手动提取的视觉特征和深度学习特征的融合模型,用于在胃潰瘍中重新出血风险分层
Peishan Zhou1,2, Wei Yang1, Qingyuan Li2
1School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China.
概括
一个新的多功能融合模型准确地预测了使用内镜图像的胃再出血风险. 这种深度学习方法的表现优于医生,为临床评估提供了宝贵的工具.
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:
- 胃潰瘍再出血是一個重大的臨床挑戰.
- 准确的风险分层对于有效的患者管理至关重要.
- 内镜成像是胃的首要诊断工具.
研究的目的:
- 开发和验证一个多特征的融合模型,以分类胃的复出血风险.
- 将手动提取的视觉特征与深度学习特征集成,以提高预测准确度.
- 为了比较模型的表现与经验丰富的医生.
主要方法:
- 使用内镜图像开发了一种多特征的融合模型.
- 颜色,边缘和纹理特征是手动提取的.
- 使用深度学习网络 (CNN) 提取了深度特征.
- 该模型整合了风险分类的手动和深度特征.
主要成果:
- 该模型在6级重出血风险分类任务中实现了74.94%的准确性,超过了医生 (59.9%的准确性).
- 在特定的森林分类中观察到高F1分数 (例如,森林Ib的90.16%).
- 该模型在3级风险分类任务中表现得更好.
结论:
- 多功能融合模型有效地提高了胃潰瘍再出血風險分級的準確性.
- 将CNN衍生深度功能与手动视觉功能集成,可以增强诊断能力.
- 该模型作为一种有效的工具,用于对再出血风险的临床评估.
