Возможности нейросети в диагностике новообразований гортани

Обоснование. В настоящее время искусственный интеллект в виде искусственных нейронных сетей активно внедряется в различные сферы нашей жизни, в том числе и в медицину. В частности, в оториноларингологии искусственные нейронные сети используют изображения, полученные при эндоскопическом обследовании пациентов (например, при видеоларингоскопии) [1–3] Интерпретация ларингоскопической картины зачастую представляет значительные трудности для практического врача, что снижает частоту выявления предраковых заболеваний гортани и способствует росту числа пациентов с раком гортани III–IV стадии [4, 5] Это определяет важность своевременного проведения и правильной интерпретации результатов эндоскопического обследования пациентов с заболеваниями гортани. Искусственные нейронные сети могут быть применены для анализа результатов видеоларингоскопии, предоставляя дополнительные подсказки врачу, что может помочь повысить точность диагностики и снизить риск ошибки [6, 7].

Цель — разработка и обучение искусственной нейронной сети для распознавания характерных признаков образований и вариантов нормы гортани.

Материалы и методы. Работа выполнена в рамках гранта Московского центра инновационных технологий в здравоохранении № 2112-1/22 «Использование нейросети (алгоритмов искусственного интеллекта) для контроля и повышения качества диагностики и лечения заболеваний структур гортани и уха на основе цифровой технологии». В процессе работы применялись методы сбора данных, необходимых для создания фотобанка (датасета) медицинских изображений, полученных при видеоларингоскопии; методы разметки данных для формирования датасетов по отдельным нозологиям и группам заболеваний; метод консилиума; методы анализа точности распознавания и классификации цифровых эндоскопических снимков; методы обучения классификационных нейронных сетей.

В итоге для обучения искусственной нейронной сети был собран, размечен и загружен датасет, состоящий из 1471 снимка гортани в цифровых форматах (jpg, bmp). Среди них на образование гортани пришлось 410 изображений, на варианты нормы — 1061 снимок. Далее было проведено обучение нейросети и тестирование её с целью распознавания признаков нормы и образований гортани.

Результаты. По результатам тестирования искусственной нейронной сети была сформирована матрица неточностей, рассчитано значение точности распознавания, рассчитаны показатели качества работы модели, построена ROC-кривая. Разработанная и обученная искусственная нейронная сеть продемонстрировала точность 86% в распознавании признаков образований и нормы гортани.

Заключение. Проведённое исследование демонстрирует, что обученная искусственная нейронная сеть может достаточно успешно различать признаки нормы и образований гортани на эндоскопических фотографиях. При дальнейшем обучении нейросети и достижении высокой точности данную технологию возможно применить в клинической практике в качестве помощника в интерпретации ларингоскопических изображений и ранней диагностики образований гортани, а также для контроля и повышения качества диагностики и лечения заболеваний горла, носа и ушей врачами первичного звена.