Une équipe de chercheurs d'Ochsner Health a récemment publié un article perspicace dans le Forum international d'allergie et de rhinologie L'étude explore l'application des réseaux neuronaux convolutionnels (CNN) pour améliorer la précision et l'efficacité de l'endoscopie nasale. L'étude, rédigée par le médecin résident Dr Vinayak Ganeshan sous la direction du Dr Edward D. McCoul, oto-rhino-laryngologiste senior, aborde les défis posés par l'anatomie complexe de la cavité nasale dans le diagnostic rhinologique.
L'endoscopie nasale (EN) est un outil de diagnostic essentiel en rhinologie, mais son efficacité peut être entravée par la structure complexe de la cavité nasale. L'étude a examiné un modèle basé sur CNN conçu pour localiser et segmenter avec précision les points de repère importants dans les images d'endoscopie nasale. Les images de l’étude ont été recueillies à partir d’examens NE menés au centre médical Ochsner de la Nouvelle-Orléans entre 2014 et 2023, à l’aide d’un endoscope numérique standard. Au total, 2 111 images ont été segmentées manuellement par trois médecins.
Les chercheurs ont configuré le modèle de détection d'objets YOLOv8 pour effectuer trois tâches : classer la présence d'un cornet, détecter son emplacement et appliquer un masque de segmentation délimitant ses limites. L'apprentissage par transfert a été utilisé pour affiner les performances du modèle sur les images NE par rétropropagation et descente de gradient stochastique. En sélectionnant manuellement les hyperparamètres et en arrêtant l'entraînement après un arrêt de 15 époques des performances de validation, le modèle a obtenu des résultats impressionnants.
Le modèle a identifié le cornet inférieur (IT) et le cornet moyen (MT) avec une précision moyenne de 91,5 %, une précision moyenne de 92,5 % et un rappel moyen de 93,8 %. Avec un seuil de confiance de 60 %, le score F1 moyen du modèle s'élevait à 93,1 %.
Notre recherche démontre que les réseaux neuronaux convolutifs peuvent améliorer considérablement la précision de l’interprétation de l’endoscopie nasale. Atteindre une précision moyenne de 91,5 % dans la localisation des structures anatomiques essentielles comme les cornets inférieurs et moyens marque un pas en avant dans l'efficacité et la précision du diagnostic.
Dr Vinayak Ganeshan
Ce déploiement réussi du modèle YOLOv8 représente une avancée substantielle en rhinologie. La capacité du modèle à identifier et segmenter avec précision l'IT et la MT pourrait aider les cliniciens à diagnostiquer et à traiter plus efficacement les maladies nasosinusiennes. Ces progrès sont particulièrement avantageux pour les stagiaires et les non-spécialistes qui rencontrent souvent des difficultés avec l'anatomie complexe de la cavité nasale.
« Cette étude met en valeur le potentiel des CNN pour améliorer la précision et l'efficacité de l'endoscopie nasale », a déclaré le Dr McCoul. « En tirant parti des technologies avancées d'IA, nous pouvons améliorer considérablement nos capacités de diagnostic et fournir des soins de qualité supérieure aux patients souffrant de pathologies nasosinusiennes. »
