Отправить статью по E-mail 
Применение алгоритмов искусственного интеллекта для диагностики патологии заболеваний уха
- Авторы: Хубларян А.Г.1, Крюков А.И.1,2, Кунельская Н.Л.1,2, Гаров Е.В.1,2, Сударев П.А.1, Киселюс В.Э.1, Зеленкова В.Н.1, Иванова А.А.3, Осадчий А.П.3, Шевырина Н.Г.3
-
Учреждения:
- Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
- Российский национальный исследовательский медицинский университет имени Н.И. Пирогова
- ООО «Рубедо»
- Выпуск: Том 5, № 1S (2024)
- Страницы: 102-105
- Раздел: МОЛОДЫЕ УЧЕНЫЕ: тезисы конференции НПКЦ
- Статья получена: 16.02.2024
- Статья одобрена: 27.03.2024
- Статья опубликована: 03.07.2024
- URL: https://jdigitaldiagnostics.com/DD/article/view/627081
- DOI: https://doi.org/10.17816/DD627081
- ID: 627081
Цитировать
Полный текст
Аннотация
Обоснование. Своевременная и качественная диагностика заболевания является основой грамотной тактики лечения пациента. В своём исследовании авторы показывают, что отоларингологи ошибаются в каждом четвёртом диагнозе, а врачи общей практики (терапевты, педиатры, фельдшеры) — в каждом втором. В результате это приводит к возникновению осложнений, хронизации процессов, увеличению сроков лечения и реабилитации, ухудшению трудоспособности населения и падению доверия пациентов [1].
Сегодня в зарубежной медицине средства искусственного интеллекта активно стали внедряться и в оториноларингологию. Наиболее распространено использование компьютерного зрения как инструмента применения искусственного интеллекта в обучении, а в дальнейшем в использовании в диагностике и лечении заболеваний уха, горла и носа. По данным Министерства здравоохранения Российской Федерации, в среднем ежегодно более 6% населения страны обращается к оториноларингологу с патологией наружного и среднего уха. Это соответствует тому, что консультация оториноларинголога требуется 9 000 000 человек ежегодно. В оториноларингологии для обучения нейросетей используют изображения, полученные при эндоскопическом обследовании пациентов (например, при видеоларингоскопии) [2–4].
Разработка и внедрение в клиническую практику технологий, основанных на применении алгоритмов искусственного интеллекта, является одним из приоритетов развития медицинских технологий и требует тщательного и взвешенного подхода к разработке и обучению подобных систем.
Цель — разработка и обучение нейросети (алгоритмов искусственного интеллекта) для определения патологии уха на основе цифровых эндоскопических изображений.
Материалы и методы. Началом нашей работы стало создание базы данных цифровых эндоскопических фотографий. Для этого во время стандартного отохирургического приёма был проведён сбор эндовидеофотографий нормальных и патологически изменённых барабанных перепонок в обезличенном формате. Следующим этапом была сформирована система критериев оценки снимков для дальнейшей разметки. Сформировано «дерево диагнозов» ушных заболеваний, основанных на визуальных признаках, для создания мыслительного алгоритма распознавания состояния (норма/патология) наружного слухового прохода и барабанной перепонки. Снижение степени субъективности оценки изображений было достигнуто посредством создания коллегиального подхода в формате консилиума.
Для обучения нейросети коллективом авторов было выполнено, загружено и размечено 5750 цифровых эндоскопических изображений в формате jpg, jpeg. Количество нормальных изображений наружного слухового прохода с не изменённой барабанной перепонкой составило750, патологически изменённых — 5000 снимков. Разметка снимков проводилась с учётом разработанных критериев оценки визуальных признаков с последующим присвоением нозологического статуса заболевания/нормы.
Результаты. В результате проведённого исследования были изучены основные метрики: специфичность, точность и чувствительность. Результаты значений для 11 классов (норма и 10 различных нозологий): варьирование показателя специфичности составило от 0,846 до 0,982; точности — от 0,422 до 0,950; чувствительности — от 0,433 до 0,900.
Заключение. Выполненная исследовательская работа иллюстрирует возможность создания и обучении нейросети, основанной на применении алгоритмов искусственного интеллекта, для оценки состояния наружного слухового прохода и барабанной перепонки. При этом важными компонентами являются не только сбор качественных снимков, но и грамотная разметка данных, создание «дерева диагнозов», основанных на визуальных признаках. Дальнейшее повышении точности распознавания основных заболеваний уха может стать основой для создания системы помощи принятия врачебного решения и оказывать непосредственную помощь в практической медицине.
Ключевые слова
Полный текст
Обоснование. Своевременная и качественная диагностика заболевания является основой грамотной тактики лечения пациента. В своём исследовании авторы показывают, что отоларингологи ошибаются в каждом четвёртом диагнозе, а врачи общей практики (терапевты, педиатры, фельдшеры) — в каждом втором. В результате это приводит к возникновению осложнений, хронизации процессов, увеличению сроков лечения и реабилитации, ухудшению трудоспособности населения и падению доверия пациентов [1].
Сегодня в зарубежной медицине средства искусственного интеллекта активно стали внедряться и в оториноларингологию. Наиболее распространено использование компьютерного зрения как инструмента применения искусственного интеллекта в обучении, а в дальнейшем в использовании в диагностике и лечении заболеваний уха, горла и носа. По данным Министерства здравоохранения Российской Федерации, в среднем ежегодно более 6% населения страны обращается к оториноларингологу с патологией наружного и среднего уха. Это соответствует тому, что консультация оториноларинголога требуется 9 000 000 человек ежегодно. В оториноларингологии для обучения нейросетей используют изображения, полученные при эндоскопическом обследовании пациентов (например, при видеоларингоскопии) [2–4].
Разработка и внедрение в клиническую практику технологий, основанных на применении алгоритмов искусственного интеллекта, является одним из приоритетов развития медицинских технологий и требует тщательного и взвешенного подхода к разработке и обучению подобных систем.
Цель — разработка и обучение нейросети (алгоритмов искусственного интеллекта) для определения патологии уха на основе цифровых эндоскопических изображений.
Материалы и методы. Началом нашей работы стало создание базы данных цифровых эндоскопических фотографий. Для этого во время стандартного отохирургического приёма был проведён сбор эндовидеофотографий нормальных и патологически изменённых барабанных перепонок в обезличенном формате. Следующим этапом была сформирована система критериев оценки снимков для дальнейшей разметки. Сформировано «дерево диагнозов» ушных заболеваний, основанных на визуальных признаках, для создания мыслительного алгоритма распознавания состояния (норма/патология) наружного слухового прохода и барабанной перепонки. Снижение степени субъективности оценки изображений было достигнуто посредством создания коллегиального подхода в формате консилиума.
Для обучения нейросети коллективом авторов было выполнено, загружено и размечено 5750 цифровых эндоскопических изображений в формате jpg, jpeg. Количество нормальных изображений наружного слухового прохода с не изменённой барабанной перепонкой составило750, патологически изменённых — 5000 снимков. Разметка снимков проводилась с учётом разработанных критериев оценки визуальных признаков с последующим присвоением нозологического статуса заболевания/нормы.
Результаты. В результате проведённого исследования были изучены основные метрики: специфичность, точность и чувствительность. Результаты значений для 11 классов (норма и 10 различных нозологий): варьирование показателя специфичности составило от 0,846 до 0,982; точности — от 0,422 до 0,950; чувствительности — от 0,433 до 0,900.
Заключение. Выполненная исследовательская работа иллюстрирует возможность создания и обучении нейросети, основанной на применении алгоритмов искусственного интеллекта, для оценки состояния наружного слухового прохода и барабанной перепонки. При этом важными компонентами являются не только сбор качественных снимков, но и грамотная разметка данных, создание «дерева диагнозов», основанных на визуальных признаках. Дальнейшее повышении точности распознавания основных заболеваний уха может стать основой для создания системы помощи принятия врачебного решения и оказывать непосредственную помощь в практической медицине.
Об авторах
Альвина Генриховна Хубларян
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
Email: alvinka95@mail.ru
ORCID iD: 0000-0001-8934-5977
SPIN-код: 4195-1692
Россия, Москва
Андрей Иванович Крюков
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова
Email: nikio@zdrav.mos.ru
ORCID iD: 0000-0002-0149-0676
SPIN-код: 9393-8753
Россия, Москва; Москва
Наталья Леонидовна Кунельская
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова
Email: nlkun@mail.ru
ORCID iD: 0000-0002-1001-2609
SPIN-код: 9282-6970
Россия, Москва; Москва
Евгений Вениаминович Гаров
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова
Email: egarov@yandex.ru
ORCID iD: 0000-0003-2473-3113
SPIN-код: 1566-9994
Россия, Москва; Москва
Павел Алексеевич Сударев
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
Email: mnpco@mail.ru
ORCID iD: 0000-0001-9085-9879
SPIN-код: 4113-3569
Россия, Москва
Витаутас Эдуардо Киселюс
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
Автор, ответственный за переписку.
Email: moomer@mail.ru
ORCID iD: 0000-0003-4853-9112
SPIN-код: 1991-0749
Scopus Author ID: 877741
старший научный сотрудник
Россия, МоскваВиктория Николаевна Зеленкова
Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского
Email: Zelenkova.07.78@mail.ru
ORCID iD: 0000-0002-5103-1080
SPIN-код: 4389-3337
Россия, Москва
Анастасия Александровна Иванова
ООО «Рубедо»
Email: AnastasiaIwanova@yandex.ru
ORCID iD: 0009-0001-4684-5864
Россия, Москва
Антон Павлович Осадчий
ООО «Рубедо»
Email: uhogorlonosiki@yandex.ru
ORCID iD: 0009-0001-3270-4390
Россия, Москва
Наталья Григорьевна Шевырина
ООО «Рубедо»
Email: shevyrina.nata22@gmail.com
ORCID iD: 0009-0003-9446-5457
Россия, Москва
Список литературы
- Pichichero M.E., Poole M.D. Assessing diagnostic accuracy and tympanocentesis skills in the management of otitis media // Arch Pediatr Adolesc Med. 2001. Vol. 155, N 10. P. 1137–1142. doi: 10.1001/archpedi.155.10.1137
- Paderno A., Gennarini F., Sordi A., et al. Artificial intelligence in clinical endoscopy: Insights in the field of videomics // Frontiers in Surgery. 2022. Vol. 9. P. 933297. doi: 10.3389/fsurg.2022.933297
- Cao C., Liu F., Tan H., et al. Deep Learning and Its Applications in Biomedicine // Genomics Proteomics Bioinformatics. 2018. Vol. 16, N 1. P. 17–32. doi: 10.1016/j.gpb.2017.07.003
- Suganyadevi S., Seethalakshmi V., Balasamy K. A review on deep learning in medical image analysis // International Journal of Multimedia Information Retrieval. 2022. Vol. 11, N 1. P. 19–38. doi: 10.1007/s13735-021-00218-1
- DOI: https://doi.org/10.17816/DD627081
Дополнительные файлы
