人工智能用于使用数字胆管透镜自动诊断和恶性胆管狭窄的形形态特征
Miguel Mascarenhas1,2,3,4, Maria João Almeida5,6, Mariano González-Haba7
1Department of Gastroenterology, Precision Medicine Unit, São João University Hospital, Porto, Portugal. miguelmascarenhassaraiva@gmail.com.
Scientific reports
|February 14, 2025
概括
使用卷积神经网络 (CNN) 的人工智能 (AI) 可以从数字单操作器胆管透镜 (D-SOC) 图像中准确检测恶性胆管狭窄. 这种人工智能工具对改善胆道癌症的诊断显得有前途.
科学领域:
- 胃肠病学和肝病学 胃肠学和肝病学
- 医学成像和人工智能 医学成像和人工智能
- 在瘤学瘤学.
背景情况:
- 诊断胆道狭窄 (BS) 是具有挑战性的,通常需要侵入性手术.
- 数字单操作器胆血管镜 (D-SOC) 提供了用于BS特征的视觉数据.
- 人工智能 (AI) 为医疗图像的自动化分析提供了潜力.
研究的目的:
- 通过D-SOC图像验证一个卷积神经网络 (CNN) 模型,用于检测和表征恶性胆道狭窄.
- 评估AI在区分恶性和良性胆道狭窄的性能.
- 为胆道疾病人工智能研究提供多样化,多中心的数据集.
主要方法:
- 从164名患者的96,020张D-SOC图像的多中心数据集被追溯分析.
- 一个CNN模型对90%的数据进行了训练,对10%的数据进行了验证,重点关注瘤血管,乳头投射,结节和质量等特征.
- 使用包括精度,灵敏度,特异性,正预测值 (PPV),负预测值 (NPV) 和接收器运行特征曲线 (AUROC) 下的面积在内的指标来评估性能.
主要成果:
- 该CNN模型实现了高诊断性能:92.9%的准确性,91.7%的灵敏性,94.4%的特异性,95.1%的PPV,93.1%的NPV和AUROC为0.95.95.
- 具体形态特征的准确性各不相同:乳头突出 (90.8%),结节 (93.6%),质量 (93.2%),和瘤血管 (78.1%).
- 该研究分析了一大数据集,包括50,427张恶性狭窄图像和45,593张良性发现.
结论:
- 人工智能驱动的CNN模型显示出显著的潜力,可以提高疑似恶性胆道狭窄的诊断准确性.
- 开发的AI工具可以有效地分析D-SOC图像,用于自动检测和表征胆道恶性瘤.
- 这种多中心验证支持人工智能的更广泛应用,用于诊断具有挑战性的胆道疾病.
