近日，广东技术师范大学及广东医科大学李振彰团队发表了一项研究成果，团队开发了一款基于深度学习的智能手机应用程序“Nose-Keeper”，该程序能够利用内窥镜图像早期检测鼻咽癌，整体准确率超过92%。

鼻咽癌（NPC）是头颈部极为常见的一种恶性肿瘤，在东亚与东南亚地区的发病情况尤为突出 。由于 NPC 在早期阶段症状表现并不典型，常致使诊断出现延迟，进而使得患者预后较差。数据显示，处于早期阶段的 NPC 患者，其 5 年生存率能够达到 94% ；与之形成鲜明对比的是，晚期 NPC 病例的 10 年生存率一般仅在 50% 至 70% 这个区间范围内。鉴于此，实现对鼻咽癌的早期检测，无疑具有极其重要的意义，是提升患者生存率与改善预后效果的关键所在。

研究团队运用多中心、回顾性的方法，致力于构建一个大规模的鼻内窥镜白光图像数据库。他们从三家地处鼻咽癌高风险区域的医院，精心收集了 39,340 张鼻内窥镜白光图像。这些图像涵盖了 2134 名鼻咽癌患者以及 11,824 名非鼻咽癌患者的数据。

在研究过程中，团队引入了八个先进的深度学习模型，同时开发出一款支持互联网的智能手机应用程序 ——“Nose - Keeper”。这款应用程序具备早期检测鼻咽癌和五种常见鼻腔疾病的功能，还能对健康个体进行评估。

为确保模型拥有良好的泛化能力，有效避免过拟合问题，研究团队在研究时，采用了将数据划分为内部训练集、内部验证集和内部测试集的方式。

研究团队运用多中心、回顾性的方法，致力于构建一个大规模的鼻内窥镜白光图像数据库。他们从三家地处鼻咽癌高风险区域的医院，精心收集了 39,340 张鼻内窥镜白光图像。这些图像涵盖了 2134 名鼻咽癌患者以及 11,824 名非鼻咽癌患者的数据。

在研究过程中，团队引入了八个先进的深度学习模型，同时开发出一款支持互联网的智能手机应用程序 ——“Nose - Keeper”。这款应用程序具备早期检测鼻咽癌和五种常见鼻腔疾病的功能，还能对健康个体进行评估。为确保模型拥有良好的泛化能力，有效避免过拟合问题，研究团队在研究时，采用了将数据划分为内部训练集、内部验证集和内部测试集的方式。

经测试，在内部测试集上，所有模型展现出了令人瞩目的性能，平均总体准确率超过 92%，这充分显示出深度学习模型在诊断鼻内窥镜图像方面蕴含的巨大潜力。其中，表现最为突出的是 SwinT 模型，其平均总体准确率高达 0.9515 ；而 ResNet 模型的平均总体准确率相对最低，为 0.9280。

在特异性和敏感性这两个关键指标上，SwinT 模型更是表现卓越。在鼻咽癌检测中，其特异性达到 96.39%，敏感性高达 99.91%，这一成绩显著优于九位经验丰富的耳鼻喉科医生。不仅如此，在非鼻咽癌类别中，SwinT 模型的敏感性超过 86.00%，特异性也超过 95.00%。

在外部测试集上，SwinT模型总体准确率达到了92.27%，对于鼻咽癌的敏感性和特异性分别达到了96.39%和99.91%。与耳鼻喉科医生的诊断结果比较，SwinT模型在诊断鼻咽癌和其他鼻腔疾病方面均表现出了更优的性能。

这项研究为鼻咽癌的早期检测和诊断提供了一种新的、高效的工具，尤其是在资源有限的地区，有望显著提高鼻咽癌的早期诊断率和患者的生存率。