相关实验视频
Updated: Jun 9, 2026

08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
评估使用开放访问数据集检测多胞体模型的临床疗效.
Gabriel Marchese Aizenman1, Pietro Salvagnini1, Andrea Cherubini1,2
1Cosmo Intelligent Medical Devices, Dublin, Ireland.
Frontiers in oncology
|August 16, 2024
概括
这项研究引入了一个强大的平台,用于开发和对比基于深度学习的聚检测系统. 新的指标和完整的程序视频改善了用于预防结直肠癌的计算机辅助检测 (CADe) 系统的现实评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 结肠直肠癌研究研究
背景情况:
- 在结肠镜检查期间准确检测多是预防结肠直肠癌 (CRC) 的关键.
- 基于深度学习的计算机辅助检测 (CADe) 系统在提高内镜师的性能方面表现有前途.
- 有效的CADe系统需要高的息肉检测率和低的假阳性率.
研究的目的:
- 开发和对结肠镜计算机辅助检测 (CADe) 系统进行基准测试,使用开放式数据集的统一平台.
- 引入与评估CADe系统的临床需求一致的新型性能指标.
- 在现实的临床条件下使用全过程视频评估CADe系统的性能.
主要方法:
- 整合了四个开放访问数据集 (340,000多张图像,380个多片) 和REAL-Colon数据集 (60个视频) 用于模型开发和基准测试.
- 雇佣YOLOv7用于培训和测试跨不同数据分割的CADe模型.
- 利用传统的对象检测指标与新指标一起,包括在早期检测时的每息肉召回和每患者的平均FP,以生成自由响应接收器操作特征 (FROC) 曲线.
主要成果:
- 证明了CADe系统开发和基准测试的开放访问平台的稳定性.
- 展示了新的指标如何根据临床标准 (例如,每位患者的FP,早期的息肉检测) 优化CADe操作参数.
- 强调,省略完整程序视频会导致不切实际的评估,并且检测小息肉是具有挑战性的.
结论:
- 新获得的开放访问数据有助于在临床相关环境中进行研究.
- 引入的指标和FROC曲线有效地说明了CADe的临床疗效.
- 开发的平台和指标有助于调整CADe超参数以提高性能.

