深度学习和囊内镜:自动多品牌和多设备全内镜检测血管病变

科学领域:

• 胃肠病学 胃肠病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 囊内镜 (CE) 是标准内镜程序后评估中部胃肠道出血的主要工具.
• 在小肠中检测血管病变,如血管或静脉,对于诊断出血源至关重要.
• 现有的CE分析严重依赖于手动解释,这可能耗时且容易变化.

研究的目的:

• 开发和验证基于卷积神经网络 (CNN) 的人工智能 (AI) 模型,用于在囊内镜检查期间自动检测血管病变.
• 评估模型在多种CE设备类型中的性能,解决技术互操作性.
• 建立人工智能驱动的全内镜血管损伤识别的概念验证.

主要方法:

• 一项多中心研究使用了1022个囊内镜检查,包括来自七种CE设备类型的34,655个.
• 通过三重验证确定了11,091个框架的子集,通过三重验证确定了血管病变 (血管动脉瘤或静脉瘤),用于模型培训和评估.
• 在不同患者数据集上训练并验证了CNN模型,通过灵敏度,特异性,准确性,PPV,NPV和AUC-PR来衡量性能.

主要成果:

• 该CNN模型实现了高诊断性能:灵敏度为86.4%,特异性为98.3%,PPV为95.2%,NPV为95.0%.
• 总体准确率为95.0%,精度回忆曲线 (AUC-PR) 下的面积为0.96.
• 该模型展示了快速处理能力,每秒分析115,并在不同的CE设备品牌中显示一致的性能.

结论:

• 本研究介绍了第一个AI深度学习模型,用于在囊内镜中自动泛内镜检测血管病变.
• 该模型在多个CE设备上的强大性能突显了其在技术互操作性和广泛临床采用方面的潜力.
• 这种人工智能工具在通过囊内镜检测到的胃肠道血管病变的有效和准确诊断方面提供了有希望的进步.