Doenças do ouvido são comuns na infância e aumentam significativamente a probabilidade de desenvolver complicações sérias, como distúrbios na fala, infecções intracranianas e perda auditiva. O exame otoscópico é crucial para diagnosticar doenças do ouvido médio e externo. Sistemas auxiliados por computador baseados em aprendizado profundo têm grande potencial para a avaliação automática de imagens otoscópicas e a previsão de resultados para os pacientes. No estudo, um modelo baseado em processamento de imagem foi desenvolvido para a multi-classificação de doenças do ouvido médio e externo. Utilizamos equalização de histograma para aprimoramento de imagem e, em seguida, aplicamos o filtro bilateral para reduzir o ruído das imagens otoscópicas. Vectores de características de imagem foram extraídos usando os modelos ResNet101, DenseNet201, AlexNet e VGG19. A análise de componente de vizinhança (NCA) foi empregada para seleção de características distintivas. Em seguida, as performances dos modelos de classificação, incluindo memória de longo e curto prazo bidirecional (B-LSTM), redes neurais convolucionais (CNNs), árvore de decisão (DT), máquina de vetor de suporte (SVM) e vizinho mais próximo (KNN), foram comparadas. O algoritmo B-LSTM com o método de seleção de características NCA alcançou o mais alto desempenho e resultados promissores com 0.985 de estatísticas kappa, 0.988 de pontuação F1 ponderada e 98.86% de acurácia. Os resultados demonstraram que o modelo de aprendizado profundo baseado em processamento de imagem pode detectar com precisão e eficiência doenças do ouvido médio e externo a partir de imagens otoscópicas. Além disso, o estudo superou os estudos relacionados conhecidos.
Hanife Göker (Sun,) estudou esta questão.