一个基于深度学习的系统,在EUS下识别胃肠道上部下粘膜瘤的起源壁层

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 胃肠病学 胃肠病学

背景情况:

• 内镜超声波 (EUS) 对于诊断粘膜下瘤至关重要,但需要先进的技能.
• 确定SMT产生的壁画层是治疗选择的关键.
• 目前的EUS解释给医生带来了重大的技术和认知挑战.

研究的目的:

• 开发和评估一个人工智能系统,SMT Master,用于在EUS图像中自动识别SMT的原始壁画层.
• 使用深度学习模型提高SMT诊断的准确性和效率.
• 为了减少EUS的医生学习曲线和认知负载.

主要方法:

• 开发了三种深度卷积神经网络 (DCNN) 模型,用于病变细分 (DCNN1),壁画层细分 (DCNN2) 和起源壁画层分类 (DCNN3).
• 培训和验证使用来自201名患者的2721张EUS图像的大数据集,与内部和外部验证队列.
• 在人机比赛和视频剪辑上测试性能,以产生壁画层分类.

主要成果:

• 原始的壁画层分类模型 (DCNN3) 实现了84.43% (内部) 和80.68% (外部) 的准确性.
• 细分模型表现出强的表现:DCNN1 (损伤) 实现了0.956 (内部) 和0.776 (外部) 的子系数;DCNN2 (墙壁层) 实现了0.820 (内部) 和0.740 (外部).
• SMT Master系统的整体分类准确率为90.00%,相当于EUS专家医生的分类准确率.

结论:

• SMT Master系统有效地确定了EUS中SMT的原始壁画层,解决了一个关键的诊断挑战.
• 这种由人工智能驱动的工具有可能显著缓解与中小企业EUS解释相关的急剧学习曲线.
• 该系统为医生提供了宝贵的帮助,提高了诊断能力,并可能改善患者治疗策略.