Aprendizagem automática por inteligência artificial na avaliação otoscópica da membrana timpânica
DOI:
https://doi.org/10.34631/sporl.3125Palavras-chave:
Otoscopia, avaliação da membrana timpânica por inteligência artificial, Otite Média Aguda, otite serosa, atelectasia do ouvido médio, perfuração timpânicaResumo
Objetivos: Desenvolver e avaliar um modelo de aprendizagem para a classificação automatizada de patologias da membrana timpânica e do ouvido médio, utilizando imagens de otoscopia.
Desenho do Estudo: Retrospetivo.
Materiais e Métodos: Rede neural convolucional (CNN) baseada no EfficientNet com 618 imagens classificadas em cinco categorias: membrana timpânica normal, otite média aguda, otite serosa, atelectasia do ouvido médio e perfuração timpânica. Os dados foram divididos em treino (70%), validação (20%) e teste (10%). O desempenho do modelo foi analisado através da precisão, sensibilidade, especificidade, F1 score e área sob a curva ROC (AUC).
Resultados: O modelo demonstrou uma precisão global de 88.98%, sensibilidade de 91.85%, especificidade de 96.37%, F1 score de 0.89 e AUC de 0.975. As visualizações Grad-CAM confirmaram o foco do modelo em áreas clinicamente relevantes.
Conclusões: Este estudo demonstrou que um modelo baseado em CNN é capaz de classificar com precisão patologias comuns do ouvido médio, apresentando potencial como ferramenta de apoio no diagnóstico em contexto de telemedicina e cuidados de saúde primários.
Downloads
Referências
Cao Z, Chen F, Grais EM, Yue F, Cai Y, Swanepoel W. et al. Machine learning in diagnosing middle ear disorders using tympanic membrane images: a meta-analysis. Laryngoscope. 2023 Apr;133(4):732-741. doi: 10.1002/lary.30291.
Pichichero ME, Poole MD. Comparison of performance by otolaryngologists, pediatricians, and general practitioners on an otendoscopic diagnostic video examination. Int J Pediatr Otorhinolaryngol. 2005 Mar;69(3):361-6. doi: 10.1016/j.ijporl.2004.10.013.
Zhao X, Wang L, Zhang Y, Han X, Deveci M, Parmar M. A review of convolutional neural networks in computer vision. Artif Intell Rev. 2024;57(99):1-43. doi:10.1007/s10462-024-10721-6.
Tan M, Le QV. EfficientNet: rethinking model scaling for convolutional neural networks. In: Proceedings of the 36th International Conference on Machine Learning. 2019;97:6105-14. doi:10.48550/arXiv.1905.11946.
University of Wisconsin-Madison Department of Pediatrics. Images - Acute Otitis Media Exercises [Internet]. Madison (WI): University of Wisconsin School of Medicine and Public Health; [cited 2025 May 4]. Available from: https://www.pediatrics.wisc.edu/education/acute-otitis-media/exercises/images/.
Yokananth R, Gosula V. OtoVision: bridging machine learning and edge computing for effective and affordable ear disease diagnosis. Neural Comput Appl. 2025;37(3):1565-73. doi:10.1007/s00521-024-10426-5.
Zeng X, Jiang Z, Luo W, Li H, Li H, Li G. et al. Efficient and accurate identification of ear diseases using an ensemble deep learning model. Sci Rep. 2021 May 25;11(1):10839. doi: 10.1038/s41598-021-90345-w.
Habib AR, Wong E, Sacks R, Singh N. Artificial intelligence to detect tympanic membrane perforations. J Laryngol Otol. 2020 Apr;134(4):311-315. doi: 10.1017/S0022215120000717.
Song D, Kim T, Lee Y, Kim J. Image-based artificial intelligence technology for diagnosing middle ear diseases: a systematic review. J Clin Med. 2023 Sep 7;12(18):5831. doi: 10.3390/jcm12185831.
Levi L, Ye K, Fieux M, Renteria A, Lin S, Xing L. et al. Machine learning of endoscopy images to identify, classify, and segment sinonasal masses. Int Forum Allergy Rhinol. 2025 May;15(5):524-535. doi: 10.1002/ahr.23525.
Downloads
Publicado
Como Citar
Edição
Secção
Licença
Direitos de Autor (c) 2026 Rafael Pires, Rodrigo Pires, Sammy Gasana, Sofia Sousa Teles, Ana Miguel Couto, Leonor Oliveira, Jorge Dentinho, Luís Antunes
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-CompartilhaIgual 4.0.
