背景与目的由于鼻咽部解剖位置隐匿且腺体增生频发,活检时恶性肿瘤的阳性率较低,从而导致初诊时鼻咽恶性肿瘤确诊延时或漏诊。本文旨在建立一种人工智能工具——基于深度学习的内镜检查,来检测鼻咽恶性肿瘤。方法建立了一种基于内镜图像的鼻咽恶性肿瘤检测模型(endoscopic imagesbased nasopharyngeal malignancies detection model,eNPM-DM),该模型由基于空间结构的全卷积网络构成,采用单独训练集和验证集对分类和分割进行微调。总共收集了28,966张合格图像。其中,自2008年1月1日至2016年12月31日,从7951例个体中获得了27,536张经活检证实的图像,按照7∶1∶2的比例随机分为训练、验证和测试集。此外,将2017年1月1日到2017年3月31日获得的1430张图像纳入预测集,用以对建立模型的性能与肿瘤专家的评价进行比较。以鼻咽镜图像为背景,对自动分割和专家手工分割进行比较,采用dice相似系数(dice similarity coefficient,DSC)评价eNPM-DM从鼻咽部内镜图像的背景中自动分割出恶性肿瘤区域的效率。结果所有图像经过病理组织学验证,包括正常对照5713(19.7%)例、鼻咽癌(nasopharyngeal carcinoma,NPC)19,107(66.0%)例、其他恶性肿瘤335(1.2%)例和3811(13.2%)例良性病变。在测试集中,eNPM-DM检测恶性肿瘤的总准确率达88.7%[95%置信区间(confidence interval,CI):87.8%–89.5%]。在预测比较阶段,eNPM-DM表现优于专家:总准确率分别为88.0%(95%CI:86.1%–89.6%)和80.5%(95%CI:77.0%–84.0%)。eNPM-DM耗时更短(40 s vs. 110.0±5.8 min),且从背景中自动分割出鼻咽恶性肿瘤区域方面表现优秀,测试集和预测集中的平均DSC分别为0.78±0.24和0.75±0.26。结论 eNPM-DM在鼻咽肿块良性/恶性诊断分类方面优于肿瘤学家评估,并且实现了从鼻咽内镜图像背景中对恶性区域自动分割。