机器学习模型的比较分析,用于检测结肠多胞体的图像检测与切割的多胞体

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 结肠多是常见的,并构成结肠直肠癌发展的风险.
• 早期检测和干预结肠是减少癌症发病率和死亡率的关键.
• 机器学习为改善在结肠镜检查中的结肠多检测提供了潜力.

研究的目的:

• 评估和比较三种机器学习图像分类模型在检测和分类结肠多的性能.
• 为了评估谷歌可教机器 (GTM),Roboflow3 (RF3) 和你只看一次版本8 (YOLOv8n) 的结肠多胞体识别的准确性.

主要方法:

• 利用结肠镜图像的数据集,包括正常的结肠,多体和切除的多体.
• 评估GTM,RF3和YOLOv8n使用精度,回忆和F1分数,这些分数来自混矩阵分析.
• 评估了与培训,测试或验证集不同的90张图像的外部有效性.

主要成果:

• 所有模型都成功地区分了正常的结肠,多体和切除的多体.
• 在所有类别中,GTM获得了最高的精度 (0.99),精度,回忆和F1分数都很好.
• YOLOv8n (0.84准确度) 和RF3 (0.87准确度) 可以检测和定位正常组织,息肉和切除的息肉.

结论:

• 机器学习模型,特别是GTM,显示出在结肠镜检查期间全面检测结肠多的巨大潜力.
• 由人工智能驱动的工具可以提高识别多的准确性和效率,从而有助于改善患者的治疗结果.