Искусственный интеллект в диагностике хронического гнойного среднего отита: автоматический анализ отоэндоскопических изображений и перспективы клинического внедрения

Хронический гнойный средний отит – распространенная патология ЛОР-органов, приводящая к стойкой тугоухости и вторичным внутричерепным осложнениям. Учитывая нехватку квалифицированных медицинских кадров, особенно на периферии, представляется крайне важным внедрение автоматизированных систем для диагностики данного состояния. Настоящее исследование посвящено рассмотрению актуальных методик использования искусственного интеллекта (ИИ) в процессе изучения отоэндоскопических снимков, полученных при диагностике хронического гнойного среднего отита. Рассмотрены ключевые исследования, демонстрирующие эффективность машинного обучения, включая архитектуры cверточных нейронных сетей и ансамблевые модели, достигающие точности до 95–97% в дифференциации патологий среднего уха. Особое внимание уделено сравнению результатов искусственного интеллекта с диагностикой врачей: алгоритмы превосходят неспециалистов и сопоставимы с опытными оториноларингологами. Уделено внимание обсуждениям проблем неоднородности данных, ограниченности выборок редких форм хронического гнойного среднего отита и зависимости результата от качества изображений. Оценен потенциал мобильных приложений на базе искусственного интеллекта для телемедицины, а также освещена необходимость создания масштабных аннотированных баз данных для обучения моделей. Интеграция искусственного интеллекта в медицинскую сферу обещает значительное повышение качества и доступности медицинской помощи. Применение ИИ-решений в клинической области может привести к существенному усовершенствованию процедур раннего выявления заболевания, что, в свою очередь, позволит своевременно принимать необходимые меры. Одновременно с этим внедрение данных систем способно ощутимо снизить уровень рабочей нагрузки, испытываемой медицинским персоналом, освобождая их для выполнения более сложных и ответственных задач. Кроме того, использование передовых алгоритмов ИИ может минимизировать вероятность возникновения нежелательных осложнений, что особенно важно для удаленных территорий и регионов, где доступ к узкоспециализированной медицинской помощи зачастую ограничен.

1. Гаров ЕВ, Диаб ХМ, Карнеева ОВ, Юнусов АС, Аникин ИА, Завалий МА и др. Хронический средний отит: клинические рекомендации. 2024. Режим доступа: https://cr.minzdrav.gov.ru/preview-cr/698_2.

2. Хатамов ЖА, Амонов ШЭ, Насретдинова МТ, Хайитов АА. Основные направления в диагностике и лечении осложненных форм хронического гнойного среднего отита. Оториноларингология. Восточная Европа. 2024;(3):358–367. https://doi.org/10.34883/PI.2024.14.3.018.

3. Гаров ЕВ, Гарова ЕЕ. Cовременные принципы диагностики и лечения пациентов с хроническим гнойным средним отитом. РМЖ. 2012;(27):1355–1359. Режим доступа: https://www.rmj.ru/articles/otorinolaringologiya/Covremennye_principy_diagnostiki_i_lecheniya_pacientov_s_hronicheskim_gnoynym_srednim_otitom.

4. Дементьева Н, Шиленков А. Сравнительная оценка диагностических возможностей отоскопии, отомикроскопии, отоэндоскопии у пациентов с хроническими заболеваниями среднего уха. Кремлевская медицина. Клинический вестник. 2014;(1):18–22. Режим доступа: https://kremlinmedicine.ru/index.php/km/article/view/98.

5. Дементьева НФ, Шиленков АА, Козлов BC. Отоэндоскопия в диагностике хронических заболеваний среднего уха. Вестник оториноларингологии. 2010;(1):71–75. Режим доступа: https://www.mediasphera.ru/issues/vestnik-otorinolaringologii/2010/1.

6. Новожилов АА, Шилягин ПА, Шахов АВ, Геликонов ВМ. Обзор современных методов диагностики экссудативного среднего отита. Вестник оториноларингологии. 2020;85(3):68–74. https://doi.org/10.17116/otorino20208503168.

7. Агеенко ИВ. Трансмеатальная аэродинамическая отоэндоскопия при среднем отите. Вестник оториноларингологии. 2012;77(5):31–33. Режим доступа: https://www.mediasphera.ru/issues/vestnik-otorinolaringologii/2012/5/030042-4668201256.

8. Гаров ЕВ. Хронический гнойный средний отит: терминология, диагностика и лечебная тактика. РМЖ. 2011;(6):390–393. Режим доступа: https://www.rmj.ru/articles/otorinolaringologiya/Hronicheskiy_gnoynyy_sredniy_otit_terminologiya_diagnostika_i_lechebnaya_taktika.

9. Поздеева ТВ, Кочкурова ЕА, Дощанникова ОА, Носкова ВА, Кочкуров АС. Комплексный подход к проблеме кадрового обеспечения медицинских организаций сельской местности в Нижегородской области. Профилактическая медицина. 2020;23(5):25–32. https://doi.org/10.17116/profmed20202305125.

10. Калининская АА, Сон ИМ, Шляфер СИ. Проблемы и перспективы развития сельского здравоохранения. Проблемы социальной гигиены, здравоохранения и история медицины. 2019;(2):152–157. Режим доступа: https://journal-nriph.ru/journal/issue/viewIssue/2/pdf_1.

11. Королева ГП, Лукьянова ВВ. Проблема кадрового обеспечения средним медицинским персоналом в бюджетных организациях здравоохранения (на примере Самарской области). Эксперт: теория и практика. 2020;6(9):76–79. https://doi.org/10.24411/2686-7818-2020-10058.

12. LeCun Y, Boser B, Denker JS, Henderson D, Howard RE, Hubbard W. Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation. 1989;1(4):541–551. https://doi.org/10.1162/neco.1989.1.4.541.

13. Бредихин АИ. Алгоритмы обучения сверточных нейронных сетей. Вестник Югорского государственного университета. 2019;(1):41–54. https://doi.org/10.17816/byusu20190141-54.

14. Скрипачев ВО, Гуйда МВ, Гуйда НВ, Жуков АО. Исследование сверточных нейронных сетей для обнаружения объектов на аэрокосмических снимках. International Journal of Open Information Technologies. 2022;10(7):54–64. Режим доступа: https://www.injoit.org/index.php/j1/article/view/1308.

15. Скрипачев ВО, Гуйда МВ, Гуйда НВ, Жуков АО. Особенности работы сверточных нейронных сетей. International Journal of Open Information Technologies. 2022;10(12):53–61. Режим доступа: https://www.injoit.org/index.php/j1/article/view/1395.

16. Мамедова ЛЭ, Иванова ЛН, Алтаев ЕС. Основные аспекты технологии искусственного интеллекта. Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2023;(3):78–88. Режим доступа: https://ecofin-isuct.ru/article/view/5211.

17. Утегенов НБ. Искусственный интеллект на сегодняшний день. Universum: технические науки: электронный научный журнал. 2022;(7-1):27–30. Режим доступа: https://7universum.com/ru/tech/archive/item/14087.

18. Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016;316(22):2402–2410. https://doi.org/10.1001/jama.2016.17216.

19. Добров ЭР. Применение нейросетей в диагностике диабетической ретинопатии. Модели, системы, сети в экономике, технике, природе и обществ. 2022;(2):90–105. Режим доступа: https://mss.pnzgu.ru/mss7222.

20. Wong TY, Bressler NM. Artificial Intelligence with Deep Learning Technology Looks Into Diabetic Retinopathy Screening. JAMA. 2016;316(22):2366–2367. https://doi.org/10.1001/jama.2016.17563.

21. Мамедов ТХ, Дзюба ДВ, Наркевич АН. Применение сверточных нейронных сетей для распознавания диабетической ретинопатии на цифровых изображениях. Сибирское медицинское обозрение. 2022;(1):83–87. https://doi.org/10.20333/25000136-2022-1-83-87.

22. Abdelhafiz D, Yang C, Ammar R, Nabavi S. Deep convolutional neural networks for mammography: advances, challenges and applications. BMC Bioinformatics. 2019;20(Suppl. 11):281. https://doi.org/10.1186/s12859019-2823-4.

23. Qu J, Zhao X, Chen P, Wang Z, Liu Z, Yang B, Liet H. Deep learning on digital mammography for expert-level diagnosis accuracy in breast cancer detection. Multimedia Systems. 2022;28:1263–1274. https://doi.org/10.1007/s00530-021-00823-4.

24. Yu H, Li J, Zhang L, Cao Y, Yu X, Sun J. Design of lung nodules segmentation and recognition algorithm based on deep learning. BMC Bioinformatics. 2021;22(Suppl. 5):314. https://doi.org/10.1186/s12859-021-04234-0.

25. Мелдо AA, Уткин ЛВ, Моисеенко ВМ. Алгоритмы диагностики XXI века. искусственный интеллект в распознавании рака легкого. Практическая онкология. 2018;(3):292–298. https://doi.org/10.31917/1903292.

26. Zeng X, Jiang Z, Luo W, Li H, Li H, Li G. Efficient and accurate identification of ear diseases using an ensemble deep learning model. Sci Rep. 2021;11(1):10839. https://doi.org/10.1038/s41598-021-90345-w.

27. Myburgh H, Jose S, Swanepoel DW, Laurent C. Towards low cost automated smartphoneand cloud-based otitis media diagnosis. Biomedical Signal Processing and Control. 2018;39:34–52. https://doi.org/10.1016/j.bspc.2017.07.015.

28. Sandström J, Myburgh H, Laurent C, Swanepoel DW, Lundberg T. A Machine Learning Approach to Screen for Otitis Media Using Digital Otoscope Images Labelled by an Expert Panel. Diagnostics. 2022;12(6):1318. https://doi.org/10.3390/diagnostics12061318.

29. Viscaino M, Talamilla M, Maass JC, Henríquez P, Délano PH, Auat Cheein C. Color Dependence Analysis in a CNN-Based Computer-Aided Diagnosis System for Middle and External Ear Diseases. Diagnostics. 2022;12(4):917. https://doi.org/10.3390/diagnostics12040917.

30. Viscaino M, Maass JC, Delano PH, Torrente M, Stott C, Auat Cheein F. Computeraided 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.

31. Cha D, Pae C, Seong SB, Choi JY, Park HJ. Automated diagnosis of ear disease using ensemble deep learning with a big otoendoscopy image database. EBioMedicine. 2019;45:606–614. https://doi.org/10.1016/j.ebiom.2019.06.050.

32. Cai Y, Yu JG, Chen Y, Liu C, Xiao L, Grais EM et al. Investigating the use of a two-stage attention-aware convolutional neural network for the automated diagnosis of otitis media from tympanic membrane images: a prediction model development and validation study. BMJ Open. 2021;11(1):e041139. https://doi.org/10.1136/bmjopen-2020-041139.

33. Livingstone D, Chau J. Otoscopic diagnosis using computer vision: An automated machine learning approach. Laryngoscope. 2020;130(6):1408–1413. https://doi.org/10.1002/lary.28292.

34. Khan MA, Kwon S, Choo J, Hong SM, Kang SH, Park IH et al. Automatic detection of tympanic membrane and middle ear infection from otoendoscopic images via convolutional neural networks. Neural Netw. 2020;126:384–394. https://doi.org/10.1016/j.neunet.2020.03.02328.

35. Byun H, Yu S, Oh J, Bae J, Yoon MS, Lee SH et al. An Assistive Role of a Machine Learning Network in Diagnosis of Middle Ear Diseases. J Clin Med. 2021;10(15):3198. https://doi.org/10.3390/jcm10153198.

36. Habib AR, Kajbafzadeh M, Hasan Z, Wong E, Gunasekera H, Perry C et al. Artificial intelligence to classify ear disease from otoscopy: A systematic review and meta-analysis. Clin Otolaryngol. 2022;47(3):401–413. https://doi.org/10.1111/coa.13925.

37. Chen YC, Chu YC, Huang CY, Lee YT, Lee WY, Hsu CY. Smartphone-based artificial intelligence using a transfer learning algorithm for the detection and diagnosis of middle ear diseases: A retrospective deep learning study. EClinicalMedicine. 2022;51:101543. https://doi.org/10.1016/j.eclinm.2022.101543.

38. Zeng J, Deng W, Yu J, Xiao L, Chen S, Zhang X. A deep learning approach to the diagnosis of atelectasis and attic retraction pocket in otitis media with effusion using otoscopic images. Eur Arch Otorhinolaryngol. 2023;280(4):1621–1627. https://doi.org/10.1007/s00405-022-07632-z.

39. Alhudhaif A, Cömert Z, Polat K. Otitis media detection using tympanic membrane images with a novel multi-class machine learning algorithm. PeerJ Comput Sci. 2021;7:e405. https://doi.org/10.7717/peerj-cs.405.