深度学习算法用于在鼻子内镜图像中自动检测和分类鼻腔质量
Kyung Won Kwon1, Seong Hyeon Park2, Dong Hoon Lee3
1Department of Otolaryngology, Samsung Changwon Hospital, Sungkyunkwan University School of Medicine, Changwon, Korea.
PloS one
|March 13, 2024
概括
一个新的深度学习模型使用内镜图像准确地检测和分类鼻腔质量,包括鼻息肉 (NP),良性和恶性瘤. 这种人工智能工具显示出快速精确查鼻病变的潜力.
科学领域:
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 鼻腔内镜对于诊断鼻腔质量至关重要.
- 目前用于分类各种鼻腔质量的深度学习应用有限.
- 精确区分鼻息肉,良性和恶性瘤在临床上具有意义.
研究的目的:
- 开发和评估一种深度学习模型,用于从内镜图像中检测和分类鼻腔质量病变.
- 将模型的性能与临床医生手动评估进行比较.
- 评估AI在鼻腔质量诊断中的临床可行性.
主要方法:
- 一个深度学习模型 (Xception架构) 在生物检查确认的鼻腔内镜图像的大数据集上进行了训练.
- 该数据集包括正常的鼻腔,鼻息肉 (NP),良性瘤和恶性瘤.
- 模型性能在单独的测试组中进行了评估,并与手动评估进行了比较.
主要成果:
- 该模型的整体精度为0.792,对正常 (0.978),NP (0.790),良性 (0.708) 和恶性 (0.698) 类的特定精度.
- 在ROC曲线下的平均面积 (AUC) 为0.947,表明强大的歧视力.
- 该模型在分类良性和恶性瘤方面表现优于手动评估,显示出更高的灵敏度.
结论:
- 开发的深度学习模型有效地分类了四种类型的鼻腔病变:正常,NP,良性瘤和恶性瘤.
- 该模型展示了临床可行性和潜力,用于准确和快速查鼻病变.
- 人工智能驱动的内镜检查提供了一个有前途的工具,以帮助诊断鼻腔病理.
