一种基于放大内镜和窄带成像的深度学习模型,用于评估肠道转化等级和OLGIM分期:一个多中心研究

科学领域:

• 胃肠病学 胃肠病学
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 胃肠代谢成形评估 (OLGIM) 的分期对于识别患有胃癌 (GC) 高风险的患者至关重要.
• 目前用于OLGIM分期的方法可能是侵入性的和耗时的.
• 先进的成像技术,如用窄带成像 (ME-NBI) 的放大内镜,为非侵入性评估提供了潜力.

研究的目的:

• 开发和验证一个深度学习 (DL) 模型来评估OLGIM分期.
• 使用ME-NBI图像来预测OLGIM阶段而不需要活检.
• 提高对胃癌高风险个体的查效率和准确性.

主要方法:

• 分析了来自803名患者的4473张ME-NBI图像的数据集.
• 肠道转化 (IM) 区域由专家内镜学家标记.
• 快速区域卷积神经网络 (R-CNN) 模型用于IM分级和OLGIM阶段预测.

主要成果:

• 在IM分级中,DL模型实现了内部验证的曲线下的面积 (AUC) 为0.872和外部验证的0.803.
• 该模型在预测高风险OLGIM阶段时显示了84.0%的准确性.
• 模型的性能与训练有素的内镜师相美,与未经训练的初级内镜师相美.

结论:

• 开发的DL模型有效地使用ME-NBI图像预测OLGIM分期.
• 这种非侵入性方法可以帮助内镜医生识别需要进一步胃癌查的患者.
• 该模型有助于高风险人群的有效查,可能有助于提前检测GC.