Clasificación y segmentación de la morfología del moco utilizando aprendizaje profundo durante la endoscopia nasal de...

Área de la Ciencia:

• Otorrinolaringología
• La inteligencia artificial médica
• Patología computacional

Sus antecedentes:

• La endoscopia nasal es crucial para el diagnóstico de las afecciones sinonaciales.
• No existe una evaluación objetiva del moco en la enfermedad sinonasal.
• La evaluación actual del moco se basa en la interpretación subjetiva.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo para la clasificación de la morfología del moco.
• Evaluar el rendimiento del modelo en la segmentación y clasificación de diferentes tipos de moco.
• Para explorar la utilidad del análisis de moco impulsado por IA para la detección de la inflamación sinonal.

Principales métodos:

• Utilizó un modelo de aprendizaje profundo previamente entrenado para la segmentación y clasificación de imágenes.
• Se aplicó el modelo a muestras de moco obtenidas durante la endoscopia nasal.
• Evaluación del rendimiento del modelo en varias morfologías de moco.

Principales resultados:

• El modelo de aprendizaje profundo demostró un gran rendimiento en la segmentación y clasificación de las morfologías de moco.
• Se logró una clasificación objetiva de los tipos de moco.
• Los hallazgos del modelo se correlacionan con la presencia de inflamación sinonal.

Conclusiones:

• La clasificación objetiva de la morfología del moco con IA es factible.
• Este enfoque ofrece una herramienta novedosa para la detección de la inflamación sinonal.
• Este estudio es pionero en la clasificación objetiva de la morfología del moco en entornos nasales.