深度学习模型的准确性用于诊断大菌球鼻炎
Pakapoom Sukswai1, Narit Hnoohom2, Minh Phuoc Hoang3
1Department of Otolaryngology, Faculty of Medicine, Chulalongkorn University, Bangkok, Thailand.
概括
深度学习模型准确地使用CT扫描诊断大菌球鼻炎 (MFB). 实例细分模型,特别是YOLOv8X-SEG,与整个图像分析相比,显示出更高的性能,并与鼻科医生的准确度相匹配.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 球真菌球鼻炎 (MFB) 是一种常见的疾病,需要准确的诊断.
- 鼻腔计算机断层扫描 (CT) 是诊断的关键成像方式.
- 深度学习 (DL) 为自动化图像分析提供了潜力.
研究的目的:
- 用CT扫描来评估MLB的DL模型的诊断准确性.
- 为了比较DL模型与鼻科医生的性能.
- 评估各种DL架构的整体图像分析和实例细分.
主要方法:
- 分析了来自1539名慢性鼻炎患者 (254名MFB,1285名非MFB) 的CT数据.
- DL模型 (MobileNetv3,ResNet50/101,YOLOv5/8/9-SEG) 在70%的图像上进行了训练,并在30%的图像上进行了测试.
- 性能指标 (准确度,灵敏度,特异性,精度,F1得分) 和ROC曲线被评估并与鼻科医生进行比较.
主要成果:
- 实例细分模型的表现优于整个图像分析模型.
- YOLOv8X-SEG实现了94.1%的精度,85.9%的灵敏度,95.8%的特异性,88.9%的精度和89.8%的F1分数.
- 鼻科医生获得了93.5%的准确度,84.6%的灵敏度,95.3%的特异性,78.6%的精度和81.5%的F1分数.
结论:
- 具有实例细分的DL模型在从CT扫描中诊断MFB时表现出高准确度.
- 这些模型显示出作为医生在MFB诊断中的支持工具的承诺.
- 增强的本地化和细分可以提高MLB检测的DL模型性能.
