Ergebnisse
In einer unabhängigen externen Kohorte von 104 Otoskopie‑Videos mit zugehöriger Tympanometrie erreichte das hybride Modell OtoTymp‑AI eine Gesamtgenauigkeit von 81.73 % (95 %‑KI, 73.22–87.98), während das alleinige Video‑CNN 63.46 % (95 %‑KI, 53.88–72.08) erzielte. Der Unterschied entspricht einer absoluten Verbesserung von 18.27 Prozentpunkten (95 %‑Bootstrap‑KI, 9.62–26.92).
Methodik
Das System kombiniert eine Convolutional‑Neural‑Network‑Analyse von Otoskopie‑Videos mit konventioneller 226 Hz‑Tympanometrie. Die visuelle Vorhersage wird durch eine regelbasierte Entscheidungslogik, die die physiologischen Messwerte einbezieht, verfeinert, anstatt beide Modalitäten gemeinsam zu lernen.
Studienaufbau
Die Untersuchung wurde in mehreren Zentren durchgeführt und umfasste sechs diagnostische Kategorien. Für jedes Video lag ein entsprechender Tympanogramm‑Datensatz vor, sodass ein gepaartes Analyse‑Setting möglich war.
Leistungskennzahlen
Der optimale Schwellenwert von 0.90 wurde im Rahmen der Analyse ermittelt. Neben der Gesamtexaktheit wurden die 95‑Prozent‑Konfidenzintervalle für jede Kategorie berechnet; bei kleinen Fallzahlen waren die Intervalle breit.
Klassenspezifische Verbesserungen
Signifikante Steigerungen wurden insbesondere bei den Kategorien „Effusion“ und „Retraktion“ beobachtet. Trotz dieser positiven Trends bleibt die statistische Sicherheit aufgrund der begrenzten Fallzahlen vorsichtig zu interpretieren.
Bedeutung und Ausblick
Die Resultate deuten darauf hin, dass die Integration anatomischer Bildinformationen mit physiologischen Messwerten die KI‑gestützte Diagnose im Mittelohrbereich stärken kann. Die Kombination nutzt die Stärken beider Datenquellen, um Unsicherheiten der reinen Bildanalyse zu reduzieren.
Einschränkungen
Die Studie beruht auf einer relativ kleinen externen Stichprobe, und die Klassenverteilung war unausgewogen. Deshalb müssen die Schwellenwerte und die Klassen‑Performance in größeren, prospektiven Studien bestätigt werden.
Zukünftige Forschung
Weitere Untersuchungen sollen größere, multizentrische Datensätze einbeziehen und die Entscheidungslogik weiter verfeinern, um die Robustheit des Modells in unterschiedlichen klinischen Settings zu prüfen. Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung