通过使用总结机器学习算法进行自动化小肠囊内镜报告:SUM UP研究

科学领域:

• 胃肠病学 胃肠病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 深度学习 (DL) 在囊内镜 (CE) 中擅长检测小肠 (SB) 血管病变,减少阅读时间.
• 鉴定病变的出血潜力 (高P2,中等P1,低P0) 对于诊断至关重要.
• 提高DL性能和自动化报告生成是关键的研究目标.

研究的目的:

• 通过使用机器学习 (ML) 分类器来描述血管异常来提高SB CE的DL性能.
• 选择最相关的图像以包含在报告中,减少手动审查时间.
• 在SB CE中提高血管病变检测和表征的诊断准确性.

主要方法:

• 训练中使用了75个SB CE视频和1,525张血管损伤图像的数据集.
• 图像分类算法进行了测试,以区分典型的血管扩张 (P2/P1) 和其他病变 (P0).
• 性能最好的算法在73个SB CE视频的独立测试集上得到了验证.

主要成果:

• 一个随机森林 (RF) 分类器在区分P2/P1和P0病变时实现了91.1%的特异性和84.2%的准确性.
• 射频方法将报告图像的数量减少了83.2%,测试组的数量减少了91.6%.
• 射频算法显示98.0%与人类报告一致,增强了描述和图像选择.

结论:

• 通过ML增强的DL方法,可以更好地表征和选择相关的SB血管异常以进行CE报告.
• 这种方法保持了诊断准确度,同时显著减少了需要审查的图像数量.
• 这些发现支持了自动化SB CE报告的潜力.