INTERVENCIONES PARA LA PROMOCION Y MANTENIMIENTO DE LA SALUD PARA LAS PERSONA...
SLMF_ RESUMEN MT.pdf
1. UNIVERSIDAD AUTONOMA
DE DURANGO
FACULTAD DE MEDICINA CAMPUS DE CULIACAN
ASIGNATURA:
Otorrinolaringología
TEMA:
Deep Learning Techniques for Ear Diseases Based on Segmentation of the Normal
Tympanic Membrane
DOCENTE:
Dr. Aréchiga Osorio Luis Alfonso.
ALUMNO:
Salazar Lopez Maria Fernanda.
GRADO Y GRUPO:
8-B.
2. Técnicas de Aprendizaje Profundo para Enfermedades del Oído basadas en la Segmentación de la Membrana
Timpánica Normal.
Una introducción a la problemática de la otitis media y la necesidad de mejorar los diagnósticos y tratamientos
mediante el uso de la teleotoscopia y técnicas basadas en inteligencia artificial (IA). Se menciona que la otoscopia
tradicional es altamente especializada y presenta limitaciones en términos de precisión diagnóstica. Se plantea que
la aplicación de redes neuronales profundas y el aprendizaje profundo han demostrado éxito en el diagnóstico
otológico y el análisis de la membrana timpánica. Sin embargo, se destaca que estos modelos de IA presentan
limitaciones debido a su naturaleza de "caja negra" y la falta de explicabilidad de los algoritmos. Por lo tanto, se
sugiere que los estudios deben enfocarse en identificar algoritmos comprensibles y desarrollar sistemas de IA que
sean explicables y permitan la participación de los expertos humanos en la toma de decisiones. La segmentación de
imágenes médicas se menciona.
Puntos importantes son:
1. La otitis media es una enfermedad muy común, con altas tasas de prevalencia a nivel mundial.
2. La revisión otoscópica, que es el examen visual del oído con un otoscopio, es altamente especializada y
puede ser difícil de realizar de manera precisa por parte de los proveedores de atención primaria.
3. La precisión diagnóstica promedio de la otitis media aguda y la otitis media con efusión mediante otoscopia
en video es relativamente baja, alrededor del 51% y 46% respectivamente. En contraste, los
otorrinolaringólogos tienen una mayor precisión diagnóstica, pero aún no es perfecta, alrededor del 74%.
4. Existe una necesidad de una nueva estrategia diagnóstica que mejore la precisión y la detección de
enfermedades otológicas basadas en hallazgos otoscópicos anormales.
5. La tele-otoscopia, aprovechando el desarrollo de la telemedicina, puede ser beneficiosa para optimizar los
diagnósticos y tratamientos de la otitis media, especialmente en áreas donde hay escasez de
otorrinolaringólogos.
6. Las técnicas basadas en inteligencia artificial, especialmente el aprendizaje profundo, han tenido un
impacto positivo en la atención médica al mejorar la detección de enfermedades y apoyar a los médicos en
la toma de decisiones.
7. Las redes neuronales profundas se han aplicado con éxito al diagnóstico
En este estudio, se desarrolló y evaluó un prototipo de software basado en un modelo de red neuronal convolucional
profunda (CNN) para la segmentación de la membrana timpánica en cinco subestructuras (martillo, umbo, cono de
luz, pars flácida y anillo) con el objetivo de identificar anomalías en imágenes otoscópicas del oído. Se utilizó una
base de datos retrospectiva de imágenes de tímpanos de pacientes que visitaron una clínica de otorrinolaringología.
Se seleccionaron un total de 2,597 imágenes para el estudio, incluyendo tímpanos normales y anormales con nueve
enfermedades del oído diferentes. Se dividió el conjunto de imágenes en conjuntos de entrenamiento y validación.
El estudio fue aprobado por el Comité de Revisión Institucional y se obtuvo el consentimiento informado de los
participantes.
El texto menciona varios puntos importantes sobre el preprocesamiento de datos relacionado con la clasificación
de imágenes del tímpano. Estos puntos incluyen:
Etiquetado de las imágenes: Las fotos del tímpano se etiquetaron en 10 categorías, que incluyen un tímpano normal
y nueve enfermedades específicas. Las enfermedades se definieron siguiendo las pautas de la Academia Americana
de Otorrinolaringología-Cirugía de Cabeza y Cuello utilizando registros clínicos retrospectivos de los pacientes.
3. Definición de enfermedades: Se proporcionan algunas definiciones clave de las enfermedades incluidas en el
estudio. AOM (Otitis Media Aguda) se refiere a la rápida aparición de signos y síntomas de inflamación en el oído
medio. OME (Otitis Media con Efusión) se caracteriza por la presencia de líquido en el oído medio sin signos o
síntomas de infecciones agudas del oído. COM (Otitis Media Crónica) es una OME que persiste durante al menos 3
meses. También se mencionan otras enfermedades como TM traumático, TM esclerótico, Tubo y Cole.
Grupo de timpanoesclerosis: Se agrega un grupo de timpanoesclerosis para compararlo con un tímpano normal. La
timpanoesclerosis se caracteriza por la presencia de placas que pueden dificultar la visualización de las
subestructuras normales del tímpano.
Características del tímpano normal: Se describen las características de un tímpano normal, como la presencia de las
subestructuras normales (martillo, anillo, pars flácida, umbo y cono de luz) y la apariencia translúcida y en forma de
concavidad del tímpano. También se menciona la importancia de la reflexión de la luz conocida como cono de luz y
la limitación de la presencia de cera de oídos en la imagen.
El estudio utilizó un software de interfaz gráfica implementado en MATLAB2019a para realizar el etiquetado manual
de imágenes otoscópicas. Las imágenes se dividieron en dos partes (derecha e izquierda) y se etiquetaron
manualmente con los contornos de cinco subestructuras del tímpano. Dos otólogos especializados llevaron a cabo
el etiquetado y se utilizó una herramienta en línea llamada "LabelMe" para realizar las anotaciones. Los resultados
del etiquetado se convirtieron en archivos JSON.
Se utilizaron modelos de aprendizaje profundo para distinguir entre tímpanos normales y anormales. Se realizaron
análisis estadísticos, como el puntaje F1 y el análisis de características de operación del receptor (ROC), para evaluar
el rendimiento del modelo.
Los resultados mostraron una buena precisión en la segmentación del tímpano, con puntajes promedio de
intersección sobre unión (IoU) altos para las diferentes subestructuras. Se encontraron diferencias significativas
entre los grupos de tímpanos normales y anormales en ciertas subestructuras. Se estableció un valor de corte para
distinguir entre tímpanos normales y anormales utilizando el IoU.
En cuanto a la precisión para discriminar entre tímpanos normales y anormales mediante el aprendizaje profundo,
se utilizaron valores faltantes de IoU para mejorar la distinción entre los dos grupos.
En el estudio, se logró un alto nivel de precisión para el modelo de máscara R-CNN al ajustar el valor de aprendizaje
y las capas utilizadas. Se encontró que un valor de aprendizaje de 0.001 produjo los mejores resultados. Además, se
determinó que la capa de la etapa 2 tenía la menor pérdida de validación y menor requerimiento computacional.
Se evaluó el modelo con el mejor rendimiento en los datos de validación utilizando el conjunto de pruebas. Las
curvas ROC para cada subestructura del tímpano se analizaron, y se obtuvieron valores altos de AUC (Área bajo la
curva) para el umbo, la pars flácida, el cono de luz y el martillo. Sin embargo, la subestructura del anillo no fue
adecuada para distinguir entre tímpanos normales y anormales.
Se combinaron varias segmentaciones para clasificar el tímpano en enfermedades a partir del tímpano normal,
utilizando una red neuronal totalmente conectada de tres capas. Se obtuvieron curvas ROC para las condiciones
óptimas de diagnóstico, y se lograron buenos resultados de predicción para diferentes combinaciones de las
4. subestructuras. Específicamente, el martillo, el cono de luz y el umbo mostraron un resultado satisfactorio para
diagnosticar tímpanos anormales en comparación con los tímpanos normales.
Finalmente, se aplicó el modelo de aprendizaje profundo con un clasificador de aumento de gradiente y se
compararon los valores de precisión, recall, F1 y soporte para los tímpanos normales y los tímpanos con cada
enfermedad específica. Se encontraron valores significativos para varias enfermedades, como SOM, MOM, COM sin
P, COM con P, TM traumático, tubo y Cole. Sin embargo, se observó una especificidad insuficiente para los grupos
de AOM y TM esclerosado. El grupo combinado de SOM, COM con P y TM traumático mostró los valores más
significativos de precisión y recall en comparación con el grupo de tímpanos normales.
Este resumen describe un estudio que utiliza técnicas de aprendizaje profundo (deep learning) para el diagnóstico
de enfermedades del oído basado en la segmentación de la membrana timpánica normal. La otitis media es una de
las enfermedades más comunes en el mundo, pero su diagnóstico mediante otoscopia es complicado,
especialmente para los médicos de atención primaria. El objetivo de este estudio fue desarrollar un software que
utilizara un modelo de red neuronal convolucional profunda para identificar anomalías en imágenes otoscópicas del
oído.
El estudio se basó en una base de datos de imágenes de tímpanos de pacientes que visitaron una clínica de
otorrinolaringología. Se seleccionaron un total de 12,444 imágenes para el análisis, de las cuales 2,597 fueron
utilizadas para el entrenamiento y la validación del modelo. Las imágenes se etiquetaron manualmente con las cinco
subestructuras de la membrana timpánica (martillo, anillo, pars flácida, umbo y cono de luz) por parte de otólogos
especializados.
Se utilizó un modelo de máscara R-CNN (Redes Neuronales Convolucionales Regionales) para la segmentación de
las subestructuras de la membrana timpánica. Se evaluó la precisión de la segmentación mediante el cálculo del
puntaje de intersección sobre unión (IoU). Se logró una alta precisión en la segmentación de las subestructuras, con
valores de IoU promedio entre 0.84 y 0.99 para las diferentes subestructuras.
Además de la segmentación, se aplicaron técnicas de aprendizaje profundo para discriminar entre membranas
timpánicas normales y anormales. Se ajustaron los valores de corte para cada subestructura y se obtuvo un alto
nivel de precisión en la clasificación. Se realizaron análisis de características de operación del receptor (ROC) para
evaluar el rendimiento del modelo en cada clase.
Los resultados mostraron que el modelo de aprendizaje profundo fue capaz de discriminar con precisión entre
membranas timpánicas normales y anormales, con altos valores de área bajo la curva (AUC) en las curvas ROC. El
estudio demuestra el potencial de las técnicas de aprendizaje profundo y la segmentación de imágenes médicas
para mejorar el diagnóstico de enfermedades del oído.
5. FICHA BIBLIOGRAFICA
Autor: Park, Y. S., Jeon, J. H., Kong, T. H., Chung, T. Y., & Seo, Y. J.
Año: 2023
Titulo: Deep Learning Techniques for Ear Diseases Based on Segmentation of the
Normal Tympanic Membrane
Lugar de
publicación:
Yonsei University Wonju College of Medicine, Wonju, Korea
Editorial : Clinical and Experimental Otorhinolaryngology
Paginas: 9 paginas
Informe general
del contenido:
Una introducción a la problemática de la otitis media y la necesidad de mejorar
los diagnósticos y tratamientos mediante el uso de la teleotoscopia y técnicas
basadas en inteligencia artificial (IA). Se menciona que la otoscopia tradicional es
altamente especializada y presenta limitaciones en términos de precisión
diagnóstica. Se plantea que la aplicación de redes neuronales profundas y el
aprendizaje profundo han demostrado éxito en el diagnóstico otológico y el
análisis de la membrana timpánica.
Referencia formato APA:
1. Park, Y. S., Jeon, J. H., Kong, T. H., Chung, T. Y., & Seo, Y. J. (2023). Deep Learning Techniques for
Ear Diseases Based on Segmentation of the Normal Tympanic Membrane. Clinical and
experimental otorhinolaryngology, 16(1), 28–36. https://doi.org/10.21053/ceo.2022.00675