目的:喉癌(Laryngeal Carcinoma,LC)是头颈部常见的恶性肿瘤,其发病率在呼吸系统肿瘤中位列第二。近几年来,尽管喉癌在治疗方式上取得了重大进展,但患者的生存率并无显著提高。由于生存率与疾病检测的准确率密切相关,因此,癌前病变的早期检测是喉癌预后的重要决定性因素。目前临床上多使用电子喉镜检查对其进行早期诊断,然而,不同阶段的癌前病变在电子喉镜下的形态表现可能相似,在诊断上主要依靠耳鼻咽喉科内窥镜医生的临床经验。因此本研究旨在开发一种客观、稳定的方法,构建一个基于深度学习下的Lary Mind模型,用于喉内镜图像的病灶识别和疾病分类,为常见喉部疾病的诊断提供有价值的参考依据。方法:我们选取Kvasir数据库中的胃肠镜图像共8000张用于构建预训练数据集,回顾性的收集2010年2月至2022年5月在我院耳鼻喉科门诊喉镜室行电子喉镜检查患者的电子喉镜普通清晰白光图像共2271张,其中鳞状细胞癌图像611张、声带白斑图像158张FUT-175半抑制浓度、声带息肉图像854张、声带小结图像202张、声带肉芽肿Histone Demethylase抑制剂图像99张、声带炎图像300张,鳞状immune stress细胞癌和声带白斑并发图像40张、声带白斑和声带息肉并发图像7张,以及3573张健康人群图像,共计5844张喉部内窥镜图像用于模型训练,通过消融实验分析不同的深度学习方法在内窥镜图像研究任务中的性能差异,确定最佳模型与参数。另收集113张喉镜图像作为测试数据以比较本模型和耳鼻喉科医生的表现,选用SPSS 20.0软件进行配对t检验,对模型辅助前后医生诊断准确性的差异进行比较。结果:所有图像经过病理组织学验证,通过实验得出,本文提出的电子喉镜图像识别模型在多种喉部疾病分类任务中的AUC值达到了0.76,能够准确对多种喉部疾病进行分类。在使用113张喉镜图片进行诊断的测试中得出,本模型及低年资组、高年资组、专家组医生对6类常见喉部疾病的平均诊断准确率分别为89.07%、72.74%、78.11%、82.30%,且电子喉镜图像识别模型阅片耗时明显更短(0.07s vs 6.37s)。以及在模型辅助前后,低年资组、高年资组及专家组医生的诊断准确率均有所提升,分别为(72.74%vs 81.55%;78.11%vs 85.07%;82.30%vs 88.00%)。结论:本文提出的Lary Mind模型在电子喉镜图像中对于常见喉部疾病的分类能力强,其准确率明显高于低年资组、高年资组及专家组医生,在临床辅助诊断方面可提供有价值的参考,具有良好的临床应用前景。