Ein Forscherteam von Ochsner Health hat kürzlich im International Forum of Allergy & Rhinology einen aufschlussreichen Artikel über die Anwendung von Convolutional Neural Networks (CNNs) zur Verbesserung der Genauigkeit und Effizienz der Nasenendoskopie veröffentlicht. Die Studie, die von Assistenzarzt Dr. Vinayak Ganeshan unter der Leitung des leitenden HNO-Arztes Dr. Edward D. McCoul verfasst wurde , befasst sich mit den Herausforderungen, die die komplexe Anatomie der Nasenhöhle bei der rhinologischen Diagnostik mit sich bringt.
Die Nasenendoskopie (NE) ist ein wichtiges Diagnoseinstrument in der Rhinologie, ihre Wirksamkeit kann jedoch durch die komplexe Struktur der Nasenhöhle beeinträchtigt werden. Die Studie untersuchte ein CNN-basiertes Modell, das wichtige Orientierungspunkte in Bildern der Nasenendoskopie genau lokalisieren und segmentieren soll. Die Bilder für die Studie wurden aus NE-Untersuchungen gewonnen, die zwischen 2014 und 2023 im Ochsner Medical Center in New Orleans mit einem standardmäßigen digitalen Endoskop durchgeführt wurden. Insgesamt 2.111 Bilder wurden von drei Ärzten manuell segmentiert.
Die Forscher konfigurierten das Objekterkennungsmodell YOLOv8 , um drei Aufgaben auszuführen: das Vorhandensein einer Nasenmuschel klassifizieren, ihren Standort erkennen und eine Segmentierungsmaske anwenden, die ihre Grenzen abgrenzt. Transferlernen wurde eingesetzt, um die Leistung des Modells bei NE-Bildern durch Backpropagation und stochastischen Gradientenabstieg zu verfeinern. Durch manuelle Auswahl von Hyperparametern und Anhalten des Trainings bei einem 15-Epochen-Stillstand der Validierungsleistung erzielte das Modell beeindruckende Ergebnisse.
Das Modell identifizierte die untere Nasenmuschel (IT) und die mittlere Nasenmuschel (MT) mit einer durchschnittlichen Genauigkeit von 91,5 %, einer durchschnittlichen Präzision von 92,5 % und einem durchschnittlichen Rückruf von 93,8 %. Bei einer Konfidenzschwelle von 60 % lag der durchschnittliche F1-Score des Modells bei 93,1 %.
„Unsere Forschung zeigt, dass Faltungsneuronale Netzwerke die Präzision der Interpretation von Nasenendoskopien deutlich verbessern können“, erklärte Dr. Ganeshan. „Eine durchschnittliche Genauigkeit von 91,5 % bei der Lokalisierung wichtiger anatomischer Strukturen wie der unteren und mittleren Nasenmuscheln ist ein Fortschritt in der diagnostischen Effizienz und Genauigkeit.“
Dieser erfolgreiche Einsatz des YOLOv8-Modells stellt einen wesentlichen Fortschritt in der Rhinologie dar. Die Fähigkeit des Modells, IT und MT genau zu identifizieren und zu segmentieren, könnte Klinikern dabei helfen, Erkrankungen der Nasennebenhöhlen effektiver zu diagnostizieren und zu behandeln. Dieser Fortschritt ist insbesondere für Auszubildende und Laien von Vorteil, die oft Schwierigkeiten mit der komplexen Anatomie der Nasenhöhle haben.
„Diese Studie zeigt das Potenzial von CNNs, die Genauigkeit und Effizienz der Nasenendoskopie zu verbessern“, sagte Dr. McCoul. „Durch den Einsatz fortschrittlicher KI-Technologien können wir unsere Diagnosemöglichkeiten deutlich verbessern und Patienten mit Nasennebenhöhlenbeschwerden eine bessere Patientenversorgung bieten.“
https://onlinelibrary.wiley.com/doi/10.1002/alr.23384
Entdecke mehr von LabNews
Melde dich für ein Abonnement an, um die neuesten Beiträge per E-Mail zu erhalten.
