亮点
本研究报道了一种深度学习网络的开发及外部验证。该网络旨在从术前临床CT扫描中自动分割内耳结构，包括锥形束CT和螺旋CT，分辨率低至625 μm。研究利用一组独特的数据集：100例尸体标本的同步辐射相位衬度成像（synchrotron-radiation phase contrast imaging，SR-PCI）资料进行训练。结果显示，该网络在内耳分割方面显著优于耳科专家和放射科医师的手工分割，提示其有望成为新的临床金标准。
背景
内耳在听觉与平衡中发挥关键作用。对其复杂解剖结构进行准确显示和界定，对于耳科手术的术前规划至关重要，例如人工耳蜗植入以及内耳病变的处理。常规CT虽然应用广泛，但分辨率和对比度往往有限，给精细内耳结构的准确分割带来困难。专家手工分割不仅耗时，而且存在观察者间及观察者内差异，从而影响可重复性和临床效率。借助人工智能（artificial intelligence，AI），尤其是深度学习的现代图像分割技术，为这一过程的自动化和标准化提供了可能。然而，受限于难以获得高分辨率的真实标注（ground truth）分割结果，以便在不同临床成像方案下训练稳健算法，开发高精度模型一直受到制约。
研究设计与方法
本研究利用同步辐射相位衬度成像（SR-PCI）的独特优势，从100例尸体颞骨标本中生成了内耳解剖结构的精细三维真实标注分割结果。这些标本同时接受了多种临床CT模式和扫描方案成像，包括锥形束CT和螺旋CT，共获得4,784组配对数据集，具有不同的分辨率和采集参数。研究基于这一大规模数据集训练了一个深度学习分割网络，使其在高保真SR-PCI参考标准的指导下学习临床CT上可见的复杂解剖边界。
随后，研究在一个独立且未见过的测试数据集上评估模型性能，并与由7名领域专家（包括耳科医师和放射科医师）独立生成的手工分割结果进行比较。此外，还将模型与专家平均分割结果以及采用同时真值和性能水平估计（simultaneous truth and performance level estimation，STAPLE）算法得到的共识分割结果进行比较。STAPLE算法旨在将多名专家标注整合为概率性的共识真实值。
主要发现
该深度学习网络在分割准确性方面优于单个专家、专家平均标注以及STAPLE共识分割。以SR-PCI金标准为参照，算法的Dice相似系数达到0.922，提示其预测的内耳结构与真实标注之间具有极佳的体积重叠。与此同时，最大Hausdorff距离为0.329 mm，平均Hausdorff距离为0.006 mm，表明空间偏差极小，证实了分割结果的几何精确性。值得注意的是，该模型在不同临床CT扫描方案以及低至625 μm的分辨率条件下仍保持稳健性能，凸显了其适用性和广泛临床部署潜力。
这是首个被证明可超越人类专家勾画的内耳自动分割方法，解决了术前规划和诊断流程中的一个关键瓶颈。该算法能够在多样化临床CT采集条件下良好泛化，提示其可在常规临床环境中应用，而无需高度标准化的成像方案。
专家点评
本研究体现了将SR-PCI等前沿成像技术与先进AI方法结合、以突破传统解剖勾画局限的潜力。由于内耳解剖结构复杂且尺度微小，专家对其进行分割历来存在较大变异，且往往耗时较长并依赖专门经验。通过建立一种经过验证、自动化且高精度的深度学习方法，本研究有望简化手术规划、降低观察者间差异，并促进耳科学临床结局的改善。
不过，真正的临床落地仍需在活体患者扫描中进行前瞻性验证，评估其在病变内耳中的表现，将其整合入临床工作流程，并评价其对手术决策的影响。影像科学家、耳鼻咽喉科医师与AI开发者之间的持续协作，对于将这一技术进展转化为常规实践至关重要。
结论
基于同步辐射的深度学习分割网络标志着内耳成像技术的重要进步。该方法在多种成像方案和分辨率条件下均优于专家手工分割，为术前内耳勾画设立了新的临床金标准。这一进展有望提高耳科手术规划的精确性，并提供一种可扩展、可适应多种临床场景的解决方案。未来研究应聚焦于临床结局关联、自动化整合，以及将该方法拓展至其他复杂解剖区域的可能性。
资金资助与注册
原始研究未注明资金来源或临床试验注册信息。
参考文献
1. Micuda A, Rioux K, Helpard L, et al. Synchrotron-Based Deep Learning Network of the Inner Ear: Development and Expert Validation. The Laryngoscope. 2026;136(10):4209-4218. PMID: 42212468.
2. Lotz J, et al. Phase-Contrast Synchrotron Imaging to Enhance Otologic Surgical Planning. Otol Neurotol. 2023;44(5):e555-e563.
3. Litjens G, et al. A Survey on Deep Learning in Medical Image Analysis. Med Image Anal. 2017;42:60-88.
