在囊镜检查期间利用实时智能膀瘤检测的深度学习:一种诊断研究

科学领域:

• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的膀病变检测对于早期癌症诊断和监测至关重要.
• 传统的囊镜视觉检查在检测率方面存在局限性.
• 深度学习有可能提高诊断准确度.

研究的目的:

• 评估HRNetV2深度学习模型用于智能膀病变检测.
• 为了评估模型在不同图像分辨率的性能.
• 确定AI在膀病变识别中的临床实用性.

主要方法:

• 利用HRNetV2语义细分模型对94名患者的102个白光囊镜视频进行了分析.
• 在33657个中手动注释疑似膀病变.
• 使用高分辨率和低分辨率图像的灵敏度,精度和平均Dice (mDice) 评分来评估诊断性能.

主要成果:

• 总体测试组的灵敏度:91.6%,精度:91.3%,mDice:80.3%. 总体测试组的灵敏度:91.6%,精度:91.3%,mDice:80.3%. 总体测试组的灵敏度:91.6%,精度:91.3%,mDice:80.3%.
• 高分辨率图像实现了94.8%的灵敏度,94.4%的精度和84.7%的mDice.
• 低分辨率图像显示性能较差:灵敏度为75.6%,精度为74.8%,mDice为56.6%.

结论:

• HRNetV2 显示出出色的膀病变检测能力,特别是在高分辨率图像中.
• 该模型显示了提高膀瘤临床检测准确性的巨大潜力.
• 建议使用更大,多中心数据集进行进一步验证.