奥克斯纳健康中心 (Ochsner Health) 的研究小组在国际过敏与鼻科学论坛上发表了一篇文章，探讨卷积神经网络 (CNN) 在提高鼻内窥镜检查的准确性和效率方面的应用。
这项研究由住院医师 Vinayak Ganeshan 博士在资深耳鼻喉科医生 Edward D. McCoul 博士的指导下完成，旨在解决复杂的鼻腔解剖结构给鼻科诊断带来的挑战。
鼻内窥镜检查 (NE) 是鼻科的重要诊断工具，但其有效性可能会受到鼻腔复杂结构的阻碍。本研究调查了一种基于 CNN 的模型，旨在准确定位和分割鼻内窥镜图像中的重要标志。
研究图像来自 2014 年至 2023 年期间在新奥尔良 Ochsner 医疗中心使用标准数字内窥镜进行的 NE 检查。共有 2,111 张图像经过三名医生的手动分割。
研究人员将YOLOv8物体检测模型配置为执行三项任务：对鼻甲的存在进行分类、检测其位置以及应用分割掩模来描绘其边界。通过反向传播和随机梯度下降，迁移学习被用来改进模型在 NE 图像上的性能。
通过手动选择超参数并在验证性能出现 15 个 epoch 停滞时停止训练，该模型取得了令人印象深刻的结果。
该模型识别下鼻甲 (IT) 和中鼻甲 (MT) 的平均准确率为91.5%，平均精确率为 92.5%，平均召回率为 93.8%。在 60% 的置信阈值下，该模型的平均 F1 得分为 93.1%。