开发一个开源的算法,用于在临床医生主导的鼻放射研究中进行自动化细分
Rhea Darbari Kaul1,2,3, Wenjin Zhong4, Sidong Liu4
1Rhinology and Skull Base Research Group, Applied Medical Research Centre, University of New South Wales, Sydney, Australia.
The Laryngoscope
|May 27, 2025
概括
一个开源的深度学习算法用于细分鼻鼻CT扫描显示了良好的准确性. 该工具通过提供可访问的计算专业知识来支持临床医生领导的耳鼻喉科人工智能研究.
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:
- 临床医生领导的人工智能 (AI) 研究需要可访问的计算工具.
- 现有的AI细分算法用于鼻鼻腔计算机断层扫描 (CT) 通常无法公开访问.
- 需要验证的开源算法来促进人工智能驱动的耳鼻喉医学研究.
研究的目的:
- 验证并提供一个开源的深度学习细分算法,用于鼻CT扫描.
- 以临床驱动的AI工具支持耳鼻喉科研究社区.
- 为了使大型医疗数据集的更复杂的基于人工智能的分析.
主要方法:
- 一个UNet++深度学习算法被修改为对鼻CTs的自动细分.
- 一组100张鼻CT扫描的数据集被手动细分,然后分为训练 (80%) 和测试 (20%).
- 绩效被评估使用子相似系数 (DSC),交界线 (IoU),豪斯多夫距离 (HD),灵敏度,特异性和视觉分级.
主要成果:
- 该算法实现了0.87的平均DSC和0.80.8的IOU.
- 平均灵敏度为83.98%,特异性为99.81%,平均HD为33.61毫米.
- 视觉相似度分级的中位数为3 (良好),正常和患病扫描之间没有显著差异.
结论:
- 使用深度学习对鼻CTs的自动细分显示出与手动细分相比有希望的结果.
- 该研究为耳鼻喉科研究社区提供了一种经过验证的开源细分算法.
- 这种算法作为先进AI应用程序分析鼻腔成像数据的基础.
