Artificial intelligence in studying and evaluation of otitis media by acoustic reflectometry

Abstract

Objective: Acute otitis media (AOM) is usually associated with upper respiratory tract infections and common colds, but many times it can last longer than the initial symptoms. An acoustic reflectometry device can be used to objectify the diagnostic process. The purpose of the study was to train the neural network to identify ears with symptoms of AOM using the acoustic response of the device.

Methods: An acoustic reflectometry sample of 53 ears from 39 patients was collected during laryngoscopy operation from patients with recurrent ear infections. In addition to the acoustic samples, the doctor determined whether ear had visual signs of otitis media (OM) and whether there was effusion in it. These three parameters were used in the construction of feedforward neural network. Two neural network layouts were selected, one with samples of effusion-only sick ears and the other with sick ears based on other visual indications of OM, independent of effusion.

Results: The sensitivity and specificity of the trained networks were about 90%. Two different groupings of samples clearly showed that diseased ears without effusion could be identified as sick with sensitivity of 80–90%, when similar ears were included in the category of sick ears. Network with sick ears with effusion as training material had a sensitivity of 20–30% identifying sick ears without effusion. The inclusion of both types of sick ears in single network caused slight drop in sensitivity and specificity compared to just one type.

Conclusion: Acoustic reflectometry can detect more than just standard cases of acute otitis media, in which effusion typically occurs. An accurate neural network for identifying sick ears without effusion can be achieved with a relatively small sample size. This indicates a possibility of conducting an in-depth analysis of other diseases within the OM group or the transition between these diseases.

Työtarkoitus: Akuutti otitis media (AOM) yhdistetään yleensä ylempien hengitysteiden tulehduksiin ja nuhaan, mutta monesti otitis media (OM) oireet voivat kestää tulehdustilaa tai nuhaa pidempään. Akustista reflektometriaa käyttävän laitteen avulla diagnosointi prosessia voidaan tarkastella objektiivisesti. Työn tarkoitus oli opettaa neuroverkko, mikä tunnistaa AOM-oireisen korvan akustisen reflektometrin akustisesta mittauksesta.

Menetelmät: Laryngoskopiaoperaation aikana kerättiin akustisella reflektometrialla otos 53 korvasta. Operaatio suoritettiin 39 potilaalle, joilla oli uusiutuvia korvatulehduksia. Akustisten näytteiden lisäksi operaation aikana lääkäri määritti visuaaliset OM-merkit ja eritteen määrän. Näitä kolmea tietoa käytettiin eteenpäin kytkeytyvän neuroverkon rakentamiseen. Kaksi neuroverkkoa rakennettiin, joissa ensimmäisessä oli pelkästään eritettä sisältävät korvat, ja toisessa kaikki visuaalisesti OM-merkit täyttävät korvat, mukaan lukien eritettä sisältävät korvat.

Tulokset: Opetettujen neuroverkkojen sensitiivisyys ja spesifisyys olivat 90 % luokkaa. Kahteen ryhmään jaettu aineisto osoitti, että sairaat eritteettömät korvat voidaan tunnistaa sairaiksi 80–90 % sensitiivisyydellä, kun neuroverkolle opetetaan sekä eritteiset että eritteettömät sairaat korvat. Pelkästään eritteisiä korvia sisältävä neuroverkko tunnisti eritteettömät sairaat korvat 20–30 % sensitiivisyydellä. Eritteisten ja eritteettömien korvien käyttö samassa neuroverkossa laski sensitiivisyyttä ja spesifisyyttä verrattuna pelkkien eritteisten käyttöön.

Johtopäätökset: Akustinen reflektometria voi tunnistaa muitakin tiloja kuin tyypillisen eritteisen akuutin otitis median. Pienellä näytemäärällä voidaan saavuttaa tarkka neuroverkko, mikä tunnistaa otitis median ilman eritteen läsnäoloa. Tämä viittaa mahdollisuuteen, että syvällisellä analyysillä voidaan saada lisää tietoa taudin etenemisestä tai taudin muista tiloista.