一种基于深度学习的方法,通过耳镜图像检测中耳炎的严重程度阶段

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:

• 中耳炎 (OM) 是一种普遍存在的中耳疾病,特别是在儿童中,需要准确的诊断才能进行有效的治疗.
• OM可以导致诸如输出,穿孔和耳膜 (TM) 收缩等并发症.
• 目前的诊断方法依赖于视觉检查,这可能是主观和具有挑战性的.

研究的目的:

• 评估深度学习模型的有效性,特别是EfficientNet B3和Inception V3,用于分类中耳炎的阶段.
• 为了评估这些模型的性能,使用耳膜的光学图像.

主要方法:

• 一组小膜图像的数据集被策划并分为四组:正常,急性中耳炎 (AOM),急性严重中耳炎 (ASOM) 和慢性性中耳炎 (CSOM).
• 训练了EfficientNet B3和Inception V3深度学习模型,并对其分类OM类别的能力进行了比较.
• 对每个模型分析了包括准确性,精度和回忆在内的性能指标.

主要成果:

• 无论是EfficientNet B3还是Inception V3,在OM阶段的分类中,它们都实现了78.18%的整体准确性.
• EfficientNet B3显示了ASOM的高精度,但CSOM的回忆能力有限 (33%).
• 开始V3显示出对CSOM (78%) 的提醒优越,具有更高的特异性,表明分类中的整体平衡更好.

结论:

• 深度学习模型具有显著的潜力,可以帮助临床医生准确诊断中耳炎.
• 在这项研究中,与EfficientNet B3相比,Inception V3似乎在不同OM阶段提供了更平衡的性能.
• 需要进一步的研究和开发来完善这些人工智能工具,以提高在耳学中的临床应用.