探讨基于卷积神经网络（convolutional neural network，CNN）的人工智能（artificial intelligence，AI）技术通过深度学习辅助喉鳞状细胞癌（以下简称喉鳞癌）临床诊断的可行性。
方法本研究采用一套深度CNN用以评估喉鳞癌患者的窄带成像（narrow band imaging，NBI）内镜图像。纳入2015—2017年期间就诊于首都医科大学附属北京同仁医院耳鼻咽喉头颈外科的喉病变患者4 799例，其中男3 168例，女1 631例，年龄21~87岁。采用简单随机化法选取2 427例患者的NBI内镜（其中喉良性病变1 388例，喉鳞癌1 039例）用于对AI系统的训练和校正。对余下的2 372例患者采用NBI内镜（其中喉良性病变1 276例，喉鳞癌1 096例）对AI进行测试，并与耳鼻咽喉头颈外科专家判读结果进行比较。采用SPSS 21.0软件进行卡方检验，计算AI及耳鼻咽喉头颈外科专家判读的准确率、敏感度及特异度，采用受试者工作特征曲线（receiver operating curve，ROC）的曲线下面积（area under the curve，AUC）来评估本算法对NBI内镜图像的判读能力。
结果AI验证集的准确率为90.91%（AUC=0.96），敏感度为90.12%，特异度为91.53%，与耳鼻咽喉头颈外科专家判读结果相当［准确率为（91.93±3.20）%，敏感度为（91.33±3.25）%，特异度为（93.02±2.59）%］，差异无统计学意义（t值分别为0.64、0.75、1.17，P值分别为0.32、0.28、0.21）。CNN的判读速度明显高于耳鼻咽喉头颈外科专家，差异有统计学意义（每图0.01 s比每图5.50 s，t=9.15，P<0.001）。
结论本研究证实了基于深度CNN的AI在喉NBI内镜判读上的有效性，提示AI在喉鳞癌的临床辅助诊断方面有很好的应用前景。