使用机器学习用于内镜检测低级子腺狭窄症:一个原则证明
Dana N Eitan1, Nikolaus E Wolter2, Patrick Scheffler1,3,4
1Creighton University School of Medicine, Phoenix, Arizona, USA.
概括
开发了一种深度学习算法,可以使用内镜图像检测下喉狭窄 (SGS). 该模型实现了73.3%的准确性,显示了诊断这种气道疾病的临床使用潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 囊下狭窄 (subglottic stenosis,SGS) 是声带下方的气道狭窄的情况.
- 准确及时诊断SGS对于有效的患者管理至关重要.
- 内镜可视化是识别SGS的主要方法.
研究的目的:
- 训练,测试和评估一种深度学习算法,用于检测内镜图像上的下狭窄 (SGS).
- 评估算法在识别SGS和正常气道方面的诊断性能.
主要方法:
- 进行了对微喉镜-支气管镜手术的回顾性审查.
- 预先训练的Resnet50图像分类器在387张内镜呼吸道图像 (122张SGS,106张正常,159张喉图像) 上进行了重新训练.
- 使用数据增强技术,以减轻因数据集大小有限而导致的过度匹配.
主要成果:
- 深度学习模型在检测SGS时实现了73.3% (SD:3.8) 的整体准确性.
- 狭窄检测的精度和回忆分别为77.3% (SD:4.0) 和72.7% (SD:4.0),F1得分为0.75 (SD:0.04).
- 正常大小的气道的性能指标略低,F1得分为0.71 (SD:0.04).
结论:
- 这项研究证明了使用深度学习算法的可行性,以从内镜图像中识别 subglottic 狭窄.
- 开发的算法显示出有助于诊断SGS的前景.
- 进一步的研究是必要的,以提高诊断准确性临床实施.
