Nasenendoskopie mit KI verbessern

Ein US-amerikanisches Team lotete in einer Studie die Möglichkeiten zur Verbesserung von Genauigkeit und Effizienz der Nasenendoskopie mittels Künstlicher Intelligenz (KI) aus.

Ein Forscherteam von Ochsner Health hat die Anwendung von Faltenden Neuronalen Netzen (Convolutional Neural Networks [CNN]) zur Verbesserung der Genauigkeit und Effizienz der Nasenendoskopie untersucht. Die Studie, die von Assistenzarzt Dr. Vinayak Ganeshan unter der Leitung des leitenden HNO-Arztes Dr. Edward D. McCoul verfasst wurde, befasst sich mit den Herausforderungen, die sich für die rhinologische Diagnostik aus der komplizierten Anatomie der Nasenhöhlen.

Die nasale Endoskopie (NE) ist ein wichtiges Diagnoseinstrument in der Rhinologie, aber ihre Wirksamkeit kann durch die komplexe Struktur der Nasenhöhle beeinträchtigt werden. In der Studie wurde ein CNN-basiertes Modell zur genauen Lokalisierung und Segmentierung wichtiger Orientierungspunkte in NE-Bildern untersucht. Die Bilder für die Studie stammen von NE-Untersuchungen, die zwischen 2014 und 2023 am Ochsner Medical Center in New Orleans mit einem digitalen Standardendoskop durchgeführt wurden. Drei Ärzte haben insgesamt 2111 Bilder manuell segmentiert.

Die Forscher konfigurierten das YOLOv8-Objekterkennungsmodell für drei Aufgaben: Klassifizierung des Vorhandenseins einer Nasenmuschel, Erkennung ihrer Position und Anwendung einer Segmentierungsmaske, die ihre Grenzen abgrenzt. Um die Leistung des Modells auf NE-Bildern zu verfeinern, wurde Transferlernen mittels Backpropagation und stochastischem Gradientenabstieg eingesetzt. Durch die manuelle Auswahl von Hyperparametern und die Unterbrechung des Trainings bei einem Stillstand der Validierungsleistung über 15 Epochen erzielte das Modell beeindruckende Ergebnisse.

Das Modell identifizierte die untere Nasenmuschel (IT) und die mittlere Nasenmuschel (MT) mit einer durchschnittlichen Genauigkeit von 91,5 Prozent, einer durchschnittlichen Präzision von 92,5 Prozent und einer durchschnittlichen Wiedererkennung von 93,8 Prozent. Bei einer Konfidenzschwelle von 60 Prozent lag der durchschnittliche F1-Score des Modells bei 93,1 Prozent.

„Unsere Forschung zeigt, dass Faltende Neuronale Netze die Präzision der Interpretation der Nasenendoskopie erheblich verbessern können“, so Ganeshan. Er betonte, dass die erreichte durchschnittlichen Genauigkeit von 91,5 Prozent bei der Lokalisierung wesentlicher anatomischer Strukturen wie der unteren und mittleren Nasenmuscheln „ein Schritt nach vorn in Sachen diagnostischer Effizienz und Genauigkeit“ sei.

Die Autoren gehen davon aus, dass die Fähigkeit des Modells, die IT und MT genau zu identifizieren und zu segmentieren, Klinikern helfen könnte, Erkrankungen der Nasennebenhöhlen effektiver zu diagnostizieren und zu behandeln.