通过使用基于深度学习的方法和验证,在胃瘤中增强多类病理病变检测
Byeong Soo Kim1, Bokyung Kim2, Minwoo Cho3
1Interdisciplinary Program in Bioengineering, Graduate School, Seoul National University, Seoul, 08826, Korea.
Scientific reports
|May 21, 2024
概括
一个新的AI模型准确地检测和分类胃病变,区分恶性,前恶性和良性疾病. 这种先进的系统还可以估计胃癌的T-阶段,提高诊断能力.
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:
- 胃病变的诊断依赖于内镜检查,但准确的分类可能具有挑战性.
- 早期准确检测胃癌和癌前病变对于患者的治疗结果至关重要.
研究的目的:
- 开发和评估一种新的卷积神经网络 (CNN) 模型,用于检测和分类胃病变.
- 评估模型区分恶性,前恶性和良性胃病的能力.
- 评估模型在估计胃癌T期的表现.
主要方法:
- 使用了来自2606名患者的10,181张白光内镜图像的数据集.
- 一个CNN模型被训练来检测和分类病变成六类:早期胃癌 (EGC),晚期胃癌 (AGC),胃,良性胃 (BGU),良性多,和良性侵蚀.
- 用各种指标评估模型性能,包括准确性,灵敏度,特异性,PPV和NPV,用于不同分类任务和T阶段估计.
主要成果:
- 该模型在每位患者的基础上实现了高病变检测率95.22%.
- 对于六个类别的分类,准确率为73.43%,灵敏度为80.90%,净净值为88.53%.
- 该T阶段估计模型的准确度为85.17%,灵敏度为88.68%,现值为82.18%.
结论:
- 开发的CNN模型显示了用于准确检测和分类各种胃病变的巨大潜力.
- 该模型估计胃癌T阶段的能力为临床决策提供了有价值的信息.
- 这种人工智能驱动的方法可以帮助内镜医生改善胃病理的诊断.
