神经鼻腔:先进的人工智能驱动的自我监督学习方法,用于增强鼻病理检测
Nesrine Atitallah1, Safa Ben Atitallah2,3, Maha Driss2,3
1Faculty of Computer Studies, Arab Open University, Riyadh 11681, Saudi Arabia.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
人工智能 (AI) 使用自主监督学习 (SSL) 和随机森林 (RF) 算法增强鼻疾病诊断. 这种人工智能方法在从医疗图像中分类鼻腔病理方面获得了92.62%的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 鼻疾病显著影响生活质量,导致面部疼痛和嗅觉减少等症状.
- 准确诊断鼻疾病是具有挑战性的,因为诸如患者不遵守协议等因素.
- 人工智能 (AI) 为改善鼻病理的诊断精度提供了一个有希望的途径.
研究的目的:
- 开发和评估一种基于人工智能的新方法来检测鼻腔病理.
- 利用自主监督学习 (SSL) 和随机森林 (RF) 算法来提高分类准确性.
- 引入一个新的,专家标记的CT和MRI图像数据集,用于鼻腔病理学研究.
主要方法:
- 利用了137张CT和MRI图像的新数据集,由专家放射科医生将其标记成健康和不健康的类别.
- 在自我监督的框架内使用Deep InfoMax (DIM) 模型来提取全球和本地图像特征.
- 将提取的特征集成到随机森林 (RF) 分类器中,以区分健康和病态鼻病例.
主要成果:
- 基于人工智能的方法在分类鼻病理方面表现出高效.
- 在区分健康和患病的鼻病例方面,获得了92.62%的平均分类准确率.
- 深度InfoMax (DIM) 和随机森林 (RF) 的结合证明了特征学习和分类的有效性.
结论:
- 拟议的人工智能驱动的方法显示了提高鼻病理诊断的准确性和有效性的巨大潜力.
- 开发的数据集可以作为未来研究人工智能医疗图像分析鼻疾病的宝贵资源.
- 这项研究强调了自我监督学习 (SSL) 和随机森林 (RF) 在改善鼻疾病诊断结果方面的成功应用.
