Künstliche Intelligenz in der Otologie

Introduction: This narrative review explores the integration of artificial intelligence (AI) into the field of otology. AI, characterized by its ability to perform tasks without explicit human programming, is gaining prominence in the medical field, including otology.

Material and methods: Inclusion criteria involved original clinical studies related to AI in otology and reviews on the same topic. A PubMed search has been conducted by utilizing specific otology and AI-related keywords. Of the initial 1,076 results generated, 912 were excluded after reviewing titles and abstracts. This led to a selection of 164 articles for full-text screening, resulting in 24 studies and two reviews for inclusion.

Results: In the External Ear, AI primarily serves the purpose of detecting auricular abnormalities. In the Middle Ear, AI's application focuses on otoscopy and radiology. AI systems, including convolutional neural networks (CNNs), are trained to identify various middle ear conditions by analyzing images. In the Inner Ear, the vestibular system, radiology, audiology, and cochlear implantation are the key areas where AI demonstrates its potential.

Conclusion / Discussion: In the majority of the reviewed studies, a variety of AI models were used, with CNNs being the most prevalent. Evaluation metrics included accuracy, precision, sensitivity, specificity, F-score, and more. In summary, AI holds the potential to significantly impact otology by saving time, making early outcome predictions, supporting telemedicine, and objectifying findings. However, practical application in clinical settings faces challenges that necessitate further research and development.

Hintergrund: In dieser Übersichtsarbeit untersuchten wir Anwendungsmöglichkeiten von künstlicher Intelligenz (KI) in der Otologie. KI, die sich durch ihre Fähigkeit auszeichnet, Aufgaben ohne eine spezifische menschliche Programmierung auszuführen, gewinnt im medizinischen Bereich, einschließlich der Otologie, zunehmend an Bedeutung.

Methoden: Grundlage der Arbeit waren klinische Originalstudien und Übersichtsarbeiten zum Thema KI in der Otologie. Die Suchstrategie bestand in der Abfrage der PubMed-Datenbank unter Verwendung spezifischer otologischer und KI-bezogener Schlüsselwörter. Von den ursprünglich 1.076 Ergebnissen wurden nach der Überprüfung der Titel und Abstracts 912 ausgeschlossen. Dies führte zu einer Auswahl von 164 Artikeln für das Volltextscreening, von denen 24 klinische Studien und zwei Übersichtsarbeiten abschließend zur Analyse einbezogen wurden.

Ergebnisse: Am äußeren Ohr wurden KI-Anwendungen in erster Linie dazu benutzt, Anomalien der Ohrmuschel zu erkennen. Im Mittelohr lag der Schwerpunkt der Anwendung von KI auf der Otoskopie und der Radiologie. KI-Systeme wurden darauf trainiert verschiedene Mittelohr-Pathologien durch Bild-Analysen zu erkennen. Bezüglich des Innenohrs waren die Vestibularisdiagnostik und Audiologie wichtige Bereiche, in denen KI-Systeme angewendet wurden.

Diskussion: In den meisten der untersuchten Studien wurde eine Vielzahl von unterschiedlichen KI-Modellen verwendet. Zu den Bewertungsmaßstäben gehörte die Genauigkeit, Präzision, Sensitivität, Spezifität und der F-Score. Zusammenfassend lässt sich sagen, dass KI-Anwendungen das Potenzial haben, die Otologie durch Zeitersparnis, frühzeitige Ergebnisvorhersagen, Unterstützung der Telemedizin und Objektivierung von Befunden erheblich zu beeinflussen.

Die Autorinnen/Autoren geben an, dass kein Interessenkonflikt besteht.