欢迎扫码观看 文章视频简介 
1 资料与方法
1.1 文献检索
于2024年6月在PubMed、Web of Science、Embase数据库中进行全面检索。使用的检索词包括人工智能（artificial intelligence）、儿童（children/child）、深度学习（deep learning）、耳鼻咽喉头颈外科（otolaryngology， head and neck surgery）、机器学习（machine learning）。关于这一主题的现有文献有限，因此检索范围不受研究类型、发表日期以及手稿原始语言的限制。导出检索到的文献并手动筛选。
1.2 文献纳入及排除标准
纳入标准：①研究对象为6~14岁儿童；②发表于同行评审的期刊；③研究具体描述了人工智能在儿童耳鼻咽喉头颈外科中的应用。排除标准：①没有摘要和全文；②非期刊论文，如会议论文、学位论文等；③诊断或治疗时没有使用人工智能或自动化技术进行资料收集、分析；④病例报道、文献综述或荟萃分析。
2 文献筛选流程及质量评估
2.1 文献筛选流程
由2名研究者独立筛选文献，文献筛选时首先阅读题目和摘要，在排除明显不相关的文献后，进一步阅读全文，确定最终纳入的文献。文献筛选流程见图1。
2.2 文献质量评估
依据国家心肺血液研究所研究质量评估工具（National Heart，Lung，and Blood Institute Study Quality Assessment Tools，NHI-SQAT）和2011版牛津循证医学证据分级（the Oxford 2011 Levels of Evidence，LOE）设计表格，依次对文献质量进行评估，遴选出真实有效的文献。
3 结果
3.1 纳入文献基本情况
经过初步筛选摘要与标题、阅读全文、追溯补充检索，筛除质量不符合标准的文献后，最终纳入38篇文献，见图1。这些文献发表于2007年1月至2024年6月，集中于2023年（n = 10），其次为2024年（n = 8）。用于训练机器学习算法模型的数据主要来自单中心（n = 35），少数为多中心（n = 3）。38篇文献中所描述的研究在9个国家进行，其中研究数量最多的国家是美国（n = 19），其次是中国（n = 9）和加拿大（n = 3）。这些研究涵盖了耳科学、鼻科学、咽喉科学和头颈外科学4个领域，最常见的领域是耳科（n = 23），其次是咽喉科（n = 9）、头颈外科（n = 3）和鼻科（n = 2）。见表1。
表1 纳入文献的发表年份、国家、领域和研究质量的系统总结Table 1 A systematic summary of the included literature by publication year， country， field， and research quality |
| 第一作者 | 发表年份 | 国家 | 领域 | 数据 | 质量 | LOE |
|---|---|---|---|---|---|---|
| SHAIKH N[8] | 2024 | 美国 | 1 | 2 | 1 | 4 |
| ABOUSETTA A[9] | 2023 | 埃及 | 1 | 2 | 2 | 4 |
| ZENG J[10] | 2022 | 中国 | 1 | 2 | 1 | 4 |
| YE P[11] | 2023 | 中国 | 1 | 1 | 2 | 4 |
| TRAN T T[12] | 2018 | 中国 | 1 | 1 | 2 | 5 |
| MOTHERSHAW A[13] | 2021 | 澳大利亚 | 1 | 1 | 2 | 5 |
| MOISE A[14] | 2024 | 加拿大 | 3 | 1 | 2 | 5 |
| MOISE A[15] | 2023 | 加拿大 | 1 | 1 | 2 | 5 |
| HABIB A R[16] | 2022 | 澳大利亚 | 1 | 1 | 2 | 4 |
| GOFFI-GOMEZ M V S[17] | 2024 | 巴西 | 1 | 1 | 2 | 4 |
| DHAR S[18] | 2024 | 美国 | 3 | 1 | 2 | 5 |
| CROWSON M G[19] | 2023 | 美国 | 1 | 1 | 1 | 4 |
| WU Z[20] | 2021 | 中国 | 1 | 1 | 2 | 4 |
| WU Y[21] | 2022 | 中国 | 3 | 1 | 1 | 4 |
| WIMALARATHNA H[22] | 2021 | 加拿大 | 1 | 1 | 1 | 4 |
| TESSLER I[23] | 2024 | 以色列 | 5 | 1 | 2 | 4 |
| SURESH K[24] | 2024 | 美国 | 1 | 1 | 1 | 4 |
| SKIDMORE J[25] | 2021 | 美国 | 1 | 1 | 1 | 4 |
| QIN H[26] | 2024 | 中国 | 3 | 1 | 2 | 4 |
| PITATHAWATCHAI P[27] | 2022 | 泰国 | 1 | 1 | 1 | 4 |
| MU Y[28] | 2024 | 中国 | 1 | 1 | 2 | 4 |
| LI Y[29] | 2022 | 中国 | 2 | 1 | 2 | 4 |
| LEONARDIS R L[30] | 2013 | 美国 | 3 | 1 | 1 | 4 |
| JOHNSTON D R[31] | 2023 | 美国 | 3 | 1 | 2 | 4 |
| JIN F Q[32] | 2023 | 美国 | 1 | 1 | 1 | 4 |
| HENNOCQ Q[33] | 2023 | 法国 | 1 | 1 | 2 | 4 |
| GOYAL N[34] | 2022 | 美国 | 3 | 1 | 2 | 3 |
| FU R[35] | 2023 | 美国 | 2 | 1 | 2 | 4 |
| FENG G[36] | 2018 | 中国 | 1 | 1 | 1 | 4 |
| FAUST R A[37] | 2008 | 美国 | 3 | 1 | 2 | 5 |
| CROWSON M G[38] | 2021 | 美国 | 1 | 1 | 1 | 4 |
| CROWSON M G[39] | 2023 | 美国 | 3 | 1 | 2 | 4 |
| CHANG K M[40] | 2024 | 美国 | 1 | 1 | 2 | 4 |
| CAMALAN S[41] | 2020 | 美国 | 1 | 1 | 2 | 4 |
| ZDANSKI C J[42] | 2017 | 美国 | 4 | 1 | 2 | 4 |
| THOTTAM P J[43] | 2015 | 美国 | 4 | 1 | 2 | 4 |
| TAN L[44] | 2015 | 美国 | 1 | 1 | 2 | 5 |
| RAHBAR R[45] | 2007 | 美国 | 4 | 1 | 2 | 4 |
注： 领域1=耳科， 2=鼻科， 3=咽喉科， 4=头颈外科， 5=均包含； 数据1=单中心研究， 2=多中心研究； 质量1=良好， 2=一般； LOE 1=最高级别， 5=最低级别。 |
3.2 文献偏倚风险评估和证据水平
根据NHI‐SQAT，纳入文献的研究质量大部分为质量一般（n = 26），部分为质量良好（n = 12）。根据LOE，纳入文献的研究中主要为4级证据（n =30），其次为5级证据（n = 7）。见表1。
3.3 纳入文献分析
3.3.1 人工智能在儿童耳科学中的应用
1）人工智能在CI方面的应用。听力障碍是最常见的感觉缺陷，对全球超过4.66亿人产生了深远的影响[48]。自1971年被开创性引入以来，基于优秀的神经仿生功能，CI技术已成为中重度感音神经性听力损失患者的首选治疗方法[49]。在过去几年中，CI技术在人工智能的帮助下实现了极大的进步，也从最初的针对成人逐渐向应用于儿童转变[50]。Skidmore等[25]纳入23例耳蜗神经缺损患儿和29名耳蜗大小正常者的听神经负荷电位参数，通过线性回归、支持向量机回归和Logistic回归建立预测模型，准确评估患者的神经网络（cochlear nerve，CN）功能状态并对其进行分层，该模型有助于了解使用了CI患儿的预后。Feng等[36]和Tan等[44]采用支持向量回归算法建模，利用术前神经解剖形态学数据来预测CI激活后使用者的语言发展状况，分别获得了76%和93.8%的分类准确率。Abousetta等[9]针对儿童进行了一项回顾性研究，其将成功建立的新的机器学习分类模型用于预测CI激活后使用者的表现，随着数据的不断累积，模型预测的准确度也进一步提升，有望于未来辅助CI使用者进行客观决策。上述各项结果证实了CI与机器学习算法尤其是深度学习之间的关系正在不断加强。
3.3.2 人工智能在儿童鼻科学中的应用
人工智能在儿童鼻科学中的应用报道相对较少，主要受限于鼻科学图像数据的获取。儿童鼻腔、鼻窦及其相邻器官生理解剖学具有复杂性和多变异性，同时，儿童鼻科图像数据来源较少且质量不稳定，这些因素大大增加了儿童鼻科学图像数据收集和分析的难度。
目前已有的研究主要涉及鼻窦图像数据的重建[29]。随着重建技术的不断发展，如何在显著降低辐射剂量的情况下保证获得高质量的诊断图像成为目前研究的热点[54-55]。Li等[29]引入一种新的深度学习图像重建方法（deep learning image reconstruction，DLIR），并将其与目前临床最先进的自适应统计迭代重建算法进行比较，结果显示，在图像质量评估方面DLIR总体优于后者，提示了将DLIR应用于儿童鼻窦低剂量CT扫描的可能性。Fu等[35]开发了一款人工智能自动化预测软件，对56例鼻窦炎继发骨膜下眶脓肿患儿的CT图像进行三维可视化和定量评估，实现了对肿物体积的准确预测，有望对手术治疗规划及临床决策提供有效帮助。在相关疾病预后方面，Montevecchi等[56]报道了经腺样体切除术治疗失败的3例患儿，在通过经口机器人手术（transoral robotic surgery，TORS）后解除了舌底梗阻，腺样体切除术后预后不良症状得到改善。
3.3.3 人工智能在儿童咽喉科学中的应用
1）人工智能在OSA中的应用。OSA是一种严重的阻塞性睡眠呼吸障碍，在儿童中的患病率约为1%~5%[58]。其诊断的金标准——多导睡眠图的花费高昂且耗时长，难以适应疑似病例的大规模筛查，这会造成对OSA患儿病情的忽视以及错失诊疗时机，增加了儿童心血管系统和代谢系统紊乱、神经认知和行为功能障碍等不良后果的发生风险[59]。Ye等[11]建立了基于儿童夜间心率和血氧特征的XGBoost算法诊断模型，在简化了诊断过程的同时还实现了对不同程度OSA患儿的准确识别，研究结果表明该机器学习模型在轻度OSA分类任务中展现出良好的性能（受试者操作特征曲线的曲线下面积达0.92）。Wu等[21]开发了一种基于单通道夜间氧饱和度的多层感知器模型，比较并选取了单通道夜间氧饱和度信号的最优特征，可靠地诊断了中重度OSA患儿，尤其是在儿科睡眠实验室资源有限的环境中，该模型可减少未被识别和未经治疗的OSA的长期并发症，并有助于改善医疗资源的分配和使用。Qin等[26]对2 464例OSA患儿进行了临床特征数据的收集、选择和分析，验证了基于儿童临床特征预测OSA的ML模型的有效性，与多导睡眠图筛查问卷相比，ML模型具有更好的预测能力，其中，有效临床特征组合的方法为临床快速经济地识别OSA提供了新思路。Crowson等[39]利用OSA患儿在多导睡眠监测（polysomnography，PSG）中获得的鼻气压测量数据进行建模，结果显示机器学习通过鼻气压跟踪睡眠呼吸暂停事件具有可行性，甚至可能超越临床专家的诊断性能，建议未来的研究应着重优化各项预测模型的实用特性以更适用于临床。
2）人工智能与扁桃体相关的应用。自从TORS问世以来，其安全性和有效性已被证实[60]，尤其是在传统手术难以观察到的隐匿解剖位置，TORS展现出巨大的潜力，如在舌扁桃体的切除或活组织检查（活检） 方面[61]。Leonardis等[30]对16例接受TORS切除舌扁桃体的患儿进行了回顾性分析，评估了手术时间、出血量和术后并发症等数据并制作机器学习曲线，结果显示，达芬奇机器人在执行力方面的表现令人鼓舞。Moise等[14]利用ChatGPT进行儿童扁桃体切除术后指导，并将其反馈结果与美国耳鼻咽喉头颈外科学会（American Academy of Otolaryngology Head and Neck Surgery，AAO-HNSF）制定的《临床实践指南》进行比较，其中93.8%的ChatGPT反馈结果具有高度的可靠性和准确性，该项研究验证了ChatGPT在增强医疗服务方面的良好性能，类似的研究也已在儿童鼓膜造瘘术的术后指导中开展[15]。
3.3.4 人工智能在头颈外科学中的应用
头颈部机器人手术拥有三维内窥镜视野、微型器械的自由运动和震颤过滤等重要优势[30]。早于十多年前已有研究者试图运用人工智能进行儿童头颈部手术，Rahbar等[45]成功地进行了2例喉裂TORS，并首次提出TORS是儿童气道手术的可行选择，标志着儿童头颈部手术选择范围的显著扩大。近年来机器人手术不断被成功应用于儿童头颈部手术的多个领域，从睡眠手术到气道重建再到咽肿块切除[42-43]。但前述研究者的观点，他们均认为，相较于人工智能在其他方面的突出表现，目前TORS在儿童中的应用仍处于起步阶段，其原因可能包括：①儿童患者头颈部解剖结构的特殊性；②机器人手术视觉限制和器械操作空间不足；③设备和培训的初始成本高昂。
4 讨论
本系统综述显示，人工智能已逐渐被深入应用于儿童耳鼻咽喉头颈外科，呈现了快速发展的趋势，应用前景广阔。在儿童耳科学方面，人工智能的应用不限于传统的人工耳蜗改良，研究者们正逐步将视线放宽至整个耳科学的各类疾病和诊疗技术上，例如中耳炎及一些少见病的诊治。此外，人工智能在推进儿童耳科学诊疗发展的同时也为其他相关领域的人工智能应用提供了新基础和新思路。但在儿童鼻科学方面，碍于个体差异的客观存在，以及相关优秀算法的匮乏，人工智能的应用仍存在巨大困难，也相对少人涉足。但基于前述个别先驱者的大胆尝试，本团队相信，在未来更多优秀算法涌现和迭代的情况下，个体差异等困难将迎刃而解，人工智能在克服复杂性、多变异性等现存问题困难后，将会在儿童鼻科学图像采集与手术技术创新方面得到更广泛的应用。在儿童咽喉学方面，多个OSA模型的建立为高效、经济诊断OSA提供了新的思路与方向。此外，对于咽喉部隐匿的解剖位置，TORS展现出了较大优势，而2022年底问世的生成式人工智能ChatGPT在优化术后指导、增强医疗服务方面也具有巨大潜力[15]。对于儿童头颈外科学，TORS的应用由于受到多种因素的限制仍处于初始阶段，但虚拟现实技术在优化术前手术方案中则颇具优势。
综上所述，近年来人工智能已逐渐渗透于耳鼻咽喉头颈外科疾病的诊断及治疗，且不囿于传统的耳科、鼻科、咽喉科、头颈外科等成人领域，而是在儿童疾病中横向拓宽、纵深发展，并在临床实践中开始了初具规模的规范化应用。其中在儿童耳科学、咽喉科学的疾病早期诊断和预后预测方面尤为突出，儿童中耳炎的诊疗、儿童听力损伤测定、术前规划与术后指导、远程医疗等成为近年来的主要应用方向。人工智能在儿童耳鼻咽喉头颈外科呈现的应用方向还囊括了人工智能参与的医疗保健、人工智能参与的远程医疗协助等，且存在大片的空白领域有待探究。在精准医疗已成为行业焦点的契机上，人工智能有助于提高精准性的优势使得其在儿童耳鼻咽喉头颈外科疾病中的发展势不可挡，但在施行的可行性以及相关的伦理方面依然具有挑战性，例如，缺乏及时有效的反馈机制、安全隐私的责任监察体系、完备的法律法规等。再者，高昂的开发成本、维护工作的高风险等压力也使大多数医疗机构望而却步。然而伴随着信息技术的跨步发展，人工智能在医疗保健和儿童患者教育方面的应用前景将更加明朗。立足当今医学科学研究的角度展望未来，人工智能在儿童耳鼻咽喉头颈外科相关领域的应用，技术上亟须在优化术前实践、术后教育等方面寻求突破，同时应进一步加强机器学习算法应用的交互性以及实用性以将其更好地融入临床指导。在伦理上，随着人工智能应用于临床实践的深入化，尤其是针对儿童疾病的诊疗，是否会逾越现今的伦理审查标准，是否应制定针对人工智能的更为全面的规范制度，值得商榷。归根结底，人工智能在儿童耳鼻咽喉头颈外科中的应用具有广阔的前景，但仍存在多个有待探索的真空领域，其研究以及实践兼具创新性以及挑战性，有待医学研究者及临床工作者的深入探索。