人工智能用于鼓膜病变耳镜检查：范围综述

The journal of international advanced otology · 2026-11-12 · 综述

• 一句话结论：结论：范围综述提示，人工智能尤其是卷积神经网络在鼓膜图像分类与耳部感染诊断中多报告较高准确率，但研究间异质性大、方法学缺陷普遍、外部验证缺乏，证据档位B，尚不足以下结论认为其已具备可靠临床适用性。
• 研究设计与做法：设计与做法：按范围综述框架系统检索Scopus、PubMed、Google Scholar、Embase、IEEE Xplore与SPIE Digital Library，截至2024年6月30日；纳入应用AI分析或分类鼓膜图像用于耳病诊断的研究，预设纳入排除标准，提取数据集特征、成像方式、模型、验证策略与性能指标，并定性评估证据等级、偏倚来源与方法学严谨性。
• 主要结果：主要结果：共83项研究、90项实验结果符合标准；数据集规模、图像质量、设备类型、标注规范与AI模型差异显著，多数研究基于小型私有数据集；深度学习尤其卷积神经网络报告较高分类准确率，但存在数据增强不一致、数据集不平衡及缺乏外部验证等问题；因异质性过大未行定量合并。具体准确率数值材料未报告。
• 机制或解释：机制或解释：作者未讨论算法性能差异的生物学机制，主要从数据集规模与质量、标注协议、模型选择及验证策略等方法学层面解释结果差异，并指出多学科团队与标准化流程应用较少。
• 局限与边界：局限与边界：作为范围综述未做定量合成，作者明确认为因数据与标注异质性大、方法学多样且普遍缺乏外部验证，meta分析可能产生误导；纳入研究多为单中心小样本私有数据集，结论外推受限；利益冲突材料未报告。
• 可否落地：可否落地：证据档位B，提示AI鼓膜图像分析在耳感染诊断中具有研究前景，但当前证据不足以支持临床常规应用；作者建议优先建设更大规模、多样化且标注良好的数据集，采用标准化协议并加强跨学科合作，以提升临床转化与可靠性。

🔗 打开原文

Eravci B, Eravci FC.

本文摘自《每日前沿研究简报 · 2026-11-14》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。