در مطالعه‌ای که اخیراً در JAMA Pediatrics منتشر شده است، محققان یک طبقه‌بندی خودکار برای تشخیص اوتیت میانی حاد (AOM) در کودکان ایجاد و تأیید کردند.

مطالعه: توسعه و اعتبارسنجی یک طبقه‌بندی خودکار برای تشخیص اوتیت میانی حاد در کودکان. اعتبار تصویر: Image Point Fr/Shutterstock.com

زمینه

AOM دومین بیماری شایع در کودکان در ایالات متحده (ایالات متحده) است. با وجود شیوع بالا، دقت تشخیصی AOM به طور مداوم ≤ 75٪ بوده است.

روش‌هایی برای بهبود دقت و تسهیل تشخیص در طول سال‌ها تکامل یافته‌اند. تلاش‌های اخیر برای بهبود دقت تشخیصی بر هوش مصنوعی (AI) متمرکز شده است.

چندین مطالعه از یادگیری عمیق برای آموزش شبکه های عصبی برای تشخیص AOM و سایر شرایط مرتبط با گوش استفاده کرده اند، البته با کاربرد بالینی محدود.

در مورد مطالعه

در مطالعه حاضر، محققان یک ابزار پشتیبانی تصمیم گیری هوش مصنوعی را برای تفسیر ویدئوهای غشای تمپان (TM) و بهبود تشخیص AOM ایجاد و اعتبار سنجی کردند.

ابتدا، یک اپلیکیشن موبایل یا اپلیکیشن درجه پزشکی برای ضبط ویدیوهای TM طراحی شد. کاربران می‌توانند روشنایی و فوکوس را برای گرفتن بهترین تصویر تنظیم کنند. این برنامه همچنین با نرم افزار تشخیص صدا تعبیه شده بود تا کنترل از طریق دستورات صوتی را فعال کند.

به عنوان یک ویژگی اختیاری، کاربران می توانند برداشت های خود (از TM) و تشخیص احتمالی را ثبت کنند. سپس، یک کتابخانه آموزشی با استفاده از ارزیابی‌های اتوسکوپی کودکانی که برای ویزیت‌های سلامتی یا بیماری مراجعه می‌کنند، ایجاد شد. نمونه گیری در دسترس برای کودکان منتخب استفاده شد.

یک آندوسکوپ یا اتوسکوپی متصل به گوشی هوشمند برای فیلمبرداری از TM کودکان استفاده شد. دو متخصص اتوسکوپی فیلم ها را بررسی کردند و تشخیص دادند.

این تیم یک نظرسنجی از والدین کودکانی که معاینه آنها شامل استفاده از طبقه‌بندی کننده هوش مصنوعی بود، انجام داد.

یک شبکه عصبی عمیق باقیمانده (DR)-recurrent (RNN) با استفاده از ویدئوهای TM به عنوان ورودی و تشخیص متخصص به عنوان مرجع آموزش داده شد. خروجی مدل ویژگی های TM و تشخیص AOM بود. حدود 80 درصد از ویدیوها برای آموزش و 20 درصد برای آزمایش استفاده شده است.

مدل DR-RNN احتمال AOM را برای هر ویدیو ایجاد می‌کند و اگر احتمال 50% بیشتر باشد، AOM تشخیص داده می‌شود. شاخص یودن، یعنی تفاوت بین نرخ‌های مثبت درست و نادرست، در آستانه‌های احتمالی مختلف برای اعتبارسنجی انتخاب آستانه برآورد شد.

علاوه بر این، یک مدل درخت تصمیم (DT) به عنوان جایگزینی برای بررسی اینکه آیا نتایج متفاوت هستند یا خیر، توسعه داده شد. این از ویژگی های TM پیش بینی شده توسط مدل DR-RNN استفاده کرد.

این تیم روش‌های مختلف استخراج فریم را مقایسه کردند: به حداکثر رساندن تنوع، به حداقل رساندن تاری، به حداکثر رساندن وضوح، نمونه‌برداری از عرض مساوی و حداکثر کردن کنتراست.

علاوه بر این، یک طبقه‌بندی کیفیت تصویر آموزش داده شد و آزمایش شد تا از کاربران مطلع شود که ویدیوهای گرفته‌شده ممکن است برای اهداف تشخیصی کمتر از حد مطلوب باشند.

محققان خروجی تولید شده توسط هر دو مدل را با تشخیص متخصص و حساسیت محاسبه‌شده، ویژگی و ارزش‌های پیش‌بینی مثبت و منفی مقایسه کردند.

یک منحنی مشخصه عملکرد گیرنده (ROC) برای مدل DR-RNN با رسم نتایج مثبت درست و نادرست در آستانه‌های احتمال مختلف ایجاد شد. ROC برای مدل DT ترسیم نشد زیرا احتمالی نبود.

یافته ها

به طور کلی، 1151 ویدیو از 635 کودک، عمدتاً کمتر از سه سال، انتخاب شد. کارشناسان 305 ویدیو را به عنوان AOM و بقیه را به عنوان غیر AOM اختصاص دادند.

شصت پرسشنامه والدین به دست آمد. نتایج مطلوب بود، با 80٪ از والدین اصرار استفاده مجدد از طبقه بندی کننده در بازدیدهای بعدی.

دقت مدل‌های DT و DR-RNN تقریباً یکسان بود. حساسیت و ویژگی مدل DR-RNN به ترتیب 93.8% و 93.5% بود.

ارقام مربوط به مدل DT به ترتیب 93.7% و 93.3% بود. برای مدل DR-RNN، مساحت زیر ROC 0.973 بود.

بیشینه سازی تنوع دقیق ترین نتایج را برای انتخاب فریم به همراه داشت. طبقه بندی کلیپ های کوتاه تر از دو ثانیه در مقایسه با کلیپ های طولانی تر دشوار بود. حذف کلیپ‌های با وضوح پایین خروجی مدل را بهبود نمی‌بخشد. میانگین زمان پیش بینی 4.6 ثانیه بود.

حداکثر مقدار یودن 0.88 در آستانه 42٪ بود، تقریباً معادل آن (0.876) در 50٪. در میان ویژگی‌های TM تولید شده توسط مدل، برآمدگی TM کاملاً با تشخیص پیش‌بینی‌شده همسو بود.

برآمدگی در تمام 230 مورد پیش بینی شده AOM شناسایی شد. حساسیت و ویژگی فیلتر کیفیت تصویر به ترتیب 92.3% و 78.3% بود.

نتیجه گیری

در مجموع، محققان یک الگوریتم هوش مصنوعی برای طبقه‌بندی ویدیوهای TM در دسته‌های AOM یا بدون AOM ایجاد کردند. طبقه‌بندی‌کننده دقیق‌تر از پزشکان مراقبت‌های اولیه، متخصصان اطفال، و پزشکان حرفه‌ای پیشرفته بود.

به این ترتیب، می توان از آن برای کمک به تصمیم گیری های مربوط به درمان استفاده کرد. به طور کلی، یافته ها نشان می دهد که این ابزار پشتیبانی تصمیم گیری هوش مصنوعی می تواند دقت تشخیصی AOM را در کودکان بهبود بخشد.

علاوه بر این، ویدئوهای TM را می توان برای معاینه اتوسکوپی پیشرفته، بحث با همکاران یا والدین، و مستندسازی در پرونده های سلامت استفاده کرد.