Optimization of chronic rhinosinusitis diagnosis using artificial intelligence

Chestnikova S.E.; Piskunov V.S.; Mezentseva O.Yu.; Rukavitsyn V.R.; Kolotovkina A.I.

doi:https://doi.org/10.17116/rosrino20253304138

Честникова С.Э.

ФГБОУ ВО «Курский государственный медицинский университет» Минздрава России

ORCID: 0000-0001-8745-0968

Пискунов В.С.

ФГБОУ ВО «Курский государственный медицинский университет» Минздрава России

ORCID: 0000-0002-6800-5524

Мезенцева О.Ю.

ФГБОУ ВО «Курский государственный медицинский университет» Минздрава России

ORCID: 0000-0001-8895-1510

Рукавицын В.Р.

ФГБОУ ВО «Курский государственный медицинский университет» Минздрава России

ORCID: 0009-0000-9703-5477

Колотовкина А.И.

ФГБОУ ВО «Курский государственный медицинский университет» Минздрава России

ORCID: 0009-0009-7051-2048

Оптимизация диагностики хронического риносинусита с помощью искусственного интеллекта

Авторы:

Честникова С.Э., Пискунов В.С., Мезенцева О.Ю., Рукавицын В.Р., Колотовкина А.И.

Подробнее об авторах

Журнал: Российская ринология. 2025;33(4): 38‑43

DOI: 10.17116/rosrino20253304138

Прочитано: 145 раз

Связаться с автором

Оглавление

Как цитировать:

Честникова С.Э., Пискунов В.С., Мезенцева О.Ю., Рукавицын В.Р., Колотовкина А.И. Оптимизация диагностики хронического риносинусита с помощью искусственного интеллекта. Российская ринология. 2025;33(4):38‑43.
Chestnikova SE, Piskunov VS, Mezentseva OYu, Rukavitsyn VR, Kolotovkina AI. Optimization of chronic rhinosinusitis diagnosis using artificial intelligence. Russian Rhinology. 2025;33(4):38‑43. (In Russ.)
https://doi.org/10.17116/rosrino20253304138

Подписка 2026 Российская ринология (Russian Rhinology)

Использование инфографики авторами научных работ

Рекомендуем статьи по данной теме:

Рандомизированное контролируемое исследование, сравнивающее назальные спреи будесонид и мометазона фуроат для лечения хронического риносинусита с полипозом носа: оценка симптомов и качества жизни. Российская ринология. 2025;(1):12-17

Возможности, проблемы и подходы к совершенствованию цифровых технологий в здравоохранении. Профилактическая медицина. 2024;(12):31-36

Обзор современных цифровых методов идентификации личности с применением технологии искусственного интеллекта в судебной стоматологии. Стоматология. 2024;(6):79-82

Анализ состава выдыхаемого воздуха с использованием портативного «электронного носа» как перспективный метод неинвазивной экспресс-диагностики туберкулеза легких. Лабораторная служба. 2024;(4):12-20

Персонализированный подход к выбору терапии через цифровой портрет кардиологического больного. Возможности сервиса поддержки принятия врачебных решений. Кардиологический вестник. 2024;(4-2):105-112

Искусственный интеллект в стоматологии как веление времени. Стоматология. 2025;(1):87-92

Разработка программного обеспечения на основе искусственного интеллекта для цифровой оценки репаративной регенерации костной ткани. Восстановительные биотехнологии, профилактическая, цифровая и предиктивная медицина. 2025;(1):19-24

На пути к персонализированной кардиологии: перспективы прецизионной оценки сердечно-сосудистых рисков и предиктивно-прогностической диагностики. Кардиология и сердечно-сосудистая хирургия. 2025;(2):206-215

Использование искусственного интеллекта для оценки омолаживающего эффекта эндоскопических операций в периорбитальной области. Пластическая хирургия и эстетическая медицина. 2025;(2):42-51

Подозрение на первичное закрытие угла передней камеры: применение метода машинного обучения в обосновании целесообразности пристального мониторинга. Вестник офтальмологии. 2025;(2):67-74

Резюме / Abstract:

ЦЕЛЬ ИССЛЕДОВАНИЯ

Анализ возможностей применения искусственного интеллекта для оптимизации диагностики хронического риносинусита.

МАТЕРИАЛ И МЕТОДЫ

В обзор включены материалы, представленные в информационных базах данных MEDLINE, PubMed. Выбор материала осуществляли по ключевым словам: хронический риносинусит, полипы полости носа, искусственный интеллект, машинное обучение, нейронные сети; с последующей систематизацией в соответствии с поставленной задачей.

РЕЗУЛЬТАТЫ

В обзор включены 18 публикаций, соответствующих критериям включения. В работах освещались возможности применения искусственного интеллекта для решения задач дифференциальной диагностики эндотипов хронического риносинусита, дифференциальной диагностики полипов носа и инвертированных папиллом, выявления полипов носа при эндоскопии, сегментации околоносовых пазух, определении степени окклюзии остеомеатального комплекса, дифференциальной диагностики грибкового риносинусита, оценки ремоделирования стенки пазух.

ЗАКЛЮЧЕНИЕ

Программные модели, созданные с помощью машинного обучения, обладают высокой точностью и обеспечивают низкие эксплуатационные расходы, что позволит применять их для решения задач комплексной (клинической, лучевой и эндоскопической) диагностики хронического риносинусита, упростив работу врача и сократив частоту применения дорогостоящих инвазивных методик (например, биопсия с последующим патогистологическим исследованием).

Ключевые слова / Keywords:

хронический риносинусит

полипы полости носа

искусственный интеллект

машинное обучение

нейронные сети

Авторы / Authors:

Честникова С.Э.

ФГБОУ ВО «Курский государственный медицинский университет» Минздрава России

ORCID: 0000-0001-8745-0968

Пискунов В.С.

ФГБОУ ВО «Курский государственный медицинский университет» Минздрава России

ORCID: 0000-0002-6800-5524

Мезенцева О.Ю.

ФГБОУ ВО «Курский государственный медицинский университет» Минздрава России

ORCID: 0000-0001-8895-1510

Рукавицын В.Р.

ФГБОУ ВО «Курский государственный медицинский университет» Минздрава России

ORCID: 0009-0000-9703-5477

Колотовкина А.И.

ФГБОУ ВО «Курский государственный медицинский университет» Минздрава России

ORCID: 0009-0009-7051-2048

Дата поступления:

13.02.2025

Дата принятия в печать:

21.04.2025

Закрыть метаданные

Литература / References:

Bai J, Tan BK, Kato A. Endotypic heterogeneity and pathogenesis in chronic rhinosinusitis. Curr Opin Allergy Clin Immunol. 2024;24(1):1-8. https://doi.org/10.1097/ACI.0000000000000954
Nakayama T, Haruna SI. A review of current biomarkers in chronic rhinosinusitis with or without nasal polyps. Expert Rev Clin Immunol. 2023; 19(8):883-892. https://doi.org/10.1080/1744666X.2023.2200164
Li JJ, Wang WQ, Aodeng DSRD, Zhu ZZ, Lyu W. Application and prospect of artificial intelligence in the precision diagnosis and treatment of chronic rhinosinusitis. Zhonghua Er Bi Yan Hou Tou Jing Wai Ke Za Zhi. 2024;59(6):643-648. (Chinese). https://doi.org/10.3760/cma.j.cn115330-20240130-00061
Кирдеева А.И., Косяков С.Я. Особенности эндотипирования и фенотипирования хронического риносинусита. Российская ринология. 2017; 25(2):58-63. https://doi.org/10.17116/rosrino201725258-63
Chen M, Xu Z, Fu Y, Zhang N, Lu T, Li Z, Li J, Bachert C, Wen W, Wen Y. A novel inflammatory endotype diagnostic model based on cytokines in chronic rhinosinusitis with nasal polyps. World Allergy Organ J. 2023; 16(7):100796. https://doi.org/10.1016/j.waojou.2023.100796
Hua HL, Li S, Xu Y, Chen SM, Kong YG, Yang R, Deng YQ, Tao ZZ. Differentiation of eosinophilic and non-eosinophilic chronic rhinosinusitis on preoperative computed tomography using deep learning. Clin Otolaryngol. 2023;48(2):330-338. https://doi.org/10.1111/coa.13988
Hatsukawa H, Ishikawa M. Clinical Utility of Machine Learning Methods Using Regression Models for Diagnosing Eosinophilic Chronic Rhinosinusitis. OTO Open. 2024;8(1):e122. https://doi.org/10.1002/oto2.122
Du W, Kang W, Lai S, Cai Z, Chen Y, Zhang X, Lin Y. Deep learning in computed tomography to predict endotype in chronic rhinosinusitis with nasal polyps. BMC Med Imaging. 2024;24(1):25. https://doi.org/10.1186/s12880-024-01203-w
Zhou H, Fan W, Qin D, Liu P, Gao Z, Lv H, Zhang W, Xiang R, Xu Y. Development, Validation and Comparison of Artificial Neural Network and Logistic Regression Models Predicting Eosinophilic Chronic Rhinosinusitis With Nasal Polyps. Allergy Asthma Immunol Res. 2023;15(1):67-82. https://doi.org/10.4168/aair.2023.15.1.67
Lai S, Kang W, Chen Y, Zou J, Wang S, Zhang X, Zhang X, Lin Y. An End-to-End CRSwNP Prediction with Multichannel ResNet on Computed Tomography. Int J Biomed Imaging. 2024;2024:4960630. https://doi.org/10.1155/2024/4960630
Zou J, Lyu Y, Lin Y, Chen Y, Lai S, Wang S, Zhang X, Zhang X, Wu R, Kang W. A multi-view fusion lightweight network for CRSwNPs prediction on CT images. BMC Med Imaging. 2024;24(1):112. https://doi.org/10.1186/s12880-024-01296-3
Ay B, Turker C, Emre E, Ay K, Aydin G. Automated classification of nasal polyps in endoscopy video-frames using handcrafted and CNN features. Comput Biol Med. 2022;147:105725. https://doi.org/10.1016/j.compbiomed.2022.105725
Li X, Zhao H, Ren T, Tian Y, Yan A, Li W. Inverted papilloma and nasal polyp classification using a deep convolutional network integrated with an attention mechanism. Comput Biol Med. 2022;149:105976. https://doi.org/10.1016/j.compbiomed.2022.105976
Girdler B, Moon H, Bae MR, Ryu SS, Bae J, Yu MS. Feasibility of a deep learning-based algorithm for automated detection and classification of nasal polyps and inverted papillomas on nasal endoscopic images. Int Forum Allergy Rhinol. 2021;11(12):1637-1646. https://doi.org/10.1002/alr.22854
Tai J, Han M, Choi BY, Kang SH, Kim H, Kwak J, Lee D, Lee TH, Cho Y, Kim TH. Deep learning model for differentiating nasal cavity masses based on nasal endoscopy images. BMC Med Inform Decis Mak. 2024;24(1):145. https://doi.org/10.1186/s12911-024-02517-z
Rampinelli V, Paderno A, Conti C, Testa G, Modesti CL, Agosti E, Dohin I, Saccardo T, Vinciguerra A, Ferrari M, Schreiber A, Mattavelli D, Nicolai P, Holsinger C, Piazza C. Artificial intelligence for automatic detection and segmentation of nasal polyposis: a pilot study. Eur Arch Otorhinolaryngol. 2024;281(11):5815-5821. https://doi.org/10.1007/s00405-024-08809-4
Whangbo J, Lee J, Kim YJ, Kim ST, Kim KG. Deep Learning-Based Multi-Class Segmentation of the Paranasal Sinuses of Sinusitis Patients Based on Computed Tomographic Images. Sensors (Basel). 2024;24(6):1933. https://doi.org/10.3390/s24061933
Kuo CJ, Liao YS, Barman J, Liu SC. Semi-Supervised Deep Learning Semantic Segmentation for 3D Volumetric Computed Tomographic Scoring of Chronic Rhinosinusitis: Clinical Correlations and Comparison with Lund-Mackay Scoring. Tomography. 2022;8(2):718-729. https://doi.org/10.3390/tomography8020059
Chowdhury NI, Smith TL, Chandra RK, Turner JH. Automated classification of osteomeatal complex inflammation on computed tomography using convolutional neural networks. Int Forum Allergy Rhinol. 2019;9(1):46-52. https://doi.org/10.1002/alr.22196
Sukswai P, Hnoohom N, Hoang MP, Aeumjaturapat S, Chusakul S, Kanjanaumporn J, Seresirikachorn K, Snidvongs K. The accuracy of deep learning models for diagnosing maxillary fungal ball rhinosinusitis. Eur Arch Otorhinolaryngol. 2024;281(12):6485-6492. https://doi.org/10.1007/s00405-024-08948-8.
Kim KS, Kim BK, Chung MJ, Cho HB, Cho BH, Jung YG. Detection of maxillary sinus fungal ball via 3-D CNN-based artificial intelligence: Fully automated system and clinical validation. PLoS One. 2022;17(2):e0263125. https://doi.org/10.1371/journal.pone.0263125
Бойко Н.В., Стагниева И.В., Лодочкина О.Е., Писаренко Е.А. Ремоделирование стенок пазух при хроническом риносинусите с полипами по данным компьютерной томографии. Российская ринология. 2024; 32(3):195-201. https://doi.org/10.17116/rosrino202432031195
Zou C, Ji H, Cui J, Qian B, Chen YC, Zhang Q, He S, Sui Y, Bai Y, Zhong Y, Zhang X, Ni T, Che Z. Preliminary study on AI-assisted diagnosis of bone remodeling in chronic maxillary sinusitis. BMC Med Imaging. 2024;24(1):140. https://doi.org/10.1186/s12880-024-01316-2