マルチクラスの中耳病の診断のためのベンチマーク駆動の臨床決定枠組み:精度と安定性におけるスウィン・トランスフォーマーの優位性

科学分野:

• 医学画像分析 医学画像分析
• 医療における人工知能
• 耳鼻喉科 診断 診断

背景:

• 中耳疾患の診断のためのオト・エンドスコピーの精度は変動しており,意思決定支援システムの強化が必要である.
• コンボリュアルニューラルネットワーク (CNN) を利用する現在のコンピュータ・アイド・診断 (CAD) 方法は,グローバル機能の統合に限界があります.

研究 の 目的:

• 中耳疾患の診断のための最先端のCNNとトランスフォーマーモデルを体系的にベンチマークする.
• オトロジーの実践的なAI導入のための新しい確率主導のTop-K臨床意思決定フレームワークを開発する.

主な方法:

• 5つのカテゴリーにわたる6361のオートエンドスコピー画像のマルチセンターデータセットが利用されました.
• 2段階の検証戦略 (固定分割と5倍クロス検証) が採用されました.
• リードするCNNとTransformerのアーキテクチャは,精度とMacro-F1スコアに基づいて比較されました.

主要な成果:

• スウィン・トランスフォーマーモデルは95.53%の精度と93.37%のマクロF1スコアで最高性能を達成しました.
• スウィン・トランスフォーマーには,優れた安定性 (95.61% ±0.38%のクロス検証で) と,クラス不均衡に対する強度があった.
• 確率に基づくトップ2の意思決定フレームワークは,100%のケースカバーで93.25%の精度を達成しました.

結論:

• スウィン・トランスフォーマー (Swin Transformer) は,中耳疾患のAI支援診断の最も効果的なアーキテクチャとして認識されています.
• 開発された意思決定支援フレームワークは,慢性中耳病の診断のための専門的な耳科にAIを導入するための臨床的に実行可能なツールを提供します.