人工智能和泛内镜-在多品牌设备辅助肠镜中自动检测临床相关的病变
Francisco Mendes1,2, Miguel Mascarenhas1,2,3, Tiago Ribeiro1,2,3
1Alameda Professor Hernâni Monteiro, Department of Gastroenterology, São João University Hospital, 4200-427 Porto, Portugal.
Cancers
|January 11, 2024
概括
使用卷积神经网络 (CNN) 的新人工智能模型可以在设备辅助肠镜 (DAE) 过程中高精度地检测病变. 这种人工智能工具在改善胃肠道评估中的诊断产量方面表现有前途.
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:
- 设备辅助肠镜 (DAE) 可以进行全面的胃肠道评估,但往往具有低于最佳的诊断产量.
- 卷积神经网络 (CNN) 是用于图像分析的先进AI模型,但它们在DAE中的应用仍未得到充分研究.
研究的目的:
- 开发和评估一种多设备CNN,用于在DAE泛内镜检测临床相关的病变.
- 评估CNN在提高DAE的诊断能力方面的表现.
主要方法:
- 在单气球,双气球和机动螺旋肠镜装置中对338个DAE检查进行了回顾性分析.
- 在36599张图像上训练CNN模型的开发,并在4066张图像上进行测试.
- 将CNN输出与专家共识分类进行比较,评估灵敏度,特异性,PPV,NPV,准确性和AUC-PR.
主要成果:
- 开发的CNN实现了高性能指标:88.9%的灵敏度,98.9%的特异性,95.8%的PPV,97.1%的NPV和96.8%的准确性.
- 该模型显示了0.97.7的精度回忆曲线 (AUC-PR) 下的强面积.
- 这代表了第一个用于DAE泛内镜中病变检测的多设备CNN.
结论:
- 一种新型的多设备CNN在DAE泛内镜检查过程中有效地检测出临床相关的病变.
- 开发准确的深度学习模型对于提高DAE的诊断产量至关重要.
- 这种人工智能方法在改善胃肠病学患者诊断和管理方面具有重大潜力.
