使用自诊断深度学习模型诊断单边声麻
Kyoung Ok Yang1, So Young Kim2, Chang Won Kang1
1Department of Artificial Intelligence, Hanyang University, Seoul, 04763, Republic of Korea.
Scientific reports
|July 29, 2025
概括
针对单边声麻 (UVFP) 的新型深度学习系统使用视频分析准确检测麻并预测其类型和侧面. 这种自动化工具增强了临床医生的诊断效用.
科学领域:
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 单侧声麻 (UVFP) 损害了声的流动性,通过喉视频内镜诊断.
- 目前用于UVFP的深度学习 (DL) 模型通常使用静态图像,限制动态评估.
- 评估声动态对于全面的UVFP诊断至关重要.
研究的目的:
- 开发UVFP的自动诊断深度学习 (DL) 系统,使用基于图像和基于视频的模型.
- 为了比较基于图像和基于视频的DL模型对UVFP的诊断性能.
- 评估将时间运动线索纳入UVFP评估的实用性.
主要方法:
- 在来自500名参与者的2639张喉视频内镜片段上训练并验证了DL模型.
- 开发了一个基于图像的DL模型用于UVFP检测.
- 开发了一个基于视频的DL模型,用于UVFP评估的时间运动线索.
主要成果:
- 基于图像的DL模型在UVFP检测方面达到>98%的准确性,但对横向性和类型的预测有限.
- 基于视频的DL模型实现了~99%的UVFP检测准确度.
- 基于视频的模型在预测横向性和类型方面明显优于基于图像的模型.
结论:
- 与基于图像的模型相比,基于视频的DL模型结合了时间运动线索,为UVFP提供了更好的诊断实用性.
- 开发的自诊断DL系统显示了多任务UVFP评估的高性能.
- 这种自动化方法可以通过提高工作流程效率和支持喉运动的多维解释来帮助临床医生.
