使用机器学习从内镜视频中对声段固定进行分类
概括
本研究引入了一种机器学习 (ML) 方法,用于客观的声带运动分类. 该ML模型达到82%的准确性,为耳鼻喉科的临床诊断提供了可靠的支持.
科学领域:
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 声运动性评估对于诊断功能缺陷和分期喉癌至关重要.
- 目前的诊断内镜依赖于对视频内镜片的主观解释.
- 需要客观,可靠和可重复的方法来评估声带运动.
研究的目的:
- 提出和评估一种机器学习 (ML) 方法,用于客观地分类声带运动.
- 开发一款计算机辅助工具,以支持临床医生进行声带功能评估.
主要方法:
- 从186名患有正常或固定声带的患者的内镜视频中提取了558张图像的数据集.
- 从图像中提取特征,以训练和测试四个ML分类器.
- 使用XGBoost分类器进行声带运动性分类.
主要成果:
- 该XGBoost模型实现了高性能指标:精度=0.82,回忆=0.82,F1得分=0.82,准确度=0.82.
- 对ML模型的比较表明XGBoost是性能最好的分类器.
- 开发的方法表明了准确可靠的临床支持的潜力.
结论:
- 机器学习为声带运动性评估提供了一个有希望的客观方法.
- 这种计算机辅助方法可以提高耳鼻喉科临床评估的准确性和可靠性.
- 这项研究通过提供客观运动性评估的工具来推进计算机辅助耳鼻喉学.
