一个用于检测早期巴雷特瘤的深度学习系统:一个模型开发和验证研究

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:

• 巴雷特食道带有瘤的风险,通过标准内镜检测可能具有挑战性.
• 早期发现瘤对于有效治疗和改善患者的治疗结果至关重要.

研究的目的:

• 开发,测试和基准计算机辅助检测 (CADe) 系统,用于识别巴雷特食道早期瘤.
• 评估CADe辅助对内镜师在检测巴雷特食道瘤方面的表现的影响.

主要方法:

• 开发了一个CADe系统,在ImageNet和GastroNet上进行了预训练,并在巴雷特食道图像和视频的大数据集上进行了训练.
• 该系统在独立数据集上进行了测试,并与112名内镜师和28名国际专家进行了基准测试.
• 通过比较CADe辅助和没有CADe辅助的瘤检测灵敏度和特异性来评估性能.

主要成果:

• 在CADe辅助下,内镜检测瘤的灵敏度从74%增加到88%,在图像方面从67%增加到79%,在视频方面从67%增加到79%.
• 具体性仍然很高,对图像略有增加 (89%至90%),对视频略有下降 (96%至94%).
• 与内镜医生相比,CADe系统表现出更高的性能,并且与专家评估相比不逊色.

结论:

• 计算机辅助检测 (CADe) 系统显著提高了内镜医生检测巴雷特食道中瘤的能力.
• CADe作为一个有效的辅助工具,提高了检测率,并可能导致早期诊断和治疗.
• 开发的CADe系统显示出高准确性和在巴雷特食道管理中广泛临床应用的潜力.