Применение алгоритмов искусственного интеллекта для диагностики патологии заболеваний уха

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.