Використання сучасних технологій для діагностики та лікування захворювань в області слуху
Застосування штучного інтелекту в процесі діагностики, лікування та прогнозування хронічного середнього отиту. Використання інформації про історію хвороби, ендоскопічну отоскопію, рентгенологічні та аудіологічні дані у покращенні якості медичної допомоги.
| Рубрика | Медицина |
| Вид | статья |
| Язык | украинский |
| Дата добавления | 27.09.2024 |
| Размер файла | 256,8 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.Allbest.Ru/
Харківський національний медичний університет, Україна
ІІ медичний факультет
Кафедра отоларингології
Використання сучасних технологій для діагностики та лікування захворювань в області слуху
Маляренко В.Р., студентка
Дзиза А.В., асистент
Анотація
Неправильний діагноз або відсутність відповідних медичних фахівців може серйозно вплинути на стан здоров'я пацієнтів, та призвести до зайвих обстежень, що збільшує витрати на охорону здоров'я. Особливо це актуально в країнах третього світу, де відсутність лікарів отоларингологів змушує пацієнтів звертатися до лікарів загальної практики, які не мають достатнього досвіду та кваліфікації' для правильного встановлення діагнозу в цій сфері.
Захворювання середнього вуха, такі як середній отит і випіт середнього вуха, є поширеними проблемами, які часто діагностуються з запізненням або помилково. Використання штучного інтелекту (ШІ), такого як глибоке навчання, може полегшити виявлення та діагностику цих захворювань через візуалізацію.
Однак діагностика отоларингологічних захворювань, традиційно базується на суб'єктивних методах, таких як ендоскопія, що може призвести до відмінностей у точності діагнозів. Використання об'єктивних інструментів, таких як штучний інтелект, може покращити цей процес, зменшуючи суб'єктивність.
Ключові слова: штучний інтелект; глибоке навчання; машинне навчання; середній отит; лікування слуху.
Вступ
Середній отит (СО) - одне з найбільш поширених захворювань серед дітей, від якого страждає приблизно дві третини дітей дошкільного віку [1]. Захворювання проявляється такими симптомами, як лихоманка, порушення сну та гострі інфекції [2]. Ця хвороба значно вражає не лише дітей, які відчувають сильний біль, але й їхніх батьків. Відсутність ранньої діагностики, через складність діагностики захворювання, може привести до втрати слуху, порушення мови та більш серйозних ускладнень поза межами черепа або всередині нього [3]. Через помилки в діагностиці та лікуванні СО, непотрібними антибіотиками та зайвими операціями є велике навантаження на системи глобальної охорони здоров'я. Цікаво, що 80% пацієнтів з середнім отитом отримують зайві антибіотики, що призводить до антибіотикорезистентності та непотрібних витрат грошей. Тому точна діагностика є важливою для подолання цих побічних ефектів і забезпечення ефективного лікування.
Обробка медичних зображень має велике значення в аналізі та дослідженні медичних даних. Однак складність, притаманна медичним зображенням, ускладнює їх точне представлення та оцінку за допомогою звичайних підходів. Тому використання штучного інтелекту, а також більш поширене впровадження електронних медичних записів, відкривають нові можливості для революції у лікуванні пацієнтів з середнім отитом. Використання ШІ демонструє високий рівень ефективності в аналізі цих складних медичних зображень, що призводить до частого використання штучного інтелекту в медичних дослідженнях. Діагностична точність в отоларингології може варіюватися в залежності від кваліфікації та спеціалізації лікаря, враховуючи використання ендоскопічних зображень і візуальних механізмів. Тому впровадження алгоритмів глибокого навчання в ото-ендоскопічну візуалізацію має досить важливе значення. Завдяки прогресу в інформатиці використання штучного інтелекту в медичній галузі значно зросло, особливо в дослідженнях із застосуванням ендоскопічних зображень. За допомогою обширних медичних даних, зібраних протягом тривалого періоду від пацієнтів із середнім отитом, ШІ може використовуватися для виявлення прихованих захворювань, уточнення видів середнього отиту, прогнозування ризиків захворювань, індивідуальних методів лікування, надання підтримки у хірургічних втручаннях та оптимізації загального лікування. У цій статті детально обговорюється роль штучного інтелекту (ШІ), глибокого (ГН) та машинного навчання (MN) в діагностиці середнього отиту. Дивлячись на проблему захворювань середнього вуха, вчені вважають, що потрібно розробити спеціальні алгоритми, які будуть використовувати штучний інтелект для більш ефективної діагностики та лікування. Також вчені вивчають, як це може вплинути на пацієнтів і лікарів, щоб зрозуміти наслідки використання цих нових технологій у медичній практиці.
Штучний інтелект, глибоке і машинне навчання
У широкому розумінні штучний інтелект - це здатність машин імітувати функції людського інтелекту [1]. Штучний інтелект (ШІ), який був запропонований у 1950-х роках, є галуззю інформатики, у якій для прогнозування використовуються машинні методи [4]. ШІ зараз є популярною та суперечливою темою, і всі галузі можуть використовувати ШІ, особливо підтип глибокого навчання (ГН). Методи ГН мають перевагу завдяки своїй простоті, оскільки не вимагають ручних маніпуляцій, добре працюють на спеціальних потужних комп'ютерах та легко справляються з великим об'ємом завдань [5].
Машинне навчання (МН) стало головним у сучасній науці про дані, оскільки його алгоритми можуть автоматично аналізувати цікаві та корисні шаблони у великих наборах даних [6]. Він почав впливати на медицину на різних рівнях: для пацієнтів, потенційно через здатність обробляти їхні дані про здоров'я; для лікарів, перш за все, завдяки швидкій і точній інтерпретації зображень, а для систем охорони здоров'я, завдяки покращенню робочого процесу та зменшенню медичних помилок.
Як форма штучного інтелекту, МН покладається на дані й алгоритми, а велика кількість даних і розширені алгоритми, якщо їх навчити та налаштувати належним чином, часто можуть дати ідеальні результати. Клінічні дані щодо пацієнтів з середнім отитом можна легше збирати завдяки широкому використанню електронних систем медичних записів. Дані включають записи з історії хвороби, записи фізичного огляду, результати лабораторних досліджень, зображення отоскопії, зображення аудіологічної кімнати, дані зображень, записи про вживання наркотиків, записи про хірургічне втручання та патологічні записи. Велика кількість даних збирається в галузі охорони здоров'я за допомогою широкомасштабних генетичних досліджень і споживчих електронних пристроїв, які надають фізіологічну та поведінкову інформацію.
Глибоке навчання (ГН) розширює МН, тоді як математичні моделі є більш складними та детальними.
В отоларингології широко використовуються ШІ і ГН. В отології порівняно добре відомі дослідження, пов'язані з штучним інтелектом у поєднанні з тимпанічними зображеннями для діагностики та класифікації середнього отиту та холестеатоми [7,8] та оцінки втрати слуху [9]. Дослідження в галузі штучного інтелекту включає в себе використання цієї технології для оцінки стану слухових волоскових клітин [10], виявлення вестибулярної дисфункції, використання разом із звуковими тестами для діагностики пухлин оболонки вестибулярного нерва [11], а також комбінацію з електрофізіологічними вимірюваннями для передбачення стану функції кохлеарного нерва у користувачів [12] кохлеарних імплантатів. Також вивчається використання аналізу мікроРНК (міРНК) для діагностики захворювань, зокрема хвороби Меньєра [13]. З розвитком ендоскопічних методів стає все більш очевидною тенденція поєднання ШІ та ГН з діагностикою та лікуванням ЛОР-захворювань.
Отоскопія та отоендоскопія є важливими на першому етапі фізичного огляду для оцінки захворювань вуха в клініці. Проте, коли лікарі роблять невтішні діагнози, точність може бути низькою, особливо у педіатрів. Глибоке навчання є перспективним методом для поліпшення точності діагностики захворювань вуха. Дослідження показують, що глибокі згорточні нейронні мережі можуть ефективно та точно класифікувати захворювання вуха. Створення автоматичної системи на основі глибокого навчання дозволяє покращити діагностику в реальному часі.
При оцінці захворювань вуха та соскоподібного відростка важливе значення має фізичне обстеження, включаючи отоскопію або отоендоскопію та збір анамнезу. Проте, діагностика, здійснювана неотоларингологами, може бути неправильною, особливо при використанні отоскопії. Дослідження показують низьку точність діагнозу, навіть серед фахівців, що вимагає нової стратегії діагностики.
Машинне навчання може стати важливим інструментом для автоматизованої діагностики захворювань вуха за зображеннями отоскопії. Попередні дослідження вказують на успішні результати, такі як точність виявлення середнього отиту та інших станів. Поточне дослідження спрямоване на розробку надійної системи діагностики захворювань вуха та соскоподібного відростка, використовуючи глибоке навчання для отоскопічних фотографій. Ансамблевий класифікатор двох найефективніших глибоких нейронних мереж може стати ефективним інструментом для автоматичної ідентифікації захворювань в реальному часі.
Матеріали та методи дослідження
Стратегія пошуку. У цій статті досліджується використання ШІ у вивченні захворювань середнього вуха. Окрім рецензованих досліджень, зібрано також матеріали наявних опитувань. Пошук літератури проводився в базах даних PubMed та Medline, використовуючи комбінацію ключових слів, пов'язаних із отитом і штучним інтелектом, і на їх базі проаналізовано більше 30 наукових статей.
Критерії відбору. Серед ключових слів, пов'язаних із середнім отитом, були «середній отит», «аномалії вуха», «патологія вуха», «захворювання барабанної перетинки», «оториноларингологія», «середнє вухо» та «барабанна перетинка». Ключові слова, пов'язані зі ШІ, включали «штучний інтелект», «машинне навчання», «глибоке навчання», «автоматизація», «комп'ютерна діагностика», «діагностика», «згорточні нейронні мережі», «нейронні мережі», «класифікація», «сегментація». », «контрольоване навчання» та «неконтрольоване навчання». Оператори І та АБО використовувалися для дослідження різних комбінацій ключових слів.
Критерії включення та виключення. Ресурси з часовими обмеженнями з 2019 по 2024 рік, з метою ідентифікації технології штучного інтелекту, яка використовується для діагностики СО. Процес відбору та перегляду літератури відповідав критеріям PRISMA. В першу чергу перевірялися публікації, присвячені технології штучного інтелекту на основі медичної візуалізації.
Результати дослідження
Дослідження медичної візуалізації захворювань середнього вуха можна класифікувати за класифікацією, сегментацією та комбінацією обох методів. Огляд включав загалом 32 документи, у тому числі 26 з використанням класифікації, 3 із застосуванням сегментації та 3 з використанням обох підходів. Дослідження, засновані на класифікації, які склали більшість, зазвичай покладалися на зображення барабанної перетинки для діагностики захворювання. У процесі діагностики проста класифікація може не визначити причину захворювання, тобто не визначити «де» проблема. Крім того, оскільки отоларингологічна діагностика зазвичай проводиться за допомогою ендоскопії, результати можуть варіюватися в залежності від особи, яка проводить діагностику. Щоб уникнути суб'єктивних помилок при отоскопічних дослідженнях і підвищити діагностичну точність, потрібна модель, здатна інтерпретувати структуру барабанної перетинки за допомогою ендоскопічних зображень. Отже, з'явилися дослідження, які детально зосереджуються на сегментації зображень барабанної перетинки. Були також дослідження, які поєднували сегментацію -- детальний поділ структури барабанної перетинки -- з класифікацією. Було помічено, що середня діагностична продуктивність досліджень, які включали сегментацію з класифікацією, була вищою, ніж дослідження, які проводили лише класифікацію. У цьому розділі ми представляємо досліджені документи, класифіковані як класифікація, класифікація та сегментація (рис. 1) [1].
Діагностика. Якщо детально розглядати останні досягнення в області діагностики середнього отиту за допомогою штучного інтелекту. Цей розділ поділяється на комп'ютерний зір та обробку природної мови, використовуючи методи згорткових нейронних мереж (ЗНН). Крім того, частину комп'ютерного зору додатково класифікується за видами, такими як отоскопія, радіологія, патологія і тимпанометрія, враховуючи джерела даних.
Рис. 1. Схема огляду досліджень ШІ, застосованих до зображення середнього вуха
штучний інтелект діагностика лікування середній отит
Комп'ютерний зір. Отоскопія. Галузь штучного інтелекту, відома як комп'ютерне бачення (КБ), застосовує алгоритми глибокого навчання для автоматизованого аналізу зображень і відео [14]. Останнім часом КБ успішно застосовується в області медичних зображень, зокрема в галузі отоскопії, пов'язаній з областю отоларингології. У клінічній практиці використовуються три основні типи вушних ендоскопів: ендоскопічний, електронний і відеопневматичний отоскопи (ВПО). Останні роки призвели до розробки спеціалізованих отоскопів, таких як багатоколірні та короткохвильові інфрачервоні отоскопи, а також впровадження оптичної когерентної томографії (ОКТ) для неінвазивного обстеження вуха.
У більшості наукових досліджень в області машинного навчання було досягнуто високого рівня точності у діагностиці, часто навіть перевищуючи результати клініцистів. Новий алгоритм машинного навчання, розроблений
Метью Г. Кроусоном та іншими, використовував 639 зображень отоскопії, що містили випіт із середнього вуха та інфекції. На тестовому наборі з 22 зображень їхня система виявила аномалії в барабанній перетинці з точністю 95,5%, що значно перевищує середню точність 65% 39 педіатрів та отоларингологів. Додатково Хаєн Бюн та інші використали згорткову нейронну мережу (ЗНН) для ідентифікації кондуктивної приглухуватості на основі 1130 зображень відеопневматичного отоскопу у пацієнтів з захворюванням середнього вуха. З точністю 94,1% (AUC 0,972) їхній алгоритм ЗНН ефективно розрізняв нормальну барабанну перетинку, кондуктивну втрату слуху та нейросенсорну втрату слуху, перевищуючи точність 79,0% (AUC 0,773) досвідчених отоларингологів [1 5].
У той же час численні дослідницькі групи зосереджуються на розробці спеціальних технологій ендоскопії вуха, використовуючи штучний інтелект для діагностики захворювань середнього вуха. Наприклад, Мішель Віскайно та інші продемонстрували оптимальну ефективність діагностики за допомогою режиму єдиного зеленого каналу, змінюючи кольорову палітру отоскопа на основі багатоколірного зображення. Рустін Кашані та інші розробили алгоритм, який точно визначав наявність ексудату при захворюванні середнього вуха, використовуючи 1179 короткохвильових інфрачервоних зображень отоскопії [16].
Оптична когерентна томографія (ОКТ) представляє собою неінвазивний метод оцінки барабанної перетинки (БП) та прилеглого простору середнього вуха (СВ). Гільєрмо Монрой та інші провели дослідження, де навчили нейронну мережу, використовуючи зображення з ОКТ та отоскопічних зображень автоматично ідентифікувати барабанну перетинку та випіт середнього вуха у пацієнтів з захворюванням середнього вуха з діагностичною точністю понад 90% [17]. Вони додатково використовували зображення ОКТ на шиншилах, які є золотим стандартом доклінічних моделей тварин, для підвищення обсягу вибірки та надійності, що призвело до підвищення точності їхньої моделі до 95%.
Радіологія та патологія. Ефективним методом візуалізації при хронічному середньому отиті (ХСО) є використання комп'ютерної томографії (КТ) скроневої кістки з високою роздільною здатністю. Цей метод забезпечує детальну інформацію про структуру середнього вуха та високу чутливість у виявленні ступеня та ускладнень ураження середнього вуха. Завдяки швидкому розвитку технології глибокого навчання, застосовують методи обробки та розпізнавання комп'ютерного зору для автоматичної інтерпретації КТ-зображень отиту середнього вуха.
Використання цього методу може значно зменшити витрати на оплату праці та людські помилки через повторення, втому чи розбіжності в знаннях, а також підвищити точність діагностики. Наприклад, Янмей Ванг та інші розробили алгоритм для діагностики хронічного гнійного середнього отиту (ХГСО) шляхом аналізу КТ-зображень з холестеатомами. їхня модель досягла AUC 0,92 [18], з чутливістю і специфічністю, що перевищують середні значення клінічних фахівців. Застосовуючи метод ROI Mask R-CNN, Женчанг Ванг та інші вдосконалили точність алгоритму розпізнавання патології (AUC 0,96) в порівнянні з попереднім дослідженням. Модель Бо Дуана та інших, використовуючи GoogleNet, демонструє діагностичну точність понад 90% [19], відрізняючи ХСО, пов'язаний з первинною війковою дискінезією (ПВД), від випоту середнього вуха (ВСВ).
Навіть при всіх перевагах комп'ютерної томографії (КТ) у діагностиці хронічного середнього отиту (ХСО), стандартні рентгенограми або магнітно- резонансна томографія (МРТ) продовжують застосовуватися в клінічній практиці у деяких випадках. Враховуючи чутливість до радіації, для діагностики ХСО у дітей віком до двох років часто використовують оглядові рентгенограми. Кім Чжун Лі та інші використовували нейронну мережу для діагностики мастоїдиту на основі 9988 зображень рентгенівських знімків соскоподібного відростка, отриманих від 4994 пацієнтів [20]. їхні результати свідчили про високу діагностичну точність.
Наприклад, МРТ, не випромінюючи радіацію, може відрізнити холестеатому середнього вуха від холестеринової гранульоми, виявляючи високі сигнали як на послідовностях Т1, так і на Т2. Щоб швидше та точніше поставити діагноз, вважається, що золотим стандартом є поєднання патологоанатомічних розрізів та комп'ютерної томографії. Навіть при тому, що МРТ із використанням штучного інтелекту та патологічна діагностика широко вивчені при інших захворюваннях, таких як серцево-судинні та пухлинні, дослідження в області хронічного середнього отиту залишаються обмеженими.
Тимпанометрія. Тимпанометрія використовує акустичний зонд (зазвичай 226 Гц або 1 кГц) та мікрофон для вимірювання якості звуку в слуховому проході. Цей метод надає кількісну інформацію про барабанну перетинку (ТМ) і порожнину середнього вуха, а також визначає наявність рідини в них [21]. Hamidullah Binol та інші використали метод злиття рішень, що базується на голосуванні більшістю голосів, для аналізу 73 записів тимпанометрії та даних цифрової отоскопії, досягнувши точність класифікації на рівні 84,9% [22].
Метод широкосмугової тимпанометрії (ШСТ) розширює стандартну тимпанометрію, оцінюючи повний діапазон характеристик середнього вуха на важливих для аудіометрії частотах. Жозефін Вілсолл Сундгаард та інші використовували глибоке навчання для аналізу ШСТ, використовуючи 1014 вимірювань для навчання моделі, яка досягла середньої точності 92,6% у виявленні захворювань середнього вуха. Проте модель виявилася менш ефективною у розрізненні конкретних типів захворювань, таких як гострий середній отит (ГСО) і випот середнього вуха (ВСВ) [21 ].
Обробка природної мови. Великий обсяг текстових даних, які містяться в електронних медичних записах і результатів лабораторних тестів, створює можливість для застосування обробки природної мови (ПМ) з метою автоматичного виявлення випадків середнього отиту (СО). А. Курвілла та інші використали правила обробки природної мови для аналізу описових слів барабанної перетинки пацієнтів, з метою автоматичного виявлення СО. Вони визначили 8 характерних слів, пов'язаних з барабанною перетинкою, на основі аналізу 783 звітів від експертів з отоскопії. Застосувавши алгоритм випадкового лісу, вони розробили модель NLP для діагностики СО, яка досягла точності на рівні 89,9%, що значно перевищує результати клініцистів без спеціальної підготовки [23]. Г. Бінол та інші також використовували обробку природної мови та модель "сумки слів" (BOW) для аналізу звітів з отоскопії пацієнтів з СО та досягли загальної оцінки F1 90,2% [24].
Крім того, Херігон Дж.С. та інші, крім побудови моделі NLP на основі описів отоскопії, використовували тексти лікарських записів та структуровані дані дітей до п'яти років для обмеження об'єкта навчання. їхня модель може бути використана для більш точного виявлення гострого середнього отиту (ГСО) з метою поліпшення стратегій призначення антибіотиків [25].
Лікування. Терапія. У сучасний період основною стратегією лікування гострого середнього отиту (ГСО) є використання антибактеріальних препаратів. Однак тривожність серед педіатрів та отоларингологів стосується довгострокової безпеки цих ліків та розвитку стійкості бактерій до антибіотиків. Використання моделей машинного навчання (MN) може допомогти передбачити індивідуальну чутливість до антибіотиків і резистентність до них, покращуючи ефективність лікування і навіть сприяючи створенню нових антибактеріальних препаратів/
У контексті грамнегативних інфекцій, поліміксини застосовуються як екстремальний захід, а Klebsiella pneumoniae є однією з найпоширеніших грамнегативних бактерій, що стійкі до поліміксинів. Дослідження Nenad Macesic та інших використовувало MN для аналізу данних секвенування всього геному більше 600 геномів Klebsiella pneumoniae з клональної групи 258 (CG258), забезпечуючи точний прогноз чутливості та резистентності до поліміксину (AUC 0,894) [26].
Робота А. Рейчел Мансбах та інших поєднала MN із розробкою ліків, використовуючи алгоритм для аналізу представлення та визначення характеристик сполук. їхній підхід визначив характерний словник субмолекулярних фрагментів і налаштував модель прогнозування на основі цього словника. Набір фрагментів, ідентифікованих за допомогою їхнього алгоритму, може полегшити проникнення ліків через зовнішню мембрану бактерій Pseudomonas aeruginosa. П'ять з дев'яти визначених фрагментів були успішно підтверджені експериментально [27].
Збільшення стійкості бактерій до традиційних антибіотиків привернуло увагу багатьох дослідників до пошуку нових антибактеріальних препаратів. Штучний інтелект (ШІ) може великою мірою спростити і прискорити процес розробки нових ліків, використовуючи його як інтелектуальний інструмент. Дослідники, такі як Франциско Р. Філдс та його колеги, використовують методи машинного навчання та підходи, засновані на біофізиці для автоматизації аналізу антимікробних пептидів, які можуть служити антибіоплівковими препаратами.
Також слід зазначити революційний прогрес у глибинному навчанні, такий як AlphaFold від Deepmind. AlphaFold дозволяє передбачати тривимірну структуру білка на основі його амінокислотної послідовності з високою точністю, що відкриває нові можливості для вивчення і розробки ліків.
Оновлення AlphaFold2 і нова розробка RoseTTAFold Девіда Бейкера та інших відзначаються ще більшою швидкістю та точністю у прогнозуванні тривимірної структури білків, відкриваючи нові можливості в області медичних досліджень [28].
Враховуючи важливість передбачення сайтів дії ліків і цільових білкових структур, використання ШІ у цій області є ключовим для розробки нових ліків, вивчення взаємодій між ліками та рецепторами, а також для покращення розуміння ефективності та безпеки ліків при їх взаємодії.
Наноматеріали, що містять ліки, дозволяють досягти більш точної доставки до уражених зон та отримати покращений терапевтичний ефект. Зокрема, флуоресцентні наноалмази (ФНА), обладнані винятковими оптичними та електронними властивостями, використовуються для надзвичайно чутливого виявлення захворювань і вірусів, а також для доставки ліків. При використанні разом з штучним інтелектом біосенсори на основі флуоресценції стають здатними до більш точного виявлення та моніторингу в реальному часі навіть в умовах неідеального середовища чи при наявності забруднень [29]. Це відкриває нові перспективи для швидкої діагностики та мети у лікуванні середнього отиту.
Хірургічне лікування. У зв'язку з тим, що середнє вухо представляє собою область з невеликим хірургічним простором та дуже чутливими компонентами, визначення ключових орієнтирів є важливим для точного та безпечного проведення операцій. Кілька наукових груп займалися дослідженнями та розробкою хірургічних методик, пов'язаних з хронічним середнім отитом (ХСО), досягаючи певних успіхів. Наприклад, Тору Міва та його колеги представили систему штучного інтелекту для виявлення уражень холестеатоми під час отоскопічної хірургії. Важливо відзначити, що, навіть при обмеженій точності їхнього алгоритму, виявлення матриці холестеатоми перевищувало результати неотологів (42,3% проти 38,5%) [30].
З використанням нейронної мережі Енді С. Дінг та його співавтори змогли провести сегментацію анатомічних структур скроневої кістки з дуже високою точністю. Цей алгоритм дозволив досягти високої точності виявлення, включаючи слухові кісточки, нерви (такі як кохлеарний і лицевий) та кровоносні судини (внутрішня сонна артерія та сигмовидний синус) [31]. Ця технологія може покращити існуючі методи управління зображенням, надаючи хірургам реального часу інформацію про потенційний контакт з критично важливими анатомічними структурами.
Прогнозування ризиків і післяопераційний догляд. Хоча було проведено багато епідеміологічних досліджень щодо поширеності отиту серед дітей як респіраторного ускладнення, невелика кількість досліджень зосереджувалася на великих обсягах даних для детального аналізу тяжкості симптомів, вивчення продовженості захворювання та варіацій серед пацієнтів із середнім отитом, з огляду на вікові та сезонні аспекти. Такий підхід є важливим для ефективного планування первинної медичної допомоги та індивідуального лікування, і ці аспекти були визначені як ключові у великих. Група дослідників, на чолі з Ентоні Доуеллом, використовувала обробку природної мови для оцінки поширеності середнього отиту та використання медичних послуг у 77 582 дітей [32]. їх підхід до аналізу великих даних за допомогою штучного інтелекту в охороні здоров'я також може бути успішно використаний для вивчення інших станів здоров'я.
Зазвичай хронічний середній отит лікують за допомогою тимпанопластики, процедури, спрямованої на поліпшення слуху та відновлення цілісності барабанних перетинок. У дослідженні, проведеному Джоанна Шаленієц та іншими, була розроблена модель для передбачення покращення слуху пацієнта після тимпанопластики. Використовуючи штучні нейронні мережі прямого зв'язку (МПЗ) та 21 незалежну змінну (такі як вік, стать, патологія вуха, опис хірургічної процедури тощо), їхня модель здійснила 84% правильних прогнозів. Хадзіме Кояма та інші розробили модель для передбачення повітряно-кісткової щілини (ABG) після тимпанопластики, використовуючи випадковий ліс. їх алгоритм правильно передбачав результати післяопераційного ГКГ в 81,5% випадків та визначав фактори, такі як вік і ABG, які впливають на результати тимпанопластики [33]. ЛОР-спеціалісти також зацікавлені в розробці інтелектуальних систем для спостереження за наявністю та прохідністю тимпаностомічних трубок після їх встановлення. Сінь Вонг та інші використали машину опорного вектора (МОВ) для створення нейронної мережі, яка може виявляти тимпаностомічні трубки на отоскопічних зображеннях. Ця модель досягла вражаючої точності 90% [1], що може бути корисним для регулярного моніторингу тимпаностомічних трубок.
Застосування. У сучасній клінічній практиці для діагностики та лікування різних захворювань часто використовуються різноманітні методи. Точний діагноз хронічного середнього отиту (СО) вимагає комплексного підходу, що включає аналіз історії хвороби, отоскопічні зображення, аудіограми, комп'ютерні томограми (КТ) та інші обстеження. Багато дослідників зазвичай фокусуються на конкретних методах використання штучного інтелекту (ШІ) для допомоги в діагностиці та лікуванні СО.
Проте, щоб покращити потенціал медицини за допомогою ШІ, необхідно розробити комплексну систему діагностики, лікування та управління захворюваннями, яка поєднує різноманітні методи. Крім того, більшість сучасних досліджень використовують ретроспективні дані, тоді як реальний світ повний невизначеності. Майбутні дослідження повинні демонструвати практичну застосовність ШІ в клінічних сценаріях реального світу.
Важливо відзначити, що, незважаючи на те, що використання ШІ вже має місце в деяких клінічних проблемах, "чорна скринька" моделей глибокого навчання ускладнює розуміння механізмів прийняття рішень. Це не лише утруднює оптимізацію структури моделей та підвищення їх безпеки, але й значно ускладнює навчання та налаштування параметрів. Існуючі методи пояснюваного штучного інтелекту (ПШІ), такі як Grad-CAM, можуть пояснювати області інтересу в деяких мережевих моделях, але сучасні методи ПШІ все ще мають обмеження [34]. Тому слід продовжувати розробляти відповідні методи для інтерпретації моделей глибокого навчання в майбутньому, щоб клініцисти могли краще розуміти та використовувати інструменти ШІ та створювати наукову основу для оптимізації структур глибокого навчання.
Висновок
Розглянуті статті надали важливе розуміння у потенціалі методів штучного інтелекту (ШІ) в контексті діагностики, лікування та прогнозування хронічного середнього отиту (СО). Використання інформації про історію хвороби, ендоскопічну отоскопію, рентгенологічні та аудіологічні дані, лабораторні результати, генетичні та хірургічні дані дозволили створити системи ШІ для ефективної діагностики, лікування та прогнозування відповіді на терапію та ходу захворювання.
Внаслідок цього застосування штучного інтелекту стає ключовим фактором у покращенні якості наданої медичної допомоги пацієнтам з середнім отитом, призводячи до поліпшення їхнього життя та результатів лікування. Проте, слід пам'ятати, що більшість цих досліджень була проведена лише в лабораторних умовах. Таким чином, подальші перевірки цих результатів у реальних умовах та в більшому масштабі будуть важливим етапом для оцінки ефективності цих систем в широкому колі пацієнтів із хронічним середнім отитом.
Список використаних джерел
1. Діагностика, лікування та лікування середнього отиту за допомогою штучного інтелекту.
2. Технологія штучного інтелекту на основі зображень для діагностики захворювань середнього вуха: систематичний огляд.
3. Abada, R.L.; Mansuri, I.; Maamri, M.; Kadiri, F. Complications of chronic otitis media. Ann Otolaryngol. Chir. Cervicofac 2009,126,1-5.
4. Jun Y.J., Jung J., Lee H.M. Medical data science in rhinology: background and implications for clinicians. Am J. Otolaryngol. 2020;41(6):102627.
5. Штучний інтелект і машинне (глибоке) навчання в оториноларингологи: бібліометричний аналіз на основі VOSviewer і CiteSpace.
6. Wu S., Roberts K., Datta S., et al. Deep learning in clinical natural language processing: a methodical review. J Am Med Inform Assoc. 2020;27(3):457-470.
7. Cao Z., Chen F., Grais E.M., et al. Machine learning in diagnosing middle ear disorders using tympanic membrane images: a meta-analysis. Laryngoscope. 2023;133(4):732-741.
8. Miwa T., Minoda R., Yamaguchi T., et al. Application of artificial intelligence using a convolutional neural network for detecting cholesteatoma in endoscopic enhanced images. Auris Nasus Larynx. 2022;49(1 ):11 -17.
9. Zeng J., Kang W., Chen S., et al. A deep learning approach to predict conductive hearing loss in patients with otitis media with effusion using otoscopic images. JAMA Otolaryngol Head Neck Surg. 2022;148(7):612-620.
10. Cortada M., Sauteur L., Lanz M., Levano S., Bodmer D. A deep learning approach to quantify auditory hair cells. Hear Res. 2021 ;409:108317.
11. Du Y., Ren L., Liu X., Wu Z. Machine learning method intervention: determine proper screening tests for vestibular disorders. Auris Nasus Larynx. 2022;49(4):564-570.
12. Carey G.E., Jacobson C.E., Warburton A.N., et al. Machine learning for vestibular schwannoma diagnosis using audiometrie data alone. Otol Neurotol. 2022;43(5):e530-e534.
13. Skidmore J., Xu L., Chao X., et al. Prediction of the functional status of the cochlear nerve in individual cochlear implant users using machine learning and electrophysiological measures. Ear Hear. 2021;42(1):180-192.
14. Ефективна та точна ідентифікація захворювань вуха за допомогою ансамблевої моделі глибокого навчання.
15. Byun, H.; Park, C.J.; Oh, S.J.; Chung, M.J.; Cho, B.H.; Cho, Y.-S. Automatic Prediction of Conductive Hearing Loss Using Video Pneumatic Otoscopy and Deep Learning Algorithm. Ear Hear. 2022, 43, 1563-1573.
16. Viscaino, M.; Talamilla, M.; Maass, J.C.; Henriquez, P.; Delano, P.H.; Cheein, C.A.; Cheein, F.A. Color Dependence Analysis in a CNN-Based Computer-Aided Diagnosis System for Middle and External Ear Diseases. Diagnostics 2022, 12, 917.
17. Monroy, G.L.; Won, J.; Shi, J.; Hill, M.C.; Porter, R.G.; Novak, M.A.; Hong, W.; Khampang, P.; Kerschner, J.E.; Spillman, D.R.; et al. Automated classification of otitis media with OCT: Augmenting pediatric image datasets with gold-standard animal model data. Biomed. Opt. Express 2022, 13, 3601.
18. Wang, Z.; Song, J.; Su, R.; Hou, M.; Qi, M.; Zhang, J.; Wu, X. Structure-aware deep learning for chronic middle ear disease. Expert Syst. Appl. 2022, 194, 116519.
19. Duan, B.; Guo, Z.; Pan, L.; Xu, Z.; Chen, W. Temporal bone CT-based deep learning models for differential diagnosis of primary ciliary dyskinesia related otitis media and simple otitis media with effusion. Am. J. Transl. Res. 2022, 14, 4728-4735
20. Lee, K.J.; Ryoo, I.; Choi, D.; Sunwoo, L.; You, S.-H.; Na Jung, H. Performance of deep learning to detect mastoiditis using multiple conventional radiographs of mastoid. PLoS ONE 2020, 15, e0241796.
21. Sundgaard, J.V.; Bray, P.; Laugesen, S.; Harte, J.; Kamide, Y.; Tanaka, C.; Christensen, A.N.; Paulsen, R.R. A Deep Learning Approach for Detecting Otitis Media From Wideband Tympanometry Measurements. IEEE J. Biomed. Heal Inform. 2022, 26, 2974-2982.
22. Binol, H.; Niazi, M.K.K.; Elmaraghy, C.; Moberly, A.C.; Gurcan, M.N. Automated Video Summarization and Label Assignment for Otoscopy Videos Using Deep Learning and Natural Language Processing. In Imaging Informatics for Healthcare, Research, and Applications; SPIE: Bellingham, WA, USA, 2021.
23. Kuruvilla, A.; Shaikh, N.; Hoberman, A.; Kovacevic, J. Automated Diagnosis of Otitis Media: Vocabulary and Grammar. Int. J. Biomed. Imaging 2013, 2013, 327515.
24. Binol, H.; Niazi, M.K.K.; Elmaraghy, C.; Moberly, A.C.; Gurcan, M.N. Automated Video Summarization and Label Assignment for Otoscopy Videos Using Deep Learning and Natural Language Processing. In Imaging Informatics for Healthcare, Research, and Applications; SPIE: Bellingham, WA, USA, 2021.
25. Herigon, J.C.; Kimia, A.; Harper, M. 1358 Using natural language processing to optimize case ascertainment of acute otitis media in a large, state-wide pediatric practice network. Open Forum Infect. Dis. 2020, 7, S690-S691.
26. Macesic, N.; Bear Don't Walk IV, O.J.; Pe'er, I.; Tatonetti, N.P.; Peleg, A.Y.; Uhlemann, A.C. Predicting Phenotypic Polymyxin Resistance in Klebsiella pneumoniae through Machine Learning Analysis of Genomic Data. mSystems 2020, 5, e00656-19.
27. Mansbach, R.A.; Leus, I.V.; Mehla, J.; Lopez, C.A.; Walker, J.K.; Rybenkov, V.V.; Hengartner, N.W.;Hengartner, H.I.; Gnanakaran, S. Machine Learning Algorithm Identifies an Antibiotic Vocabulary for Permeating Gram-Negative Bacteria. J. Chem. Inf. Model. 2020, 60, 2838-2847.
28. Wang, J.; Lisanza, S.; Juergens, D.; Tischer, D.; Watson, J.L.; Castro, K.M.; Ragotte, R.; Saragovi, A.; Milles, L.F.; Baek, M.; et al. Scaffolding protein functional sites using deep learning. Science 2022, 377, 387-394.
29. Qureshi, S.A.; Hsiao, W.W.-W.;Hussain, L.; Aman, H.; Le, T.-N.; Rafique, M. Recent Development of Fluorescent Nanodiamonds for Optical Biosensing and Disease Diagnosis. Biosensors 2022, 12, 1181.
30. Miwa, T.; Minoda, R.; Yamaguchi, T.; Kita, S.-I.; Osaka, K.; Takeda, H.; Kanemaru, S.-I.; Omori, K. Application of artificial intelligence using a convolutional neural network for detecting cholesteatoma in endoscopic enhanced images. Auris Nasus Larynx 2022, 49, 11-17.
31. Ding, A.S.; Lu, A.; Li, Z.; Galaiya, D.;Siewerdsen, J.H.; Taylor, R.H.;Creighton, F.X. Automated Registration-Based Temporal Bone Computed Tomography Segmentation for Applications in Neurotologic Surgery. Otolaryngol. Neck Surg. 2022, 167, 133-140.
32. Dowell, A.; Darlow, B.; Macrae, J.; Stubbe, M.; Turner, N.; McBain, L. Childhood respiratory illness presentation and service utilisation in primary care: A six-year cohort study in Wellington, New Zealand, using natural language processing (NLP) software. BMJ Open 2017, 7, e017146.
33. Szaleniec, J.; Wiatr, M.; Szaleniec, M.; Skfadzien, J.; Tomik, J.; Oles, K.; Tadeusiewicz, R. Artificial neural network modelling of the results of tympanoplasty in chronic suppurative otitis media patients. Comput. Biol. Med. 2013, 43, 16-22.
34. Selvaraju, R.R.; Cogswell, M.; Das, A.; Vedantam, R.; Parikh, D.; Batra, D. Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization. arXiv 2019, arXiv:1610.02391.
Размещено на Allbest.Ru
...Подобные документы
Комбіноване лікування хворих з гліомами лобово-кальозної локалізації шляхом застосування сучасних методів діагностики та диференційованого використання хірургічних та нехірургічних методів лікування на основі даних клініко-статистичного прогнозування.
автореферат [96,3 K], добавлен 21.03.2009Гломерулонефрит, як одне з найпоширеніших захворювань нирок. Покращення якості надання допомоги військовослужбовцям, хворим на ГН, на основі удосконалених і адаптованих до умов існуючої системи медичного забезпечення стандартів діагностики та лікування.
автореферат [152,4 K], добавлен 19.03.2009Поняття, сутність, класифікація, етіологія, клінічна діагностика та антибактеріальна терапія пневмоній. Особливості діагностики та лікування хронічного бронхіту. Характеристика та принципи лікування спадкових захворювань та вад розвитку бронхів і легень.
реферат [354,4 K], добавлен 12.07.2010Зростання захворюваності населення України на рак щитоподібної залози у віддалений після Чорнобильської катастрофи час. Характерні особливості клінічного і патогенетичного перебігу хвороби. Методи діагностики та хірургічного лікування хворих на рак.
автореферат [91,9 K], добавлен 11.04.2009Патологічні процеси, порушення різних ланок гомеостазу та зниження слуху при отитах. Ефективність діагностики та лікування гнійних середніх отитів. Застосування інструментальних методів діагностики захворювання та вдосконалення патогенетичної терапії.
автореферат [115,2 K], добавлен 12.03.2009Проблемні питання лікування та профілактики виразкової хвороби в сучасній амбулаторній практиці. Ерадикаційна терапія виразкової хвороби в стадії загострення. Лікування військовослужбовців з больовим, диспепсичним та астено-вегетативним синдромом.
дипломная работа [147,1 K], добавлен 15.03.2015Клініко-лабораторне обґрунтування і розробка медикаментозного лікування хворих на генералізований пародонтит при ротовій протоінвазії. Порівняльна оцінка методів прогозоологічної діагностики і діагностика інвазії протистів у пародонтологічних хворих.
автореферат [135,2 K], добавлен 15.08.2009Наркотична залежність, надання першої медичної допомоги, способи лікування. Метод доктора Назаралієва, атропіношокова терапія. Замісна терапія. "Чищення крові". Загрозливі стани й невідкладна допомога. Передозування наркотиків - загроза життю наркомана.
реферат [32,1 K], добавлен 20.02.2010Особливості фармако-економічного аналізу антибіотиків для лікування пневмонії у дітей старшого віку в Україні. Методи діагностики та лікування пневмонії. Обґрунтування економічної доцільності використання тих чи інших схем лікування та лікарських засобів.
курсовая работа [922,7 K], добавлен 19.09.2010Закономірності розвитку уражень АНС при цукровому діабеті. Методи ранньої діагностики, патогенетично-обґрунтованого лікування і профілактики ДАН у хворих на цукровий діабет 1 типу. Лікування сірковмісними препаратами та вплив їх на перебіг хвороби.
автореферат [147,5 K], добавлен 17.02.2009Роль імунної системи в генезі захворювань шлунка та дванадцятипалої кишки. Підвищення якості діагностики та ефективності лікування хворих на хронічний гастрит. Результати уреазного тесту та гістологічного методу. Показники гуморальної ланки імунітету.
автореферат [35,8 K], добавлен 18.03.2009Цивілізований науковий метод лікування і профілактики серйозних захворювань. Використання символів тварин. Основні функції та види анімалотерапії. Використання іппотерапії, дельфінотерапії, апітерапії, каністерапії, фелінотерапії та гірудотерапії.
презентация [1,5 M], добавлен 21.05.2013Причини незадовільних результатів лікування хвороби Крону та шляхи їх покращення. Математична модель прогнозування загострень та закономірності розвитку захворювання, інформативні гістоморфологічні маркери. Тактика хірургічного лікування та реабілітація.
автореферат [41,2 K], добавлен 03.04.2009Взаємовідношення ремоделювання судин і серця, порушень цитокінової системи у хворих на гіпертонічну хворобу та критерії діагностики перебігу хвороби як передумови корекції лікування. Алгоритми і математичні моделі діагностики порушень імунного статусу.
автореферат [59,7 K], добавлен 07.04.2009Методи надання лікувальної допомоги тваринам при пораненнях. Способи зупинки кровотеч і застосування при цьому лікарських засобів. Застосування явищ імунітету в діагностиці. Заходи боротьби з гельмінтозами тварин. Лікування інфекційних захворювань.
контрольная работа [18,0 K], добавлен 15.06.2009- Хронічний неспецифічний, клінічний перебіг, класифікація, критерії діагностики та принципи лікування
Хронічні захворювання травної системи у дітей. Функціональні та органічні захворювання шлунка та кишечника у дітей. Підвищення ефективності діагностики, створення клініко-морфологічної класифікації принципів профілактики і лікування ХННК у дітей.
автореферат [105,9 K], добавлен 12.04.2009 Вивчення пародонтологічного статусу та гормонального фону у вагітних із акушерською патологією. Підвищення ефективності профілактики та лікування захворювань тканин пародонта в даної категорії пацієнток. Комплекс лікувально-профілактичних заходів.
автореферат [41,5 K], добавлен 07.04.2009Патологія ерозії шлунка як розповсюджене захворювання верхніх відділів шлунково-кишкового тракту. Удосконалення діагностики та підвищення ефективності лікування хронічного гастриту з ерозіями вивчая особливості його клініко-морфологічних проявів.
автореферат [35,0 K], добавлен 12.04.2009Частота та основні причини розвитку резидуального та рецидивного холангіолітіазу, його питома вага в структурі станів після холецистекомії, особливості біохімічного складу жовчних конкрементів. Удосконалення хірургічної тактики, діагностики та лікування.
автореферат [41,3 K], добавлен 06.04.2009Застосування фізичних вправ відповідно до задач лікування. Використання масажу як самої ощадливої форми підвищення загального тонусу організму. Методи фізіотерапії на поліклінічному етапі реабілітації з урахуванням захворювань, що були прооперовані.
курсовая работа [84,0 K], добавлен 12.05.2011
