基于人工智能诊断的硫:通过深度学习评估视频斯特罗博斯科
Ömer Tarık Kavak1, Şevket Gündüz2, Cabir Vural3
1Department of Otorhinolaryngology, Marmara University Faculty of Medicine, Pendik Training and Research Hospital, Fevzi Çakmak Muhsin Yazıcıoğlu Street, İstanbul, 34899, Turkey. omrkavak11@gmail.com.
概括
一个新的卷积神经网络 (CNN) 模型准确地识别了从视频强光镜 (videostroboscopies) 中的声 (VF) . 这种人工智能工具帮助临床医生诊断VF疾病,在多重分类任务中表现优于专家评估.
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:
- 声 (VF) 硫的诊断在视频强光镜检查期间可能具有挑战性.
- 精确区分硫,良性VF病变和健康的VF是有效治疗的关键.
研究的目的:
- 开发和评估基于卷积神经网络 (CNN) 的模型,用于对视频光学图像进行分类.
- 该模型旨在提高与传统方法相比,VF硫的诊断准确度.
主要方法:
- 一个CNN模型在433个人的91,159个上接受了训练 (,良性VF病变,健康的VF).
- 进行了二元分类 (与健康) 和多元分类 (包括良性病变).
- 模型的性能与五位喉科专家的评估进行了比较.
主要成果:
- 在二进制分类中,CNN模型实现了98%的准确性,98%的回忆,97%的精度和97%的F1分数,用于Sulcus与健康的VF.
- 在多重分类中,CNN模型的准确性 (76%) 比平均专家表现 (72%) 高.
结论:
- 一个基于CNN的模型显著有助于诊断具有挑战性的VF硫病例.
- 建议进行进一步的研究,以探索这个AI工具的实时临床实施.
