高速视频内镜和硬度映射用于人工智能辅助的喉损伤差异化

科学领域:

• 耳鼻喉科 耳鼻喉科 耳鼻喉科
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 精确区分良性和恶性喉病变对于有效治疗至关重要.
• 目前的诊断方法可能是侵入性的,或缺乏对声生物力学的客观评估.

研究的目的:

• 为了评估高速视频内镜 (HSV) 对非侵入性差异化良性和恶性喉病变.
• 引入和评估一个新的参数,声硬度 (SAI),用于客观的声生物力学分析.
• 探索机器学习模型在提高诊断准确度方面的实用性.

主要方法:

• 高速视频内镜检查 (HSV) 对102名参与者 (21名对照组,39名良性病变,42名喉癌) 进行.
• 量化喉图谱 (SAI) 和基摩图谱参数与声硬度,振幅,对称性和球动态有关.
• 利用接收器操作特征 (ROC) 分析和机器学习 (SVM分类器) 进行统计分析和损伤分类.

主要成果:

• 单变ROC分析显示SAI (AUC=0.91) 和振幅不对称性 (AUC=0.92) 的高疗效,可以区分正态声和有机病变.
• 机器学习模型,特别是SVM,在检测有机病变时实现了0.93的AUC,改善了诊断性能.
• SVM分类器显示AUC为0.83,用于区分良性和恶性喉病变.

结论:

• 这项研究强调了从HSV获得的声硬度参数 (SAI) 作为一种非侵入性工具的潜力.
• SAI可以帮助支持对喉病变的组织病理学评估.
• 机器学习集成显著提高了基于HSV的诊断性能,用于喉病变的参数.