边缘人工智能设备实时内镜用于胃瘤的分类:开发和验证研究研究
Eun Jeong Gong1,2,3, Chang Seok Bang1,2,3,4, Jae Jun Lee3,4,5
1Department of Internal Medicine, Hallym University College of Medicine, Chuncheon 24253, Republic of Korea.
Biomimetics (Basel, Switzerland)
|December 27, 2024
概括
边缘设备上的新型深度学习模型准确地从内镜图像中分类胃癌阶段. 这种人工智能工具在内部和现实世界测试中实现了高精度,有助于早期检测胃癌发生.
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:
- 以前的胃病变AI诊断算法需要大量的计算资源.
- 医疗设备中的AI已经转向去中心化边缘计算.
- 对胃癌发生的所有阶段进行分类对于早期检测和治疗至关重要.
研究的目的:
- 开发一种深度学习模型,使用边缘计算设备自动分类胃癌发生阶段.
- 评估模型在分类六种类型的胃病变中的表现:正常,缩,肠道转化,发育不良,早期胃癌和晚期胃癌.
- 在现实世界内镜手术中评估模型的准确性.
主要方法:
- 一组15910张内镜图像的数据集被追溯收集并分为培训,验证和内部测试集 (8:1:1比).
- 为内镜图像分类创建了一个深度学习模型.
- 该模型的分类准确性,精度,回忆和F1分数在内部测试数据集上进行了评估.
- 预期性能在现实世界程序中进行了评估,推断速度测量在GPU和CPU上.
主要成果:
- 该模型实现了93.8%的内部测试损伤分类准确性 (95% CI: 93.4-94.2%),精度为88.6%,回忆为88.3%,F1得分为88.4%.
- 在前性测试中,该模型的准确性为93.3% (91.5-95.1%).
- 推断速度很快 (GPU上的2-3毫秒,CPU上的5-6毫秒),专家内镜师在检查期间没有报告任何干扰或延迟.
结论:
- 成功建立了一个深度学习内镜图像分类模型,用于自动分类胃癌发生阶段.
- 该模型在边缘计算设备上部署使得内镜图像的高效实时分析成为可能.
- 这种由人工智能驱动的工具显示出提高胃癌诊断的准确性和效率的巨大潜力.
