Система поддержки принятия врачебных решений в цифровой диафаноскопии верхнечелюстных пазух на основе сверточных нейронных сетей

Брянская Е.О., Герасин Д.В., Бакотина А.В., Овчинников А.Ю., Николаева Ю.О., Масленникова А.В., Дрёмин В.В., Дунаев А.В.

Ссылка для цитирования:

Брянская Е.О., Герасин Д.В., Бакотина А.В., Овчинников А.Ю., Николаева Ю.О., Масленникова А.В., Дрёмин В.В., Дунаев А.В. Система поддержки принятия врачебных решений в цифровой диафаноскопии верхнечелюстных пазух с применением сверточных нейронных сетей // Оптический журнал. 2026. Т. 93. № 5. С. 100–110. http://doi.org/ 10.17586/1023-5086-2026-93-05-100-110

Bryanskaya E.O., Gerasin D.V., Bakotina A.V., Ovchinnikov A.Yu., Nikolaeva Yu.O., Maslennikova A.V., Dremin V.V., Dunaev A.V. Clinical decision support system in digital diaphanoscopy of maxillary sinuses using convolutional neural networks [in Russian] // Opticheskii Zhurnal. 2026. V. 93. № 5. P. 100–110. http://doi.org/10.17586/1023-5086-2026-93-05-100-110

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Методы и алгоритмы поддержки принятия врачебных решений в цифровой диафаноскопии верхнечелюстных пазух с применением сверточных нейронных сетей. Цель работы. Повышение точности классификации патологий верхнечелюстных пазух при цифровой диафаноскопии с помощью модели классификации на основе сверточной нейронной сети ResNet-50. Метод. Регистрация диафанограмм осуществлена с применением программноаппаратного комплекса цифровой диафаноскопии на двух длинах волн зондирования (650 и 850 нм). Анализ диафанограмм проведен с помощью разработанных моделей классификации диафанограмм на основе сверточной нейронной сети ResNet-50. Основные результаты. Решена задача дифференциации патологий верхнечелюстных пазух на классы «синусит», «кистозные изменения» и «отсутствие патологии» при использовании разработанной системы поддержки принятия врачебных решений. Получены следующие точностные показатели модели: чувствительность — 0,85, специфичность — 0,91, точность — 0,84, сбалансированная точность — 0,88. Для улучшения результативности классификации предложена модернизированная модель, позволяющая в результате применения различных подходов к формированию данных и к увеличению их количества, достичь более высокой результативности. Практическая значимость. Полученные результаты демонстрируют перспективность применения разработанной классификационной модели для раннего выявления патологий верхнечелюстных пазух в телемедицине и при проведении консультаций врача отоларинголога в автоматизированном режиме с использованием системы поддержки принятия врачебных решений.

Ключевые слова:

цифровая диафаноскопия, система поддержки принятия врачебных решений, синусит, диафанограммы, сверточные нейронные сети

Благодарность:

работа выполнена при финансовой поддержке гранта Российского научного фонда № 24-75-00144

Коды OCIS: 170.4580, 170.4940

Список источников:

1. Вишняков В.В., Талалаев В.Н., Лукьянчиков В.А. и др. Пиоцеле agger nasi // Российская ринология. 2020. Т. 28. № 4. С. 241–245. https://doi.org/10.17116/rosrino202028041241

Vishnyakov V.V., Talalaev V.N., Lukyanchikov V.A., et al. Piocele agger nasi [in Russian] // Russian Rhinology. 2020. V. 28. № 4. P. 241–245. https://doi.org/10.17116/rosrino202028041241

2. Villarroel M., Blackwell D., Jen A. Tables of summary health statistics for U.S. Adults: 2018 National Health Interview Survey. National Center for Health Statistics, 2019. 9 p. [Electronic resource]. Access mode: https://archive.cdc.gov/#/details?url=https://www.cdc.gov/nchs/nhis/shs/tables.htm (accessed 02/09/2021).

3. Feldmann H. Die Geschichte der Diaphanoskopie [auf Deutsch] // Laryngo-Rhino-Otologie. 1998. V. 77. № 5. P. 297–304. https://doi.org/10.1055/s-2007-996978

4. Плужников М.C., Иванов Б.С., Усанов А.А. Лазерная диафаноскопия при воспалительных заболеваниях придаточных пазух носа // Вестник оториноларингологии. 1991. Т. 4. С. 22.

Pluzhnikov M.C., Ivanov B.S., Usanov A.A. Laser diaphanoscopy for inflammatory diseases of the paranasal sinuses [in Russian] // Vestnik otorinolaringologii. 1991. V. 4. P. 22.

5. Bryanskaya E.O., Dremin V.V., Shupletsov V.V., et al. Digital diaphanoscopy of maxillary sinus pathologies supported by machine learning // J. Biophotonics. 2023. V. 16. № 9. P. e202300138. https://doi.org/10.1002/jbio.20230013

6. Брянская Е.О., Дунаев А.В. Метод и устройство цифровой диафаноскопии для диагностики патологий верхнечелюстных пазух // Медицинская техника. 2023. № 3. С. 5–7.

Bryanskaya E.O., Dunaev A.V. A method and device for digital diaphanoscopy for the diagnosis of MS pathologies // Biomed Eng. 2023. V. 57. № 3. P. 159–163. https://doi.org/10.1007/s10527-023-10289-5

7. Gerasin D.V., Bryanskaya E.O., Dremin V.V., et al. The use of convolutional neural networks to classify the states of the maxillary sinuses in digital diaphanoscopy // 2024 Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED). Moscow, Russia. November 13–15, 2024. P. 1–4. https://doi.org/10.1109/TIRVED63561.2024.10769806

8. Peters V.G., Wyman D.R., Patterson M.S., et al. Optical properties of normal and diseased human breast tissues in the visible and near infrared // Phys. Med. Biol. 1990. V. 35. № 9. P. 1317–1334. https://doi.org/10.1088/0031-9155/35/9/010

9. Van Veen R.L., Sterenborg H.J.C.M., Marinelli A.W.K.S., et al. Intraoperatively assessed optical properties of malignant and healthy breast tissue used to determine the optimum wavelength of contrast for optical mammography // J. Biomed. Opt. 2004. V. 9. № 6. P. 1129–1136. https://doi.org/10.1117/1.1803547

10. Jacques S.L. Optical properties of biological tissues: A review // Phys. Med. Biol. 2013. V. 58. № 11. P. R37–R61. https://doi.org/10.1088/0031-9155/58/11/R37

11. Bryanskaya E.O., Novikova I.N., Dremin V.V., et al. Optical diagnostics of the maxillary sinuses by digital diaphanoscopy technology // Diagnostics. 2021. V. 77. № 11. P.1–13. https://doi.org/10.3390/diagnostics11010077

12. Conigliaro J., Kapoor S. Screening/Physical exam/health maintenance / Handbook of Outpatient Medicine. Cham: Springer, 2023. P. 3–44. https://doi.org/10.1007/978-3-031-15353-2_1

13. Wu Q., Wang X., Liang G., et al. Advances in image-based artificial intelligence in otorhinolaryngology-head and neck surgery: A systematic review // Otolaryngol. — Head Neck Surg. 2023. V. 169. № 5. P. 1132–1142. https://doi.org/10.1002/ohn.391

14. Луцив В.Р. Сверточные искусственные нейронные сети глубокого обучения // Оптический журнал. 2015. Т. 82. № 8. С. 11–23.

Lutsiv V.R. Convolutional deep-learning artificial neural networks // J. Opt. Technol. 2015. V. 82. № 8. P. 499–508. https://doi.org/10.1364/JOT.82.000499

15. Bryanskaya E.O., Gneushev R.Yu., Novikova I.N., et al. Brightness controller optimization for the digital diaphanoscopy system // Proc. SPIE. 2021. V. 119191. P. 119191Z. https://doi.org/10.1117/12.2615012

16. Вакс В.Л., Домрачева Е.Г., Черняева М.Б. и др. Применение метода терагерцовой газовой спектроскопии высокого разрешения для анализа состава продуктов термического разложения тканей кист околоносовых пазух // Оптический журнал. 2021. Т. 88. № 3. С. 72–76. http://doi.org/10.17586/1023-5086-2021-88-03-72-76

Vaks V.L., Domracheva E.G., Chernyaeva M.B., et al. Application of high-resolution terahertz gas spectroscopy to the compositional analysis of the thermal decomposition products of paranasal sinus cyst tissue // J. Opt. Technol. 2021. V. 88. № 3. P. 166–168. https://doi.org/10.1364/JOT.88.000166

17. Chainansamit S., Chit-uea-ophat C., Reechaipichitkul W., et al. The diagnostic value of traditional nasal examination tools in an endoscopic era // Ear, Nose Throat J. 2021. V. 100. № 3. P. 167–171. https://doi.org/10.1177/0145561319875711

18. Valkov A., Nokolov G., Duhlenski B., et al. The application of ultrasound examination in the treatment of Acute Sinusitis. Comparing X-ray to ultrasound of paranasal sinuses // Int. Bull. Otorhinolaryngol. 2021. V. 17. № 1. P. 40–41. https://doi.org/10.14748/orl.v17i1.7750