机器学习增强的临床决策支持,用于通过鼻腔内镜诊断鼻炎
Dipesh Gyawali1, Thomas Mundy2, Majid Hosseini3
1Department of Otorhinolaryngology, Ochsner Health, New Orleans, Louisiana, USA.
International forum of allergy & rhinology
|October 15, 2025
概括
一个新的机器学习框架通过精确识别解剖学标志和粘液,改进了使用鼻内镜 (NE) 的鼻炎诊断. 这种人工智能工具减少了变化,并与耳鼻喉科医生的准确度相匹配,以获得更好的患者护理.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 鼻炎的诊断依赖于鼻腔内镜 (NE),但由于在识别解剖学标志和粘液方面的操作者间的变异性,准确性受到阻碍.
- 开发客观的诊断工具对于标准化鼻炎评估至关重要.
研究的目的:
- 创建一个新的多类机器学习 (ML) 框架,用于检测NE图像中的解剖结构和粘液.
- 开发一种基于规则的临床算法,以使用ML识别的特征来诊断鼻炎.
主要方法:
- 在3513个NE图像上训练了一个YOLOv11纳米模型,对中轮,下轮和粘液进行了注释.
- 开发了一个基于规则的算法,将解剖学交叉与联合 (IoU) 结合起来,用于中介管局部化和鼻炎分类.
- 该系统在178张患者的图像上得到了验证,这些患者患有无息肉的慢性鼻炎 (CRSsNP).
主要成果:
- ML模型在检测含有粘液的轮机上获得了超过75%的F1分数.
- 临床算法显示了75.0%的灵敏度,76.0%的特异性和75.2%的准确性,用于鼻炎分类,F1得分为81.8%.
- 该框架在GPU上以每秒超过20 (fps) 的速度运行,表明近乎实时的性能.
结论:
- 开发的ML驱动框架和基于规则的算法通过NE增强了鼻炎诊断,减少了操作者之间的变化.
- 该系统的性能与训练有素的耳鼻喉科医生相美,并提供实时处理能力.
- 这项技术有可能标准化鼻炎护理并改善患者的治疗结果,未来的工作重点是各种鼻炎表型和临床实施.
