Прорыв в обучении врачей

Южнокорейские исследователи из клиники Асан в Сеуле разработали систему глубокого обучения, которая анализирует эндоскопические снимки барабанной перепонки и помогает врачам различать хронический средний отит, экссудативный отит и отсутствие патологии. Модель, построенная на архитектуре EfficientNet-B4, обучалась на 7335 изображениях, собранных за 2018–2020 годы, и сама демонстрирует точность 94,8% при кросс-валидации и 95% на независимой тестовой выборке.

Результаты клинического эксперимента

В исследовании, опубликованном в JMIR Medical Informatics, участвовали 13 врачей: три специалиста по ушным заболеваниям, пять старших и пять младших ординаторов. Каждый оценил 100 эндоскопических снимков дважды — сначала самостоятельно, а через три месяца — с подсказками ИИ. У младших ординаторов точность выросла на 32,2 процентных пункта, у старших — на 28,8, а у специалистов — на 11. Разрыв между новичками и экспертами сократился с 24,3 до 3,1 пункта. За 1300 диагностических решений врачи исправили 384 ошибки благодаря ИИ, хотя в 46 случаях верные диагнозы были заменены на неверные.

Значение для практики

Диагностика заболеваний среднего уха требует интерпретации тонких изменений барабанной перепонки, где опыт играет ключевую роль. Авторы работы подчёркивают: технология не ставит диагноз автономно, а выступает системой поддержки решений, что особенно ценно в регионах с дефицитом оториноларингологов. Инструмент уже интегрирован в рабочий процесс клиники Асан и рассматривается для масштабирования в программах постдипломного образования.