Автоматизированное распознавание форм патологий верхнечелюстных пазух в цифровой диафаноскопии с помощью свёрточных нейронных сетей

Целями исследования являются разработка и обоснование системы поддержки принятия врачебных решений, использующей алгоритм классификации патологий верхнечелюстных пазух в цифровой диафаноскопии на базе свёрточной нейронной сети ResNet-50, для повышения точности выявления патологий (синусит и кистозное изменение) в условиях скрининга здоровья населения.

Методы. Рассмотрены особенности патологий, выявлены их формы, которые чаще всего встречаются у пациентов ринологического профиля. Разработан классификатор патологий верхнечелюстных пазух на три класса по результатам анализа диафанограмм, зарегистрированных с помощью программно-аппаратного комплекса цифровой диафаноскопии, с использованием свёрточной нейронной сети ResNet- 50. В работе предложены алгоритмы для системы поддержки принятия врачебных решений.

Результаты. Разработано программное средство классификации состояния тканей верхнечелюстных пазух с использованием алгоритма свёрточной нейронной сети ResNet-50, реализующее алгоритмы обучения и классификации патологий верхнечелюстных пазух. Проведена апробация разработанной системы поддержки принятия врачебных решений. Получены следующие показатели точности при дифференцировании состояния верхнечелюстных пазух на три класса: «отсутствие патологии» — чувствительность 0,94, специфичность 0,96, точность 0,95; «синусит» — чувствительность 0,9, специфичность 0,95 и точность 0,88; «кистозное изменение» — чувствительность 0,86, специфичность 0,96 и точность 0, 88.

Заключение. Предлагаемая система поддержки принятия врачебных решений обеспечивает более высокую точность диагностики по сравнению с существующими экономически доступными методами. Кроме тогo, предложенное решение способно дифференцировать типы патологических изменений на диафанограммах в отличие от ранее предложенных подходов в цифровой диафаноскопии. Таким образом, paзработанная технология оптической диагностики состояния тканей верхнечелюстных пазух совместно с разработанной на основе СНС моделью классификации в виде системы поддержки принятия врачебных решений может быть применена как в рамках скрининга здоровья населения (для раннего выявления патологии), так и в рамках диагностики и контроля эффективности назначаемой терапии в отоларингологии, ЛОР-онкологии и стоматологии, а также в телемедицине.

1. Распространенность и структура заболеваний носа и околоносовых пазух среди взрослого населения мегаполиса / А. И. Крюков, Г. Ю. Царапкин, С. Г. Романенко, А. С. Товмасян, С. А. Панасов // Российская ринология. 2017. Т. 25, № 1. С. 3—6. https://doi.org/10.17116/ROSRINO20172513-6.

2. Применение метода терагерцовой газовой спектроскопии высокого разрешения для анализа состава продуктов термического разложения тканей кист околоносовых пазух / А. А. Айзенштадт, В. А. Анфертьев, В. Л. Вакс, K. А. Гаврилова, Е. Г. Домрачева, Р. А. Ларин, М. Б. Черняева // Оптический журнал. 2021. Т. 88, № 3. С. 72-76. https://doi.org/10.17586/1023-5086-2021-88-03-72-76.

3. Острый риносинусит: терапия с акцентом на ключевые звенья патогенеза / Е. В. Носуля, И. А. Ким, Ю. В. Лучшева, Д. С. Огородников // Российская ринология. 2023. Т. 31, № 3. С. 212-218. https://doi.org/10.17116/rosrino202331031212.

4. Пальчун В. Т., Гуров A.B. Болезни yxa, горла и Hoca. 3-е изд., испр. М.: ГЭОТАР-Медиа, 2020. 336 с.

5. Методы оценки функционального состояния слизистой оболочки верхнечелюстных пазух (обзор литературы) / М. М. Магомедов, Ш. Ю. Авкаева, О. H. Рождественская, Т. H. Жоголева // Вестник оториноларингологии. 2026. Т. 91, № 1. С. 70—75. https://doi.org/10.17116/10.17116/0torino20269101170.

6. Whyte А., Boeddinghaus R. The maxillary sinus: physiology, development and imaging anatomy // Dentomaxillofacial Radiology. 2019. Vol. 48, М№8&8. P. 20190205. https://doi.org/10.1259/dmfr.20190205.

7. Исмаилова М. X., Салиджанов У. M. Особенности диагностики хронических воспалительных заболеваний придаточных пазух носа // European Research: Innovation in Science, Education and Technology: Collection of scientific articles XL VIII International correspondence scientific and practical conference. London: United Kingdom: Problems of Science, 2019. P. 83-86.

8. Digital diaphanoscopy of the maxillary sinuses: A revival of optical diagnosis for rhinosinusitis / K. Stoelzel, А. J. Szczepek, H. Olze, S. Koss, О. Minet, О. Zabarylo // American Journal оf Otolaryngology. 2020. Vol. 41, N 3. P. 102444. https://doi.org/10.1016/j-amjot0.2020.102444.

9. Волков А. Г., Бойко Н. B., Стагниева И. В. Заболевания носа и околоносовых пазух у беременных. Особенности диагностики (обзор литературы) // Российская оториноларингология. 2017. № 2. С. 113-119. https://doi.org/10.18692/1810-4800-2017-2-113-119.

10. Optical Diagnostics of the Maxillary Sinuses by Digital Diaphanoscopy Technology / E. O. Bryanskaya, I. N. Novikova, V. V. Dremin, R. Y. Gneushev, O. A. Bibikova, A. V. Dunaev, V. G. Artyushenko // Diagnostics. 2021. Vol. 77, N 11. P. 77. https://doi.org/10.3390/diagnostics11010077.

11. Digital diaphanoscopy of maxillary sinus pathologies supported by machine learning/ Е. О. Bryanskaya, V. V. Dremin, V. V. Shupletsov, А. V. Коrnаеv, M. Yu. Kirillin, А. V. Bakotina, D. N. Panchenkov, K. V. Podmasteryev, У. С. Artyushenko, А. V. Dunaev // Journal of Biophotonics. 2023. Vol. 17, is. 1. P. е202300138. https://doi.org/10.1002/jbi0.202300138.

12. Брянская Е. О. Метод и устройство цифровой диафаноскопии для диагностики патологий верхнечелюстных пазух // Медицинская техника. 2023. № 3. С. 5-7.

13. The Use оf Convolutional Neural Networks 10 Classify the States оf the Maxillary Sinuses in Digital Diaphanoscopy / D. V. Gerasin, Е. О. Bryanskaya, V. V. Dremin, А. V. Dunaev // 2024 Intelligent Technologies and Electronic Devices т Vehicle and Road Transport Complex (TIRVED). Moscow: IEEE, 2024. P. 1-4. https://doi.org/10.1109/TIRVEDG63561.2024.10769806.

14. Erhan L., Liotta A., Cavallaro L. Comparing Training of Sparse to Classic Neural Networks for Binary Classification in Medical Data. Advances in Mobile Computing and Multimedia Intelligence. Cham: Springer, 2025. P. 15341. https://doi.org/10.1007/978-3-031-78049-3_10.

15. Artificial intelligence, machine learning, and deep learning in rhinology: a systematic review / A. M. Bulfamante, F. Ferella, A. M. Miller, C. Rosso, C. Pipolo, E. Fuccillo, G. Felisati, A. M. Saibene // European Archives of Oto-Rhino-Laryngology. 2022. Vol. 280, N 2. $. 1-14. https://doi.org/10.1007/S00405-022-07701-3.

16. Nibali A., He Z., Wollersheim D. Pulmonary nodule classification with deep residual networks // Int. J. Comput. Assist. Radiol. and Surg. 2017. Vol. 12, N 10. P. 1799–1808. https://doi.org/10.1007/S11548-017-1605-6/FIGURES/10.

17. Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning? / N. Tajbakhsh, J. Y. Shin, S. R. Gurudu, R. T. Hurst, C. B. Kendall, M. B. Gotway // IEEE Transactions on Medical Imaging. 2016. Vol. 35, N 5. P. 1299–1312. https://doi.org/10.1109/TMI.2016.2535302.

18. Artificial intelligence, machine learning, and deep learning in rhinology: a systematic review / A. M. Bulfamante, F. Ferella, A. M. Miller, C. Rosso, C. Pipolo, E. Fuccillo, G. Felisati, A. M. Saibene // Eur. Arch. Otorhinolaryngol. 2023. Vol. 280. P. 529–542. https://doi.org/10.1007/s00405-022-07701-3.

19. Классификация состояний верхнечелюстных пазух по данным цифровой диафаноскопии с применением машинного обучения / Е. О. Брянская, Д. В. Герасин, А. В. Бакотина, Ю. О. Николаева, А. Ю. Овчинников, В. В. Дрёмин, А. В. Дунаев // Российская ринология. 2026. Т. 34, № 1. С. 19—26. https://doi.org/10.17116/ROSRINO20263401119.

20. Conigliaro J., Кароог $. Screening. Physical Exam. Health Maintenance // Handbook of Outpatient Medicine / ed. by E. Sydney, E. Weinstein, L. M. Rucker. Cham: Springer, 2022. P. 3—44. https://doi.org/10.1007/978-3-031-15353-2_1.

21. Screening. When 15 it appropriate and how can we get it right? / А. Sagan, D. McDaid, S. Rajan, J. Farrington, M. McKee. Denmark: World Health Organization, 2020. 22 р.

22. The application of ultrasound examination in the treatment of Acute Sinusitis. Comparing X-ray to ultrasound of paranasal sinuses / A. Valkov, G. Nikolov, B. Duhlenski, Tsv. Stoyanov, Tsv. Mladenov, M. Yildiz, Kr. Atanasova, St. Mirchev, Kr. Valcheva // International Bulletin of Otorhinolaryngology. 2021. Vol. 17, N 1. P. 40–41.

23. The Role of Diagnostic Nasal Endoscopy and a Computed Tomography Scan (Nose and PNS) in the Assessment of Chronic Rhinosinusitis: A Comparative Evaluation of the Two Techniques / K. Nathan, S. K. Majhi, R. Bhardwaj, A. Gupta, S. Ponnusamy, C. Basu, A. Kaushal // Sinusitis. 2021. Vol. 5, N 1. P. 59–66. https://doi.org/10.3390/SINUSITIS5010007.

24. Hsu C. C., Sheng C., Ho C. Y. Efficacy of sinus ultrasound in diagnosis of acute and subacute maxillary sinusitis // J. Chinese Med. Assoc. 2018. Vol. 81, N 10. P. 898–904. https://doi.org/10.1016/J.JCMA.2018.03.005.