计算机应用

作者：吴松霖, 张广朝, 姚远, 彭博

单位：1.西南交通大学 计算机与人工智能学院，成都 611756；2.四川大学华西医院 麻醉科，成都 610044；3.四川大学华西医院 全科医学科，成都 610044

关键词：困难气道识别,多视图学习,数据增强,类别数量不平衡,特征融合,注意力机制

基金：四川省科技计划项目(2024YFHZ0059)

困难气道（DA）是临床手术中关键的术前风险因素，但它的准确识别面临诸多挑战，如数据集规模小、类别严重不平衡和单视图识别能力不足等。针对这些问题，提出多视图DA识别模型——DRG-MV-Net（Discriminative Region Guided Multi-View Net）。在模型的第一阶段，判别区域引导模块（DRGM）借助类激活映射（CAM）自动检测并强调面部视图中的关键判别区域，生成2种具有特定特征的数据增强图像；在模型的第二阶段，使用集成扩张卷积块注意模块（D-CBAM）的ResNet-18骨干网络提取每个视图的特征，再通过多视图交叉融合模块（MCFM）进行多视图特征集成。此外，将Focal Loss与分层混合采样相结合，缓解类别不平衡问题。对所构建的临床数据集的评估结果显示，所提模型实现了77.22%的几何平均准确率（G-Mean）、43.88%的F1分数（F1-Score）、38.73%的马修斯相关系数（MCC）和0.740 7的受试者操作特征曲线下面积（AUC）。与近期的DA识别模型MCE-Net（Multi-view Contrastive representation prior and Ensemble classification Network）相比，所提模型的G-Mean、F1-Score和MCC分别提升了2.41、2.34和3.41个百分点；与基线模型ResNet-18相比，分别提升了4.85、6.85和8.25个百分点。以上结果验证了所提模型在小型且不平衡数据集上DA识别的有效性，为解决复杂的DA识别提供了新的见解和方法。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期