Performance evaluation results of an artificial neural network developed for the purpose of classifying otoendoscopic images

Kryukov A.I.; Garov E.V.; Sudarev P.A.; Zelenkova V.N.; Kiselyus V.E.; Shevyrina N.G.; Korotaeva V.A.; Petrashko U.E.

doi:https://doi.org/10.17116/otorino2025900319

Крюков А.И.

ГБУЗ города Москвы «Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского» Департамента здравоохранения города Москвы

ORCID: 0000-0002-0149-0676

Гаров Е.В.

ГБУЗ города Москвы «Научно-исследовательский клинический институт оториноларингологии им. Л.И. Свержевского» ДЗМ

ORCID: 0000-0003-2473-3113

Сударев П.А.

ORCID: 0000-0001-9085-9879

Зеленкова В.Н.

ORCID: 0000-0002-5103-1080

Киселюс В.Э.

ORCID: 0000-0003-4853-9112

Шевырина Н.Г.

ООО «Рубедо»

ORCID: 0009-0003-9446-5457

Коротаева В.А.

ООО «Рубедо»

ORCID: 0009-0009-9996-8081

Петрашко У.Э.

ORCID: 0009-0004-5464-0473

Оценка эффективности искусственной нейронной сети, разработанной с целью классификации отоэндоскопических изображений

Авторы:

Крюков А.И., Гаров Е.В., Сударев П.А., Зеленкова В.Н., Киселюс В.Э., Шевырина Н.Г., Коротаева В.А., Петрашко У.Э.

Подробнее об авторах

Журнал: Вестник оториноларингологии. 2025;90(3): 9‑12

DOI: 10.17116/otorino2025900319

Прочитано: 534 раза

Связаться с автором

Оглавление

Как цитировать:

Крюков А.И., Гаров Е.В., Сударев П.А., и др. Оценка эффективности искусственной нейронной сети, разработанной с целью классификации отоэндоскопических изображений. Вестник оториноларингологии. 2025;90(3):9‑12.
Kryukov AI, Garov EV, Sudarev PA, et al. Performance evaluation results of an artificial neural network developed for the purpose of classifying otoendoscopic images. Russian Bulletin of Otorhinolaryngology. 2025;90(3):9‑12. (In Russ.)
https://doi.org/10.17116/otorino2025900319

Подписка 2026 Вестник оториноларингологии (Russian Bulletin of Otorhinolaryngology)

Использование инфографики авторами научных работ

Рекомендуем статьи по данной теме:

Видеомика в оториноларингологии: история развития и перспективы внедрения технологии. Вестник оториноларингологии. 2025;(5):67-71

Резюме / Abstract:

В статье описана попытка реализации автоматизированного подхода в диагностике заболеваний уха с использованием сверточной нейронной сети. В ходе работы сформирован, размечен и загружен датасет, состоящий из 8791 изображения, полученного при проведении отоэндоскопического исследования человека. Проведено обучение и тестирование нейросети. Для организации работы алгоритма составлено дерево диагнозов и определены классы изображений: норма, дефект ненатянутого отдела барабанной перепонки, адгезивный средний отит, инородное тело наружного слухового прохода, неотимпанальная мембрана, серная пробка, шунт, экссудативный средний отит, экзостозы и новообразования наружного слухового прохода, диффузный наружный отит, дефект ненатянутого отдела барабанной перепонки. Разработанная и обученная искусственная нейронная сеть продемонстрировала точность 91,2% в опознавании нозологических классов, касающихся заболеваний среднего уха и наружного слухового прохода. Предложенная технология в дальнейшем может быть использована в практическом здравоохранении для контроля и повышения качества диагностики патологии уха.

Ключевые слова / Keywords:

сверточночная нейросеть

дерево диагнозов

отоэндоскопия

барабанная перепонка

Авторы / Authors:

Крюков А.И.

ORCID: 0000-0002-0149-0676

Гаров Е.В.

ORCID: 0000-0003-2473-3113

Сударев П.А.

ORCID: 0000-0001-9085-9879

Зеленкова В.Н.

ORCID: 0000-0002-5103-1080

Киселюс В.Э.

ORCID: 0000-0003-4853-9112

Шевырина Н.Г.

ООО «Рубедо»

ORCID: 0009-0003-9446-5457

Коротаева В.А.

ООО «Рубедо»

ORCID: 0009-0009-9996-8081

Петрашко У.Э.

ORCID: 0009-0004-5464-0473

Дата поступления:

10.10.2024

Дата принятия в печать:

10.02.2025

Закрыть метаданные

Литература / References:

Mehta N, Pandit A, Shukla S. Transforming healthcare with big data analytics and artificial intelligence: a systematic mapping study. Journal of Biomedical Informatics. 2019;100:103311. https://doi.org/10.1016/j.jbi.2019.103311
Paderno A, Gennarini F, Sordi A, Montenegro C, Lancini D, Villani FP, Moccia S, Piazza C. Artificial intelligence in clinical endoscopy: Insights in the field of videomics. Frontiers in Surgery. 2022;9:933297. https://doi.org/10.3389/fsurg.2022.933297
Wolleswinkel-van den Bosch JH, Stolk EA, Francois M, Gasparini R, Brosa M. The health care burden and societal impact of acute otitis media in seven European countries: results of an Internet survey. Vaccine. 2010;28 Suppl 6:G39-52. https://doi.org/10.1016/j.vaccine.2010.06.014
Folino F, Caruso M, Bosi P, Aldè M, Torretta S, Marchisio P. Acute otitis media diagnosis in childhood: still a problem in 2023? Italian Journal of Pediatrics. 2024;50(1):19. https://doi.org/10.1186/s13052-024-01588-y
Myburgh HC, van Zijl WH, Swanepoel D, Hellström S, Laurent C. Otitis Media Diagnosis for Developing Countries Using Tympanic Membrane Image-Analysis. EBioMedicine. 2016;5:156-60. https://doi.org/10.1016/j.ebiom.2016.02.017
Viscaino M, Maass JC, Delano PH, Torrente M, Stott C, Auat Cheein F. Computer-aided diagnosis of external and middle ear conditions: A machine learning approach. PLoS One. 2020;15(3):e0229226. https://doi.org/10.1371/journal.pone.0229226
Zeng X, Jiang Z, Luo W, Li H, Li H, Li G, Shi J, Wu K, Liu T, Lin X, Wang F, Li Z. Efficient and accurate identification of ear diseases using an ensemble deep learning model. Scientific Reports. 2021;11(1):10839. https://doi.org/10.1038/s41598-021-90345-w