№3(6) 2023

DOI 10.37219/2528-8253-2023-3-2

Довгич СВ, Дєєва ЮВ

МОЖЛИВОСТІ ПОКРАЩЕННЯ КЛІНІЧНОЇ ЕФЕКТИВНОСТІ МЕТОДУ РЕНТГЕНОГРАФІЇ НАВКОЛОНОСОВИХ СИНУСІВ
В ДІАГНОСТИЦІ ГОСТРИХ РИНОСИНУСИТІВ ШЛЯХОМ ВИКОРИСТАННЯ ЗГОРТКОВИХ НЕЙРОМЕРЕЖ

 
Довгич Сергій Вікторович
Національний медичний університет імені О.О. Богомольця
Аспірант кафедри оториноларингології
E-mail: sergeydovgi4@gmail.com
ORCID: https://orcid.org/0009-0002-5983-6323
Дєєва Юлія Валеріївна
Доктор медичних наук, професор
Завідувач кафедри оториноларингології
Національний медичний університет імені О.О. Богомольця
E-mail: deyeva@bigmir.net
ORCID ID: 0000-0003-0552-1254
https://www.scopus.com/authid/detail.uri?authorId=55359076200

Анотація

Актуальність: Гострий риносинусит – це запальне захворювання слизової оболонки порожнини носа та навколоносових синусів, тривалість якого може досягати 12 тижнів. Щороку одна людина може хворіти на гострий вірусний риносинусит від 2 до 5 разів, при цьому частота поствірусного риносинуситу сягає значно меншої кількості – 3-4 випадки на 100 тис. населення. При цьому гострий риносинусит залишається станом, на який припадає найбільша кількість нераціональних обстежень та лікування. Незважаючи на те, що рутинне застосування рентгенологічних методів діагностики гострого риносинуситу не є рекомендованим, рентгенографія навколоносових синусів залишається одним із часто вживаних методів обстеження, хоча і не завжди має діагностичну цінність. Тому покращення діагностичної ефективності даного методу є важливим та актуальним в нинішній час.

Мета дослідження: Оцінка результатів діагностики гострого риносинуситу за даними рентгенографії навколоносових синусів з використанням створеної індивідуальної нейромережі.

Результати: Для дослідження та формування бази даних було використано 900 рентгенограм навколоносових синусів, які були розподілені на вибірки навчання, валідації та тестування, поставлена задача для нейромережі – бінарна класифікація вибірки. Було проведено оцінку точності класифікації за вищезгаданими вибірками. Так, для набору «навчання» точність оцінки рентгенограм становила 99,34%, для набору даних валідації – 97,61% та для набору тестування мережі – 92,12%, що є досить високими результатами.

Отже, застосування нейромереж в розпізнаванні нормативних та патологічних станів порожнини носа та навколоносових синусів може бути обґрунтованим.

Висновки: На підставі проведених нами досліджень до загальновживаних критеріїв оцінки рентгенограм навколоносових синусів необхідно розробити та додати нові, що дозволить створити нейромережі з точністю діагностики більше 95%. Запропонована нами нейромережа може бути використана як додатковий інструмент для покращення точності діагностики гострого риносинуситу на основі рентгенологічних зображень навколоносових синусів та може допомогти уніфікувати думки кожного окремого лікаря щодо визначення риносинуситу на рентгенограмах та потребу в призначенні додаткових необовʼязкових обстежень чи антибактеріальних засобів.

Ключові слова: гострий риносинусит, риносинусит, рентгенографія навколоносових синусів, нейромережа, CNN, convolution neural network.

Література

  1. Fokkens W, Lund V, Hopkins C, Hellings P, Kern R, Reitsma S, et al. EPOS 2020: European Position Paper on Rhinosinusitis and Nasal Polyps 2020. Rhinology. 2020 Feb 20;58(Suppl S29):1-464. doi: 10.4193/Rhin20.600.
  2. Turner RB. Epidemiology, pathogenesis and treatment of the common cold. Ann Allergy Asthma Immunol. 1997 Jun;78(6):531-9; quiz 539-40. doi: 10.1016/S1081-1206(10)63213-9.
  3. Oskarsson JP, Halldorsson S. [An evaluation of diagnosis and treatment of acute sinusitis at three healthcare centers]. Laeknabladid. 2010 Sep;96(9):531-5. doi: 10.17992/lbl.2010.09.313. [Article in Icelandic].
  4. Abdulqader MAM, Zadorozhna A, Dieieva J, Tereshchenko Z, Konovalov S. Clinical Presentations of Patients with Chronic Rhinosinusitis. Journal of Pharmaceutical Research International. 2021;33(46A):257-263. doi: 10.9734/jpri/2021/v33i46A32864.
  5. Jaume F, Quintó L, Alobid I, Mullol Overuse of diagnostic tools and medications in acute rhinosinusitis in Spain: a population-based study (the PROSINUS study). BMJ Open 2018;8:e018788. doi: 10.1136/bmjopen-2017-018788.
  6. Bhattacharyya N, Grebner J, Martinson NG. Recurrent Acute Rhinosinusitis. Otolaryngol Head Neck Surg. 2012 Feb;146(2):307-12. doi: 10.1177/0194599811426089.
  7. State Sanitary Rules and Norms “Hygienic requirements for the design and operation of X-ray rooms and radiological procedures”. Order of the Ministry of Health of Ukraine of 04.06.2007 No. 294. https://zakononline.com.ua/documents/show/278053_505228. [In Ukrainian].
  8. Kim HG, Lee KM, Kim EJ, Lee JS. Improvement diagnostic accuracy of sinusitis recognition in paranasal sinus X-ray using multiple deep learning models. Quant Imaging Med Surg 2019;9(6):942-951. doi: 10.21037/qims.2019.05.15.
  9. Waters CA, Waldron CW. Roentgenology of the accessory nasal sinuses describing a modification of the occipito-frontal position. AJR Am J Roentgenol. 1915 Feb;2:633-39.
  10. Seeram E. Computed tomography, 5th edition. Physical principles, patient care, clinical applications, and quality control. Elsevier (HS-US); 2023. 536 p. ISBN: 
  11. WHO Director-General’s opening remarks at the media briefing on COVID-19. 11 March 2020. World Health Organization. https://www.who.int/director-general/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19—11-march-2020.
  12. Jaiswal AK, Tiwari P, Kumar S, Gupta D, Khanna A, Rodrigues JJPC. Identifying pneumonia in chest X-rays: a deep learning approach Measurement. 2019;145:511-18. doi: 10.1016/j.measurement.2019.05.076.
  13. Chouhan V, Singh SK, Khamparia A. et al. A novel transfer learning based approach for pneumonia detection in chest X-ray images, Appl. Sci. 2020, 10(2), 559. https://doi.org/10.3390/app10020559.
  14. Wang L, Wong A. COVID-Net: A tailored deep convolutional neural network design for detection of covid-19 cases from chest radiography images. Sci Rep. 2020 Nov 11;10(1):19549. doi: 10.1038/s41598-020-76550-z.
  15. Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv:1409.1556[cs.CV]. https://doi.org/10.48550/arXiv.1409.1556.
  16. He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. arXiv:1512.03385[cs.CV]. https://doi.org/10.48550/arXiv.1512.03385.