Категории
Сменить пароль!
Сброс пароля!
Диагностика и лечение тонзиллита, как правило, не представляют особой сложности, но в условиях пандемии коронавируса они могут повысить риск инфицирования работников здравоохранения.
Использование U-Net (U-образная архитектура сети кодировщика-декодера) на основе ИИ для автоматизированной сегментации повышает точность и эффективность диагностики тонзиллита в клинической практике.
Диагностика и лечение тонзиллита, как правило, не представляют особой сложности, но в условиях пандемии коронавируса они могут повысить риск инфицирования работников здравоохранения. Благодаря недавним достижениям в области искусственного интеллекта (ИИ) его применение в области медицинской визуализации значительно расширилось.
Цель данного исследования состояла в определении оптимального алгоритма сверточной нейронной сети (СНС) для точной диагностики и раннего лечения воспаления миндалин или тонзиллита.
Для обучения СНС было разработано полуконтролируемое обучение с псевдометками для самообучения, основанное на алгоритмах глубокого обучения, таких как U-Net, Pyramid Scene Parsing Network (PSPNet) и Feature Pyramid Network (FPN). Набор данных состоял из 485 фарингоскопических изображений от 485 участников, включая 133 здоровых добровольца, 295 пациентов с простудой и 57 пациентов с тонзиллитом. Для дальнейшей оценки были извлечены цветовые и структурные характеристики всех 485 изображений.
Точность автоматической сегментации ротоглоточных структур при использовании U-Net превышала точность при использовании PSPNet и FPN со средним коэффициентом Дайса 97,74 % и точностью пикселей 98,12 %, что делает U-Net высокоэффективным инструментом для повышения точности диагностики воспаления миндалин. Нормальные миндалины, как правило, имеют гладкую и однородную структуру и розоватый цвет, очень похожий на окружающую слизистую оболочку.
Напротив, при тонзиллите, особенно в случаях, требующих антибиотикотерапии, наблюдалось наличие белых или желтых гнойных пятен или бляшек и более зернистая или неровная структура, что свидетельствует о воспалении и изменении структуры ткани. Была подтверждена высокая эффективность алгоритма на основе U-Net, при этом после обучения на 485 случаях точность в дифференциации 3 групп миндалин достигла 93,75 %, 97,1 % и 91,67 % соответственно.
Использование U-Net позволяет автоматизировать сегментацию структур ротоглотки, улучшая извлечение признаков и обеспечивая точную диагностику тонзиллита с помощью ИИ.
European Achieves of Oto-rhino-laryngology
Harnessing AI for precision tonsillitis diagnosis: a revolutionary approach in endoscopic analysis
Po-Hsuan Jeng и соавт.
Комментарии (1)