骨式听力植入体手术后组织分类:用于监测皮肤反应的机器学习方法

科学领域:

• 医学技术 医学技术 医学技术
• 医疗保健中的人工智能
• 软组织分析软组织分析

背景情况:

• 软组织健康是皮肤穿透骨导管装置 (BCD) 手术后的一个关键结果.
• 目前用于分类软组织健康的方法是主观的,影响治疗决策和资源管理.
• 机器学习 (ML) 为标准化组织分类提供了一个潜在的解决方案.

研究的目的:

• 评估ML技术,以对BCD手术后软组织健康进行分类.
• 探索用于组织监测的ML驱动应用程序的开发.
• 提供证据支持人工智能在听力学和软组织管理中的使用.

主要方法:

• 一个卷积神经网络 (CNN) 模型被开发和测试.
• 收集和预处理软组织 (绿色,黄色,红色) 的图像样本 (N=398).
• 进行特征提取以训练高级CNN模型.

主要成果:

• 该模型在对健康与不健康组织进行分类时达到87%的准确性.
• 该模型在区分轻微和严重的不健康组织方面显示了94%的准确性.
• 这些结果表明,在客观组织评估中,ML的高性能.

结论:

• 客观软组织分类仍然是管理BCD用户的临床医生面临的挑战.
• 基于ML的分类系统可以作为组织监测的有价值的技术辅助.
• 这种方法对改善患者管理和临床工作流程有重大影响.