人工智能增强鼻内镜

　　

来自Ochsner Health的一组研究人员最近在国际过敏与鼻科学论坛上发表了一篇有见地的文章，探讨了卷积神经网络(cnn)在提高鼻内窥镜检查准确性和效率方面的应用。该研究由住院医师Vinayak Ganeshan博士在资深耳鼻喉科医生Edward D. McCoul博士的指导下撰写，解决了复杂的鼻腔解剖给鼻科学诊断带来的挑战。

鼻内窥镜(NE)是鼻科学中必不可少的诊断工具，但其有效性可能受到鼻腔复杂结构的阻碍。该研究研究了一种基于cnn的模型，旨在准确定位和分割鼻内窥镜图像中的重要地标。该研究的图像收集自2014年至2023年在新奥尔良奥克斯纳医学中心进行的NE检查，使用标准数字内窥镜。共有2,111张图像由三位医生进行了人工分割。

研究人员配置了YOLOv8对象检测模型来执行三个任务:对鼻甲的存在进行分类，检测其位置，并应用分割掩码划定其边界。采用迁移学习方法，通过反向传播和随机梯度下降来改进模型在NE图像上的性能。通过手动选择超参数并在验证性能停滞15 epoch时停止训练，该模型取得了令人印象深刻的结果。

该模型识别下鼻甲(IT)和中鼻甲(MT)的平均准确率为91.5%，平均精密度为92.5%，平均召回率为93.8%。在60%的置信阈值下，该模型的平均f1得分为93.1%。

Ganeshan博士说:“我们的研究表明，卷积神经网络可以显著提高鼻内窥镜解释的精度。”“在定位基本解剖结构(如下鼻甲和中鼻甲)方面，平均准确率达到91.5%，标志着诊断效率和准确性向前迈进了一步。”

YOLOv8模型的成功部署代表了鼻科学的重大进步。该模型准确识别和分割鼻窦和鼻窦的能力可以帮助临床医生更有效地诊断和治疗鼻窦疾病。这一进展对经常遇到鼻腔复杂解剖困难的培训生和非专业人员尤其有利。

“这项研究展示了cnn在提高鼻内窥镜准确性和效率方面的潜力，”McCoul博士说。“通过利用先进的人工智能技术，我们可以显着提高我们的诊断能力，并为患有鼻窦疾病的患者提供优质的患者护理。”