128 -6 (92) 2026 - Амонов Ш.Э., Икрамов А.А. - НЕЙРОСЕТЕВАЯ СИСТЕМА ARCHIMED AIVORY AI NOSE X / SINUSITIS В ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКЕ ПАТОЛОГИИ ОКОЛОНОСОВЫХ ПАЗУХ: РЕЗУЛЬТАТЫ КЛИНИЧЕСКОЙ ВАЛИДАЦИИ

НЕЙРОСЕТЕВАЯ СИСТЕМА ARCHIMED AIVORY AI NOSE X / SINUSITIS В ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКЕ ПАТОЛОГИИ ОКОЛОНОСОВЫХ ПАЗУХ: РЕЗУЛЬТАТЫ КЛИНИЧЕСКОЙ ВАЛИДАЦИИ

Амонов Ш.Э., Икрамов А.А. - Ташкентский государственный медицинский университет

Резюме

Воспалительные заболевания околоносовых пазух занимают одно из ведущих мест в структуре оториноларингологической патологии, составляя 20–25% от общего числа ЛОР-заболеваний. Стандартная цифровая рентгенография околоносовых пазух в носо-подбородочной проекции по Уотерсу остаётся основным методом первичной лучевой диагностики синусита. Однако её средняя чувствительность составляет около 73%, а при диагностике патологии лобных, решётчатых и клиновидных пазух не превышает 25–41%. Нейросетевые системы автоматизированного анализа цифровых рентгенограмм околоносовых пазух позволяют стандартизировать и объективизировать первичную диагностику без необходимости дополнительных инвестиций в оборудование. Вместе с тем независимые исследования по внешней клинической валидации подобных систем на популяции пациентов Республики Узбекистан до настоящего времени отсутствуют.

Ключевые слова: околоносовые пазухи; синусит; искусственный интеллект; нейросетевая система; диагностическая точность; проекция Уотерса; внешняя валидация; Узбекистан; STARD

First page

778

Last page

786

For citation:Амонов Ш.Э., Икрамов А.А. - НЕЙРОСЕТЕВАЯ СИСТЕМА ARCHIMED AIVORY AI NOSE X / SINUSITIS В ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКЕ ПАТОЛОГИИ ОКОЛОНОСОВЫХ ПАЗУХ: РЕЗУЛЬТАТЫ КЛИНИЧЕСКОЙ ВАЛИДАЦИИ//New Day in Medicine 6(92)2026 778-786 https://newdayworldmedicine.com/en/new_day_medicine/6-92-2026

List of References

1. Fokkens WJ, Lund VJ, Hopkins C, et al. European Position Paper on Rhinosinusitis and Nasal Polyps 2020. Rhinology. 2020;58(Suppl S29):1-464. doi:10.4193/Rhin20.600.
2. Jeon S, Lee KC, Lee S, et al. Diagnostic accuracy of paranasal sinus radiography and computed tomography: a meta-analysis. Diagnostics (Basel). 2021;11(8):1324. doi:10.3390/diagnostics11081324.
3. Kim H, Howk G, Bae J, et al. Deep learning algorithm for automated detection of paranasal sinusitis on plain radiographs. AJNR Am J Neuroradiol. 2019;40(8):1370-1377. doi:10.3174/ajnr.A6130.
4. Jeon S, Noh G, Kim H, Lee S. Multi-view deep learning model for paranasal sinusitis detection in panoramic radiography. Diagnostics (Basel). 2021;11(11):2085. doi:10.3390/diagnostics11112085.
5. Aybek S, Aybek HS. Automated detection of maxillary sinusitis on panoramic radiographs using convolutional neural networks. Imaging Sci Dent. 2022;52(1):55-62. doi:10.5624/isd.20210209.
6. Murata M, Ariji Y, Ohashi Y, et al. Deep-learning classification using convolutional neural network for evaluation of maxillary sinusitis on panoramic radiography. Oral Radiol. 2019;35(3):301-307. doi:10.1007/s11282-018-0363-7.
7. Bossuyt PM, Reitsma JB, Bruns DE, et al. STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ. 2015;351:h5527. doi:10.1136/bmj.h5527.
8. Landis JR, Koch GG. The measurement of observer agreement for categorical data. Biometrics. 1977;33(1):159-174.
9. Beule AG. Epidemiology of chronic rhinosinusitis, selected risk factors, comorbidities, and economic burden. GMS Curr Top Otorhinolaryngol Head Neck Surg. 2015;14:Doc11. doi:10.3205/cto000126.
10. Swets JA. Measuring the accuracy of diagnostic systems. Science. 1988;240(4857):1285-1293. doi:10.1126/science.3287615.

    file

    download