Оптимизация диагностики хронического риносинусита с помощью искусственного интеллекта
Резюме
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
- хронический риносинусит
- полипы полости носа
- искусственный интеллект
- машинное обучение
- нейронные сети
Дата поступления: 13.02.2025
Дата принятия в печать: 21.04.2025
Дата публикации: 18.12.2025
- 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
Рекомендуем статьи по данной теме:
Искусственный интеллект в респираторной медицине.Респираторная медицина. 2026;2(2):21-29
Прогнозирование 90-дневной послеоперационной летальности после эзофагэктомии с использованием технологии машинного обучения: сравнительная оценка модели с зарубежными аналогами.Онкология. Журнал им. П.А. Герцена. 2026;15(3):22-26
Прогнозирование успеха дентальной имплантации с использованием искусственного интеллекта и машинного обучения.Российская стоматология. 2026;19(1-2):165-173
Положительные примеры использования в здравоохранении искусственного интеллекта и телемедицины.Профилактическая медицина. 2026;29(2):109-114
Применение искусственного интеллекта в профилактике хронических неинфекционных заболеваний: систематический обзор публикаций 2022—2025 гг.Профилактическая медицина. 2025;28(12):21-30
Интервенционная кардиология в эпоху искусственного интеллекта: технологии, инновации и сложности.Медицинские технологии. Оценка и выбор. 2025;47(4):20-27
Использование модели помощи принятия врачебных решений «PathVision.ai» в морфологической диагностике рака предстательной железы в биопсийном материале.Архив патологии. 2025;87(6):34-41
Проблемы и решения в применении алгоритмов машинного обучения для анализа данных в кардиологии.Профилактическая медицина. 2025;28(10):16-22
Возможности искусственного интеллекта при выборе тактики хирургического лечения при тетраде Фалло.Кардиология и сердечно-сосудистая хирургия. 2025;18(5):560-565
Искусственный интеллект в репродуктивной медицине и хирургии.Проблемы репродукции. 2025;31(4):10-25