在囊内镜检测小肠病理的深度学习系统的开发和验证:新加坡一所机构的试点研究
Bochao Jiang1, Michael Dorosan2, Justin Wen Hao Leong1
1Department of Gastroenterology and Hepatology, Changi General Hospital, Singapore.
Singapore medical journal
|March 25, 2024
概括
深度学习模型通过自动化图像质量评估和异常检测来增强囊内镜 (CE) 分析. 这些人工智能工具显示出在临床工作流程中更快,更准确的诊断的潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 囊内镜 (CE) 生成大量的图像数据,对及时和准确的解释提出了挑战.
- 深度学习 (DL) 为自动化图像分析和提高CE的诊断效率提供了潜在的解决方案.
研究的目的:
- 试点深度学习模型来评估小肠囊内镜图像质量和检测异常.
- 评估这些模型在临床环境中的性能.
主要方法:
- 开发和训练基于卷积神经网络的模型,用于肠道准备模型 (BPM) 和异常检测 (ADM).
- 使用了一个结合的数据集,包括Kvasir-Capsule数据集和本地CE数据.
- 采用交叉验证技术来评估模型性能.
主要成果:
- 最好的BPM模型实现了0.969的AUC,最好的ADM模型显示了84.03%的top-1精度.
- 模型可以快速处理图像 (200-250图像/秒),并有效识别出血等关键发现.
- 在质量评估和异常检测方面,ResNet50架构被证明是有效的.
结论:
- 试点深度学习模型显示出在囊内镜工作流程中加快诊断的巨大潜力.
- 开发的模型提供了一个决策支持系统,以帮助临床医生解释CE图像.
- 需要进一步的务实评估,以有效地将这些AI工具集成到现有的临床实践中.
