深度学习和胰腺损伤在内镜超声波中的自动区分:一项跨大西洋研究
Miguel Mascarenhas Saraiva1,2,3, Mariano González-Haba4, Jessica Widmer5
1Department of Gastroenterology, Precision Medicine Unit, São João University Hospital, Porto, Portugal.
Clinical and translational gastroenterology
|September 26, 2024
概括
一个新的人工智能工具,一个卷积神经网络 (CNN),可以准确地检测和区分胰腺囊性瘤 (PCN) 和胰腺固体病变 (PSL) 从内镜超声波 (EUS) 图像. 这种AI在识别正常组织,PCN和区分胰腺管道腺癌 (P-DAC) 和胰腺神经内分泌瘤 (P-NET) 中表现出高精度.
科学领域:
- 医疗成像中的人工智能
- 胃肠病学和肝病学
- 在瘤学瘤学.
背景情况:
- 内镜超声波 (EUS) 对于特征胰腺病变至关重要,包括胰腺囊性瘤 (PCN) 和胰腺固体病变 (PSL).
- 对于区分乳腺PCN (M-PCN),非乳腺PCN (NM-PCN),胰腺管腺癌 (P-DAC) 和胰腺神经内分泌瘤 (P-NET) 等病变类型,EUS的诊断准确性仍然低于最佳.
- 需要先进的工具来改善这些胰腺病理的检测和分化.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 用于检测和区分PCN (M-PCN,NM-PCN) 和PSL (P-DAC,P-NET) 使用EUS图像.
- 评估多个国际中心开发的CNN的诊断性能.
- 提供人工智能驱动的解决方案,以提高基于EUS的胰腺病变分类的准确性.
主要方法:
- 通过来自四个国际参考中心的378次EUS考试数据集进行了CNN的培训和测试.
- 数据集包括大约126,000张图像,包括正常的胰腺,M-PCN,NM-PCN,P-DAC和P-NET.
- 三元CNN将正常组织与M-PCN和NM-PCN区分开来,而二元CNN将P-DAC与P-NET区分开来,其中90/10%的训练测试分离.
主要成果:
- 在识别正常的胰腺组织 (99.1%),M-PCN (99.0%) 和NM-PCN (99.8%) 方面,CNN取得了很高的准确性.
- 该模型在区分P-DAC和P-NET时显示了94.0%的准确性.
- 绩效指标包括灵敏度,特异性,正预测值和负预测值.
结论:
- 该研究成功开发了第一个全球CNN,用于检测和区分EUS图像中的常见PCN和PSL.
- 美国有线电视新闻网的表现,在多个大陆得到验证,最大限度地减少了人口偏见.
- 建议进一步进行大规模的多中心研究,以对这种AI技术进行临床实施.
