相关实验视频
Updated: Jul 15, 2026
08:06
Robotic Cochlear Implantation for Direct Cochlear Access
Published on: June 16, 2022
3.9K
耳朵护理者:一个跨平台的人工智能系统,用于快速准确地诊断耳部疾病
Feiyan Lu1, Yubiao Yue2, Zhenzhang Li3
1Department of Otorhinolaryngology, The Second Affiliated Hospital of Shenzhen University, Shenzhen, China.
Digital health
|January 9, 2026
概括
一个新的深度学习模型,Best-EarNet,准确地检测耳朵疾病从耳视镜图像实时. 它通过Ear-Keeper在多个平台上部署,有助于早期诊断和预防听力损失.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 早期发现耳部疾病对于预防听力损失至关重要.
- 目前的诊断方法可能缺乏效率和可访问性.
- 需要先进的工具来实时查耳部疾病.
研究的目的:
- 开发一种轻量级,高性能,实时的深度学习模型,用于光学图像分类.
- 创建一个用于临床和社区使用的跨平台诊断系统.
- 加强耳部疾病的早期检测和干预.
主要方法:
- 开发了Best-EarNet,这是一种轻量级的深度学习架构,具有功能融合和多层次监督.
- 利用大型的多中心耳视镜数据集进行培训和验证.
- 实施转移学习和Grad-CAM以优化性能和可解释性.
- 创建了跨平台的Ear-Keeper诊断系统,用于在各种设备上部署.
主要成果:
- 贝斯特-EarNet实现了高精度 (95.23%内部,92.14%外部) 的小模型大小 (2.94 MB).
- 该模型在标准CPU上以每秒80的速度处理图像,从而实现实时分析.
- 在不同年龄和性别子组中观察到一致的表现.
- Grad-CAM可视化证实了该模型的重点是相关的病理区域.
结论:
- 贝斯特-EarNet提供了一个准确,高效和可解释的解决方案,用于分类耳部疾病.
- 实时,跨平台的Ear-Keeper系统促进了广泛的耳部查.
- 这项技术具有很大的潜力,可以改善耳部疾病的早期检测和干预策略.
