Umjetna inteligencija za klasifikaciju bolesti uha od otoskopije: sistematski pregled i meta-analiza.
Clinical otolaryngology : official journal of ENT-UK ; official journal of Netherlands Society for Oto-Rhino-Laryngology & Cervico-Facial Surgery
Sažetak istraživanja
Ciljevi Da se sumira tačnost algoritama kompjuterskog vida veštačke inteligencije (AI) za klasifikaciju bolesti uha od otoskopije.
Dizajn Sistematski pregled i meta-analiza.
Metode Koristeći PRISMA smjernice, u devet online baza podataka pretraživano je članke koji su koristili algoritme kompjuterskog vida AI razvijene iz različitih metoda (konvolutivne neuronske mreže, umjetne neuronske mreže, mašine za vektore podrške, stabla odlučivanja i k-najbliži susjedi) za klasifikaciju otoskopskih slika. Dijagnostičke klase od interesa: normalna bubna opna, akutna upala srednjeg uha (AOM), upala srednjeg uha sa izlivom (OME), hronična upala srednjeg uha (COM) sa ili bez perforacije, kolesteatom i opstrukcija kanala. Glavne mjere ishoda Preciznost za ispravnu klasifikaciju otoskopskih slika u poređenju sa otorinolaringolozima (osnovna istina). Za procjenu kvaliteta metodologije i rizika od pristrasnosti korišten je alat za procjenu kvaliteta studija točnosti dijagnostike, verzija 2.
Rezultati Uključeno je trideset i devet članaka. Algoritmi su postigli 90,7% (95%CI: 90,1-91,3%) tačnost na razliku između normalnih i abnormalnih slika otoskopije u 14 studija. Najčešći multiklasifikacioni algoritam (3 ili više dijagnostičkih klasa) postigao je 97,6% (95%CI: 97,3-97,9%) tačnost za razlikovanje između normalnog, AOM i OME u tri studije. AI algoritmi su nadmašili ljudske procene da klasifikuju otoskopske slike postigavši preciznost od 93,4% (95%CI: 90,5-96,4%) naspram 73,2% (95%CI: 67,9-78,5%) u tri studije. Konvolucione neuronske mreže postigle su najveću tačnost u poređenju sa drugim metodama klasifikacije.
Zaključak AI može klasificirati bolest uha od otoskopije. Potreban je zajednički napor da se uspostavi sveobuhvatna i pouzdana baza podataka o otoskopiji za obuku algoritama. Sistem otoskopije podržan AI može pomoći zdravstvenim radnicima, pripravnicima i praktičarima primarne zdravstvene zaštite s manje iskustva u otologiji da identifikuju bolest uha.
Prikaži originalni naslov i sažetak na engleskom
Artificial intelligence to classify ear disease from otoscopy: A systematic review and meta-analysis.
Objectives To summarise the accuracy of artificial intelligence (AI) computer vision algorithms to classify ear disease from otoscopy.
Design Systematic review and meta-analysis.
Methods Using the PRISMA guidelines, nine online databases were searched for articles that used AI computer vision algorithms developed from various methods (convolutional neural networks, artificial neural networks, support vector machines, decision trees and k-nearest neighbours) to classify otoscopic images. Diagnostic classes of interest: normal tympanic membrane, acute otitis media (AOM), otitis media with effusion (OME), chronic otitis media (COM) with or without perforation, cholesteatoma and canal obstruction. Main outcome measures Accuracy to correctly classify otoscopic images compared to otolaryngologists (ground truth). The Quality Assessment of Diagnostic Accuracy Studies Version 2 tool was used to assess the quality of methodology and risk of bias.
Results Thirty-nine articles were included. Algorithms achieved 90.7% (95%CI: 90.1-91.3%) accuracy to difference between normal or abnormal otoscopy images in 14 studies. The most common multiclassification algorithm (3 or more diagnostic classes) achieved 97.6% (95%CI: 97.3-97.9%) accuracy to differentiate between normal, AOM and OME in three studies. AI algorithms outperformed human assessors to classify otoscopy images achieving 93.4% (95%CI: 90.5-96.4%) versus 73.2% (95%CI: 67.9-78.5%) accuracy in three studies. Convolutional neural networks achieved the highest accuracy compared to other classification methods.
Conclusion AI can classify ear disease from otoscopy. A concerted effort is required to establish a comprehensive and reliable otoscopy database for algorithm training. An AI-supported otoscopy system may assist health care workers, trainees and primary care practitioners with less otology experience identify ear disease.
Izvorni podaci
- DOI
- 10.1111/coa.13925
- PMID
- 35253378
- PMCID
- PMC9310803
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom