基于多模式卷积神经网络的算法,用于实时检测和区分胆管狭窄的恶性和炎症胆管狭窄在胆管镜:一个概念验证研究 (带视频)

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:

• 深度学习在数字单操作器胆管透视 (dSOC) 中对胆道癌症检测有希望.
• 现有的仅图像模型在诊断胆道狭窄时存在局限性.
• 综合临床元数据的多模式方法可以增强诊断能力.

研究的目的:

• 开发一种多式卷积神经网络 (CNN),用于检测 (CADe) 和诊断 (CADx) 胆道癌症.
• 使用dSOC视频区分恶性,炎症和正常胆道组织.
• 将临床元数据集成到CNN中,以提高诊断性能.

主要方法:

• 一个基于CNN的实时算法被开发并使用dSOC视频和111名患者 (15,158) 的图像进行验证.
• 建立了仅图像和元数据集成的模型.
• 基于和基于案例的预测在视频序列上得到验证,使用类激活地图可视化模型嵌入.

主要成果:

• 该CADx方法实现了每AUC为0.871,灵敏度为0.809和特异性为0.773.
• 该模型显示,恶性瘤的负预测值为0.946.
• 基于病例的诊断正确地确定了8个恶性病例中的6个和所有12个良性病例.

结论:

• 开发的CNN算法在dSOC视频中有效地区分恶性和炎症性胆道病变.
• 基于CNN的系统显示了胆道癌症中CADe和CADx的潜力.
• 整合非图像数据,如临床元数据,提高了CNN在胆道狭窄评估中的性能.