通过计算机视觉挑战,评估基于深度学习的聚检测和细分方法的可通用性

科学领域:

• 医学成像医学成像
• 医疗保健中的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 大肠直肠多是癌症的前体,但由于大小,外观和位置的变化,在结肠镜检查期间检测它们是具有挑战性的.
• 目前的结肠镜监测和息肉切除是取决于操作者,导致高错过检测和不完全切除率.
• 机器学习方法已被开发用于自动化多体检测和细分,但往往缺乏对各种临床数据的概括性.

研究的目的:

• 严格测试深度学习方法的可通用性,用于自动检测和细分多.
• 在多中心数据集中评估高性能AI模型的临床适用性和实时性能.
• 确定关键挑战,并提出改善常规结肠镜检查过程中的AI强度的假设.

主要方法:

• 策划了来自六个不同的结肠镜系统的多中心,多人群数据集,并与专家胃肠科医生进行了输入.
• 组织了一个众筹的内镜计算机视觉挑战,以开发自动化多重体检测和细分方法.
• 分析了顶级AI团队的表现,重点关注准确性和实时性能指标.

主要成果:

• 对于聚合物检测和细分的高性能AI模型表明,重点是准确性,而不是实时性能.
• 该研究严格测试了这些深度学习方法在各种数据集和采集系统中的通用性.
• 分析揭示了当前人工智能模型适应常规临床结肠镜检查中遇到的变异性能力的局限性.

结论:

• 现有的自动化多体检测和细分方法需要显著改善可通用性,才能在临床上适用.
• 多中心结肠镜数据集固有的多样性需要开发更强大的AI算法.
• 未来的研究应该专注于提高人工智能模型的性能,以便在动态的临床环境中实时,可靠地检测聚.