כלי בינה מלאכותית מגביר את דיוק האבחון של דלקות אוזניים בילדים, כך עולה ממחקר

במחקר שפורסם לאחרונה ב-JAMA Pediatrics, חוקרים פיתחו ואימתו סיווג אוטומטי לאבחון דלקת אוזן תיכונה חריפה (AOM) בילדים.

לימוד: פיתוח ואימות של מסווג אוטומטי לאבחון דלקת אוזניים חריפה בילדים. קרדיט תמונה: Image Point Fr/Shutterstock.com

רקע כללי

AOM היא המחלה השנייה בשכיחותה בקרב ילדים בארצות הברית (ארה"ב). למרות השכיחות הגבוהה, הדיוק האבחוני של AOM היה באופן עקבי ≤ 75%.

שיטות לשיפור הדיוק והקלת האבחון התפתחו עם השנים. המאמצים האחרונים לשיפור דיוק האבחון התמקדו בבינה מלאכותית (AI).

מספר מחקרים מינפו למידה עמוקה לאימון רשתות עצביות לזיהוי AOM ומצבים אחרים הקשורים לאוזניים, אם כי עם יישום קליני מוגבל.

לגבי המחקר

במחקר הנוכחי, חוקרים פיתחו ואימתו כלי תמיכה בהחלטות בינה מלאכותית לפירוש סרטוני ממברנה תוף (TM) ושיפור אבחון AOM.

ראשית, תוכננה אפליקציה או אפליקציה לנייד ברמה רפואית כדי לצלם סרטוני TM; המשתמשים יכולים להתאים את הבהירות והמיקוד כדי ללכוד את התמונה הטובה ביותר. האפליקציה הוטמעה גם בתוכנת זיהוי קולי כדי לאפשר שליטה באמצעות פקודות קוליות.

כתכונה אופציונלית, משתמשים יכלו לתעד את ההתרשמות (של TM) ואת האבחנה המשוערת שלהם. לאחר מכן, פותחה ספריית הדרכה באמצעות הערכות אוטוסקופיות של ילדים המגיעים לביקורי בריאות או מחלה. דגימת נוחות הוחלה על ילדים נבחרים.

אנדוסקופ או אוטוסקופ המחוברים לסמארטפון שימשו לצילום סרטונים של TMs של ילדים. שני אוטוסקופיסטים בחנו את הסרטונים והקצו אבחנה.

הצוות ערך סקר של הורים לילדים שבדיקתם כללה שימוש במסווג AI.

רשת עצבית חוזרת (DRN) אומנה באמצעות סרטוני TM כקלט ואבחון שהוקצה על ידי מומחה כהתייחסות. פלט הדגם היה תכונות TM ואבחון AOM. בסביבות 80% מהסרטונים שימשו להדרכה ו-20% לבדיקות.

מודל DR-RNN יצר את ההסתברות ל-AOM עבור כל סרטון, ו-AOM אובחן אם ההסתברות הייתה ≥ 50%. מדד Youden, כלומר ההבדל בין שיעור חיובי אמיתי לשקר, נאמד בספי הסתברות שונים כדי לאמת את בחירת הסף.

בנוסף, פותח מודל עץ החלטות (DT) כחלופה לבחון אם התוצאות יהיו שונות; זה השתמש בתכונות TM חזוי דגם DR-RNN.

הצוות השווה שיטות שונות לחילוץ מסגרת: מקסום גיוון, מזעור טשטוש, מקסום חדות, דגימת רוחב שווה ומקסום ניגודיות.

בנוסף, סווג איכות תמונה הוכשר ונבדק כדי להנחות את המשתמשים שהסרטונים שצולמו עשויים להיות לא אופטימליים למטרות אבחון.

החוקרים השוו את התפוקה שנוצרה על ידי שני המודלים עם אבחנה שהוקצתה על ידי מומחה ורגישות ממוחשבת, ספציפיות וערכי ניבוי חיוביים ושליליים.

עקומת מאפיין הפעלה של מקלט (ROC) נוצרה עבור מודל DR-RNN על ידי התוות תוצאות חיוביות אמיתיות ושגויות בספי הסתברות שונים. ROC לא זומם עבור מודל DT מכיוון שהוא לא היה הסתברותי.

ממצאים

בסך הכל, 1,151 סרטונים נבחרו מתוך 635 ילדים, בעיקר מתחת לשלוש שנים. מומחים הקצו 305 סרטונים בתור AOM והשאר לא AOM.

התקבלו שישים שאלוני הורים; התוצאות היו חיוביות, כאשר 80% מההורים דחקו בשימוש חוזר במסווג בביקורים עתידיים.

הדיוק של דגמי DT ו-DR-RNN היה כמעט זהה. הרגישות והספציפיות של מודל DR-RNN היו 93.8% ו-93.5%, בהתאמה.

הנתונים המקבילים עבור מודל ה-DT היו 93.7% ו-93.3% בהתאמה. עבור דגם DR-RNN, השטח מתחת ל-ROC היה 0.973.

מיקסום הגיוון הניב את התוצאות המדויקות ביותר לבחירת המסגרת. קליפים קצרים משתי שניות היו קשים לסיווג בהשוואה לקליפים ארוכים יותר. ההחרגה של קליפים ברזולוציה נמוכה לא שיפרה את תפוקת הדגם. זמן החיזוי הממוצע היה 4.6 שניות.

הערך המקסימלי של יודן היה 0.88 ברף של 42%, כמעט שווה ערך לזה (0.876) ב-50%. בין תכונות TM שנוצרו על ידי מודל, התנפחות TM הייתה מותאמת באופן הדוק לאבחנה החזויה.

התנפחות זוהתה בכל 230 המקרים שצפויים להיות AOM. הרגישות והספציפיות של מסנן איכות התמונה היו 92.3% ו-78.3%, בהתאמה.

מסקנות

לסיכום, החוקרים יצרו אלגוריתם AI כדי לסווג סרטונים של TM לקטגוריות AOM או ללא AOM. המסווג היה מדויק יותר מרופאי טיפול ראשוני, רופאי ילדים ורופאים מתקדמים.

ככזה, זה יכול לשמש כדי לסייע בהחלטות הקשורות לטיפול. בסך הכל, הממצאים מצביעים על כך שכלי תמיכה להחלטות AI זה יכול לשפר את דיוק האבחון של AOM בילדים.

יתר על כן, ניתן להשתמש בסרטוני TM לבדיקה אוטוסקופית משופרת, דיונים עם עמיתים או הורים ותיעוד ברשומות בריאות.