从使用机器学习的内镜视频中对鼻腔阻塞的分级分类

科学领域:

• 耳鼻喉科 耳鼻喉科 耳鼻喉科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 鼻腔阻塞 (NO) 影响三分之一的成年人,往往需要主观诊断.
• 目前对NO的诊断方法复杂且耗时.
• 自动化NO分级可以简化诊断和改善患者护理.

研究的目的:

• 为了自动化从前鼻腔图像的鼻腔阻塞 (NO) 的等级分类.
• 评估基于支持向量机 (SVM) 的方法与深度学习方法对比.
• 用鼻腔内镜作为一个独立的诊断工具用于常见的NO条件.

主要方法:

• 一个支持矢量机器 (SVM) 模型是使用中间轮机 (MT) 像素数和MT接触比从细分图开发的.
• 将SVM方法与使用直接内镜图像的深度学习模型 (ResNet-50,ViT-tiny) 相比较.
• 这项研究涉及73名参与者,对类别的准确性进行了评估,并与耳,耳,耳科医生顾问的分级进行了对比.

主要成果:

• 基于SVM的方法在验证集中取得了中度的interrater协议 (0.46),在测试集中取得了轻微的协议 (0.14).
• 这代表了对常见NO条件的差异诊断的第一个定量方法.
• 深度学习方法得到了评估,但在摘要的结果中没有详细说明.

结论:

• 拟议的SVM方法显示了使用解剖细分图来对NO严重程度进行分类的潜力.
• 需要进一步的研究,以加强临床翻译的研究人员之间的协议.
• 这项技术可以促进NO的初级保健诊断,减少耳鼻腔科医生转诊.