深度学习和最少的侵入性内镜:泛内镜检测形病变

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:

• 囊内镜 (CE) 可进行胃肠道评估,但耗时且具有可变的诊断产量.
• 卷积神经网络 (CNN) 擅长图像分析,但尚未应用于囊泛内镜.

研究的目的:

• 开发和评估一种人工智能 (AI) 模型,用于在囊泛内镜中自动检测多形病变.
• 为了解决不同CE和结号CE (CCE) 设备之间的互操作性挑战.

主要方法:

• 一个人工智能模型在355110张来自8个CE/CCE设备的图像上受过训练,覆盖食道,胃,小肠和结肠.
• 数据集被分为训练和验证集,使用患者分割设计.
• 模型的性能根据灵敏度,特异性,精度,PPV,NPV和AUC进行了评估,与专家分类进行了比较.

主要成果:

• 食道CNN在形病变中获得了83.6%的准确性.
• 胃CNN的准确率达到了96.6%.
• 小肠CNN在通过出血潜力区分病变时达到97.6%的准确性.
• 结肠CNN在检测正常的粘膜,病变和血液残留方面实现了94.9%的全球准确性.

结论:

• 开发的人工智能模型是第一个能够在多个品牌中自动检测CE和CCE的形病变的模型.
• 这种人工智能工具代表了一项重大进步,可能会改变微创性囊泛内镜.
• 基于深度学习的解决方案可以克服囊内镜中的关键互操作性挑战.