Ear-Keeper：一种用于快速准确耳病诊断的跨平台 AI 系统
计算机视觉与模式识别
2025-08-14 v5 软件工程
摘要
由深度学习驱动的耳病早期准确检测系统，对预防听力损伤和改善人群健康至关重要。然而，现有耳内镜数据集多样性有限，且诊断准确性、计算效率与模型规模之间难以兼顾，阻碍了人工智能（AI）算法向医疗应用的转化。本研究构建了一个覆盖八种常见耳病及健康病例的大规模多中心耳内镜数据集。基于此资源，我们开发了 Best-EarNet——一种超快轻量级深度学习架构，集成了新颖的局部-全局空间特征融合模块与多尺度监督策略，可实现耳部疾病的实时准确分类。借助迁移学习，Best-EarNet 模型大小仅 2.94 MB，在内部测试集（22,581 张图像）上诊断准确率达 95.23%，在外部测试集（1,652 张图像）上达 92.14%，且在标准 CPU 上处理单张图像仅需 0.0125 秒（每秒 80 帧）。按性别与年龄的进一步亚组分析显示，Best-EarNet 在所有人口学群体中均保持优异性能。为增强临床可解释性与用户信任，我们引入了基于 Grad-CAM 的可视化，突出贡献于 AI 预测的特定异常耳部区域。最重要的是，我们开发了基于 Best-EarNet 构建的跨平台智能诊断系统 Ear-Keeper，可部署于智能手机、平板与个人电脑。Ear-Keeper 使公众用户与医疗提供者能够进行全面的实时基于视频的耳道筛查，支持耳病的早期检测与及时干预。
引用
@article{arxiv.2308.10610,
title = {Ear-Keeper: A Cross-Platform AI System for Rapid and Accurate Ear Disease Diagnosis},
author = {Feiyan Lu and Yubiao Yue and Zhenzhang Li and Meiping Zhang and Wen Luo and Fan Zhang and Tong Liu and Jingyong Shi and Guang Wang and Xinyu Zeng},
journal= {arXiv preprint arXiv:2308.10610},
year = {2025}
}
备注
18 pages,8 figures