Классификация состояний верхнечелюстных пазух по данным цифровой диафаноскопии с применением машинного обучения

В настоящее время вопрос диагностики патологических изменений верхнечелюстных пазух (ВЧП) является актуальной задачей. Для ранней диагностики этой патологии перспективным видится применение метода цифровой диафаноскопии, позволяющего визуализировать ткани пазух с помощью зондирующего оптического излучения в красном и ближне-инфракрасном диапазонах. Однако существует потребность в улучшении точностных характеристик данного метода, сокращении длительности исследования и упрощении процесса классификации регистрируемых изображений (диафанограмм) за счет создания системы поддержки принятия врачебных решений (СППВР).

ЦЕЛЬ ИССЛЕДОВАНИЯ

Разработка СППВР для классификации диафанограмм цифровой диафаноскопии на основе сверточной нейронной сети (СНС).

ПАЦИЕНТЫ И МЕТОДЫ

В исследовании приняли участие 80 здоровых добровольцев и 76 пациентов с патологией ВЧП. Регистрацию диафанограмм осуществляли с применением устройства цифровой диафаноскопии на двух длинах волн зондирования (650 и 850 нм). Анализ диафанограмм (160 диафанограмм условно здоровых добровольцев, 78 диафанограмм пациентов с синуситом и 32 диафанограммы пациентов с кистой ВЧП) проводили с помощью разработанной модели классификации изображений на основе СНС ResNet-50.

РЕЗУЛЬТАТЫ

Получены высокие значения точности (чувствительность 0,95 и специфичность 0,88), которые превышали все ранее предложенные разработки на основе линейного дискриминантного анализа. Решена задача дифференциации патологии ВЧП на классы синусита и кистозной жидкости с помощью разработанной СППВР.

ЗАКЛЮЧЕНИЕ

Разработанная модель классификации может быть применена для цифровой диафаноскопии с целью раннего выявления патологических изменений ВЧП в телемедицине и при проведении ЛОР-консультаций в автоматизированном режиме с помощью СППВР. Анализ результатов показал необходимость расширения базы данных для дообучения модели классификации.