慢性鼻炎的术后结果分析,使用基于内镜图像的预训练基础模型进行转移学习:一个多中心的观察性研究
Wentao Gong1,2, Keguang Chen3, Xiao Chen2
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, 200093, China.
Biomedical engineering online
|July 27, 2025
概括
本研究介绍了一种使用转移学习的AI框架,用于分析慢性鼻炎 (CRS) 术后图像. 与传统方法相比,人工智能模型在评估鼻腔状态方面表现出卓越的准确性和可重复性.
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:
- 慢性鼻炎 (CRS) 的诊断和管理通常依赖于主观内镜评估.
- 对术后鼻腔状态的客观评估对于有效的CRS治疗至关重要.
- 在CRS中分析术后内镜图像的现有方法缺乏标准化和可重复性.
研究的目的:
- 开发一个人工智能驱动的分析框架,用于对CRS中术后内镜图像的客观评估.
- 利用基础模型和转移学习来提高CRS结果评估的准确性.
- 为了解决传统的术后内镜评估中固有的主观性.
主要方法:
- 开发一个术后鼻腔状态的分类系统:多,和光滑.
- 在内镜图像上使用预训练的基础模型进行转移学习.
- 与传统培训方法进行比较分析,以验证模型性能,特别是使用有限的数据集.
主要成果:
- 转移学习模型实现了高诊断性能,平均准确率为91.17%,在区分光滑粘膜时AUC为0.97.
- 该模型显示,平均准确性比传统的算法提高了4%用于光滑的粘膜检测.
- 对于区分多,该模型获得了81.87%的平均精度和0.90AUC,比传统方法提高了15%.
结论:
- 基于基础模型的转移学习提供了术后CRS结果的准确和可重现的分析.
- 拟议的AI框架有效地减轻了传统术后评估中的主观性挑战.
- 该模型与传统算法相比,在有限的数据集上展示了优越的概括性能.
