Змінити пароль!
Скинути пароль!
Діагностика та лікування тонзиліту, як правило, не становлять особливої складності, але в умовах пандемії коронавірусу вони можуть підвищити ризик інфікування працівників охорони здоров'я.
Використання U-Net (U-подібна архітектура мережі кодувальника-декодера) на основі ШІ для автоматизованої сегментації підвищує точність та ефективність діагностики тонзиліту у клінічній практиці.
Діагностика та лікування тонзиліту, як правило, не становлять особливої складності, але в умовах пандемії коронавірусу вони можуть підвищити ризик інфікування працівників охорони здоров'я. Завдяки нещодавнім досягненням у галузі штучного інтелекту (ШІ) його застосування у галузі медичної візуалізації значно розширилося.
Мета даного дослідження полягала у визначенні оптимального алгоритму згорткової нейронної мережі (ЗНМ) для точної діагностики та раннього лікування запалення мигдаликів.
Для навчання ЗНМ було розроблено напівконтрольоване навчання з псевдомітками для самонавчання, засноване на алгоритмах глибокого навчання, таких як U-Net, Pyramid Scene Parsing Network (PSPNet ) та Feature Pyramid Network (FPN). Набір даних складався з 485 фарингоскопічних зображень від 485 учасників, включаючи 133 здорових добровольця, 295 пацієнтів із застудою та 57 пацієнтів із тонзилітом. Для подальшої оцінки було вилучено колірні та структурні характеристики всіх 485 зображень.
Точність автоматичної сегментації ротоглоткових структур при використанні U- Net перевищувала точність при використанні PSPNet і FPN з середнім коефіцієнтом Дайса 97,74% і точністю пікселів 98,12%, що робить U- Net високоефективним інструментом для підвищення точності діагностики запалення мигдаликів.
Нормальні мигдалики, як правило, мають гладку і однорідну структуру та рожевий колір, дуже схожий на навколишню слизову оболонку. При тонзиліті, особливо у випадках, що вимагають антибіотикотерапії, спостерігається наявність білих або жовтих гнійних плям або бляшок і більш зерниста або нерівна структура, що свідчить про запалення і зміну структури тканини . Було підтверджено високу ефективність алгоритму на основі U-Net, при цьому після навчання на 485 випадках точність у диференціації трьох груп мигдаликів досягла 93,75 %, 97,1 % та 91,67 % відповідно.
Використання U-Net дозволяє автоматизувати сегментацію структур ротоглотки, покращуючи вилучення ознак та забезпечуючи точну діагностику тонзиліту за допомогою ШІ.
European Achieves of Oto-rhino-laryngology
Harnessing AI for precision tonsillitis diagnosis: revolutionary approach in endoscopic analysis
Po-Hsuan Jeng та співавт.
Коментарі (1)