使用白光普通内镜图像与人工智能模型和TensorFlow图表的殖民地有多的分类模型
Tsung-Hsing Chen1,2, Yu-Tzu Wang3, Chi-Huan Wu1,2
1Department of Gastroenterology and Hepatology, Linkou Medical Center, Chang Gung Memorial Hospital, Taoyuan, Taiwan.
BMC gastroenterology
|March 5, 2024
概括
这项研究使用人工智能 (AI) 和数据增强来分类结肠多. 人工智能模型准确地从内镜图像中识别出传统的腺瘤 (TA),状状腺瘤 (SSA) 和超塑性息肉 (HP).
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:
- 准确的结肠多的分类对于预防结肠直肠癌至关重要.
- 区分传统的腺瘤 (TA),状状腺瘤 (SSA) 和高塑性息肉 (HP) 可能是具有挑战性的.
- 人工智能有可能提高内镜诊断的准确性.
研究的目的:
- 开发和评估用于分类结肠多的AI模型.
- 评估数据增强在提高AI模型性能方面的有效性.
- 帮助医生区分TA,SSA和HP.
主要方法:
- 在白光和NBI下收集的内镜图像.
- 使用了一个卷积神经网络 (CNN) 模型,特别是Inception V4.
- 实施的数据增强技术用于模型培训.
- 只使用白光图像训练最终的AI模型.
主要成果:
- 人工智能分类模型为结肠多类型实现了94%的预测准确度.
- 该模型显示了98%的可区分性 (曲线下的面积).
- 最终的模型是使用白光图像和数据增强构建的.
结论:
- 开发的AI模型可以帮助医生分类结肠多.
- 该模型在区分TA,SSA和HP方面显示出高精度.
- 这种人工智能工具有可能改善识别TA和SSA等癌前病变的识别.
