深度学习模型的诊断性能,用于在窄带图像中检测胃肠道代谢

科学领域:

• 胃肠病学 胃肠病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 胃肠代谢 (GIM) 是胃癌发生前的癌症.
• 临床医生在内镜检查期间对GIM进行准确的光学诊断是具有挑战性的.
• 深度神经网络 (DNN) 正在成为GIM诊断的辅助工具.

研究的目的:

• 为了比较评估预先训练的DNN架构用于GIM检测.
• 评估DNN在GIM和非GIM窄带成像 (NBI) 的新数据集上的性能.
• 在诊断GIM时识别当前DNN的潜在局限性.

主要方法:

• 对几个预训练的DNN架构进行了比较研究.
• 使用了NBI静态框架的新数据集,包括GIM和非GIM案例.
• 使用交叉验证来评估折叠间的可变性.
• 一个临时分析探讨了不同规模的性能.

主要成果:

• 被调查的DNN在诊断GIM时表现出强的平均性能.
• 在交叉验证过程中观察到显著的跨折叠变异性.
• 基线DNN架构在不同尺度上显示了潜在的性能差异.

结论:

• 在内镜检查期间,DNN为改善GIM检测和定位提供了宝贵的帮助.
• 需要进行进一步的研究,以解决GIM诊断的DNN中的可变性和规模依赖性性能问题.
• 增强的诊断能力可以显著影响胃癌管理政策.