通过主动学习,有效地以人工智能为基础对具有希尔分类的胃食道进行评估

科学领域:

• 医疗人工智能 医疗人工智能
• 内镜成像分析分析
• 胃肠病学 胃肠病学

背景情况:

• 通过希尔分类对胃食道的标准化评估对于胃食道逆流病的临床决定至关重要.
• 希尔分类与缺口 (HH) 相关,这是一个频繁的内镜检查结果.
• 需要有效的AI培训来分析内镜图像.

研究的目的:

• 开发和评估使用主动学习 (AL) 的新型,高效的医疗人工智能 (AI) 培训管道.
• 训练一个人工智能模型来预测希尔分类,并从胃镜图像中检测缺口.
• 将AL训练模型的性能与传统训练模型进行比较.

主要方法:

• 使用了21,970张胃镜图像的数据集进行训练.
• 实施了积极学习 (AL) 策略来训练AI模型.
• 在外部,专家注释的图像集合上评估模型性能.

主要成果:

• 在希尔分类中,AL模型获得了76%的准确性,与在125%更多数据上训练的传统模型 (77%) 相比.
• 与传统模型相比,AL模型在罕见的Hill等级 (3和4) 中表现出更高的精度.
• 在间歇性检测中,AL模型实现了94%的准确性,0.72精度和0.74回忆.

结论:

• 与传统方法相比,主动学习管道为人工智能在内镜中培训提供了更有效的方法.
• 开发的AI模型显示了准确的希尔分类和内镜图像中椎检测的前景.
• 这种人工智能方法可以帮助标准化内镜评估和临床决策.