通过内镜超声波,区分胃肠道流体瘤与上部消化道瘤,使用卷积神经网络模型

科学领域:

• 胃肠病学 胃肠病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 胃肠道 stromal 瘤 (GISTs) 和 leiomyomas 是常见的上部消化道下粘膜瘤.
• 准确的诊断对于GIST和瘤治疗和预后至关重要.
• 内镜超声波 (EUS) 的诊断准确性受到内镜师的专业知识的限制.

研究的目的:

• 开发和评估一个卷积神经网络 (CNN) 模型,使用EUS图像来区分GISTs和leiomyomas.
• 与人类内镜医生相比,评估CNN模型的诊断性能.

主要方法:

• 基于谷歌LeNet架构的CNN模型被训练在411个EUS图像上.
• 一组单独的103张EUS图像用于测试CNN模型的性能.
• 对CNN模型的诊断准确性与内镜医生的诊断准确性进行了比较.

主要成果:

• 美国有线电视新闻 (CNN) 模型实现了高诊断准确率:95.15%整体.
• 瘤识别的灵敏度和特异性分别为95.92%和94.44%.
• 对于GIST识别的灵敏度和特异性分别为94.44%和95.92%,表现出与熟练内镜师可比的性能.

结论:

• 通过EUS,CNN模型在识别GIST和白细胞瘤方面表现出强的性能.
• 这种人工智能工具在支持经验较少的内镜医生和减少诊断变异方面表现有前途.
• 在CNN模型可以帮助提高诊断准确性下膜上部消化道瘤.