通过使用深度学习在儿科患者中通过输出诊断提高中耳炎的准确性

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 儿科 儿科 儿科

背景情况:

• 带出血的中耳炎 (OME) 在幼儿中很常见,导致听力损失.
• 以前用于OME诊断的AI模型缺乏对儿科 tympanic膜图像的验证.
• 儿科和成人耳膜之间存在区别,影响AI模型的相关性.

研究的目的:

• 评估使用耳内镜图像对儿童诊断OME的深度学习模型.
• 将AI模型的诊断准确性与耳鼻喉科医生进行比较.

主要方法:

• 在 1150 张儿科 tympanic 膜图像上训练 ResNet50,DenseNet201,InceptionV3 和 InceptionResNetV2 模型.
• 在一个单独的数据集上验证了100个小儿耳膜图像的模型.
• 将AI模型的性能与七名耳鼻喉科医生进行了比较.

主要成果:

• 这些模型实现了高准确度:ResNet50 (92.9%),DenseNet201 (97.2%),InceptionV3 (96.0%),InceptionResNetV2 (94.8%). 在这些模型中,ResNet50 (92.9%),DenseNet201 (97.2%),InceptionV3 (96.0%) 和InceptionResNetV2 (94.8%) 均实现了高准确度.
• 表现最差的AI模型 (88.0%准确率) 超过了最好的耳鼻喉科医生 (84.0%).
• 与人类专家相比,人工智能模型显示出更高的诊断性能.

结论:

• 在儿科耳内镜图像上训练的深度学习模型显示了对OME诊断的重大潜力.
• 这些人工智能工具可以增强儿科耳学中的临床决策.
• 进一步整合人工智能可以提高儿童OME诊断的准确性和效率.