD）等慢性疾病。這些疾病導致嚴重的健康和經濟問題，迫切需要先進的診斷和治療方法。在這一背景下，支氣管鏡檢查和氣管插管發揮著關鍵作用。然而，這兩種具有挑戰性的操作都需要高水平專業知識才能安全有效地進行，同時最大限度地減少患者不適和損傷風險。這種復雜性常常導致經驗豐富的醫生和初級醫生在護理質量上存在差異。

為了應對這些挑戰，研究人員探索了機器人系統來輔助這些操作。例如，AI協助手支氣管鏡機器人已被提出用于輔助支氣管鏡檢查。這種人機協作方法使醫生（包括經驗有限者）能夠在肺部檢查中更有效地導航支氣管鏡。然而，此類系統主要關注氣管支氣管樹內的導航，忽略了從體外到氣管的初始插入階段。同樣，對于氣管插管操作，也探索了不同的機器人輔助方法。一些機器人輔助系統主要關注機械結構，其可行性已通過遠程操作得到驗證。而其他研究則探索集成傳感技術以實現自動化，盡管內窺鏡導航仍存在挑戰。因此，為了改進支氣管鏡和支氣管鏡引導插管的自動化，進一步研究應聚焦于初始插入過程。

常見的基于圖像的內窺鏡導航技術包括管腔居中、視覺里程計和窄帶照明增強特征提取。它們的集成在結腸鏡檢查自動化中更為先進，這得益于下胃腸道的規則解剖結構。然而，由于上氣道的復雜形態，在支氣管鏡檢查自動化中性能有限。

為了克服這一限制，研究人員探索了用于解剖特征檢測的深度學習方法。這些方法比傳統技術在復雜解剖結構中具有更強的適應性，但需要高質量的訓練數據集。然而，當前的上氣道標志數據集仍然有限。現有的數據集在規模、類別多樣性、臨床數據可用性和公開訪問性方面存在各種不足。高質量公開數據集的缺乏阻礙了用于自動化支氣管鏡檢查和插管的穩健AI開發。

本研究引入的新型UAAL數據集具有以下特點：1. 多樣化的解剖覆蓋：該數據集標注了從外部鼻腔到氣管的廣泛解剖特征。2. 臨床數據：包含從鼻咽鏡檢查過程中收集的3,814張臨床圖像，具有10,330個標注，包括8個類別的4,910個實例分割掩碼和5,420個邊界框。3. 補充性體模數據：為促進實驗室的早期原型設計和測試，還包含使用支氣管鏡在商用氣道體模模型中收集的2,746張圖像，具有4,526個標注，包括9個類別的2,795個實例分割掩碼和1,551個邊界框。4. 公開發布：這一公共數據集允許更廣泛的研究界訪問并用于開發支氣管鏡檢查和插管自動化系統。

研究方法主要包括數據收集、標注流程和質量驗證。臨床數據來自新加坡中央醫院82名患者的鼻咽鏡檢查視頻，涵蓋20-70歲不同性別患者，體現了真實的解剖變異。體模數據則通過插管機器人系統在商用氣道模型（泰桂醫療TG-J50）上采集。標注過程由耳鼻喉（ENT）專家制定指南，AI研究人員使用CVAT工具執行，采用邊界框標注大體結構（如鼻子、通道），實例分割掩碼標注精細結構（如鼻孔、聲帶）。所有標注經11名ENT專家審查確保準確性。數據集按視頻級別劃分為訓練集和驗證集，并以COCO格式發布。

數據記錄

數據集在Figshare倉庫公開可用，包含"coco_ins_phantom"（UAAL-體模數據集）、"coco_ins_clinical"（UAAL-臨床數據集）和"annotation_visualization"樣本。每個數據集包含"train2017"和"val2017"文件夾（分別存放訓練集和驗證集的PNG格式源圖像）以及"annotations"文件夾（存放訓練和驗證集的JSON格式標注文件）。

技術驗證

數據統計分析顯示，數據集標注類別分布均衡，覆蓋了從鼻孔到氣管的完整上呼吸道結構。對類別間混淆度的評估發現，左右鼻孔以及左右聲帶是跨數據集最常混淆的解剖結構對，其他類別顯示出相對較低的交叉混淆。注釋尺寸分析表明，大多數注釋對應于中型和大型解剖結構。

使用最先進（SOTA）模型進行基準測試表明，在體模數據集上，RTMDet-Ins-s在檢測方面達到最佳mAP^box性能（40.6%），在分割方面達到最佳mAP^mask性能（39.7%）。在臨床數據集上，GFL達到最佳mAP^box性能，而PointRend達到最佳mAP^mask性能。由于臨床數據集比體模數據集具有更復雜的數據特征和更大的檢測環境變化，所有模型的準確率均有所下降，這表明臨床數據集是一個更接近真實插管場景的具有挑戰性的數據集。

本研究構建的UAAL數據集通過提供詳細、高質量且公開可用的上氣道解剖標志標注，解決了支氣管鏡檢查和氣管插管自動化研究領域的關鍵瓶頸。該數據集獨特的價值在于其全面的解剖覆蓋（從鼻腔到氣管）、真實的臨床數據與可重復的體模數據相結合、嚴格的標注質量控制和公開可訪問性。技術驗證結果表明，SOTA模型在該數據集上能夠達到與通用數據集（如COCO）相當的性能，證實了其高質量和有效性。這一資源將極大地促進基于視覺伺服的自主導航算法開發，推動支氣管鏡和插管自動化系統從實驗室研究向實際臨床應用轉化，最終有助于提高呼吸系統疾病診療的標準化和可及性。