基于深度学习的语义细分用于客观的结肠镜质量评估

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 结肠镜质量评估对于有效诊断至关重要.
• 传统的方法,如波士顿肠道制备量表,在客观评估方面存在局限性.
• 深度学习为结肠镜视频的自动和详细分析提供了一个潜在的解决方案.

研究的目的:

• 开发和验证基于深度学习的语义细分网络,以客观地评估结肠镜质量.
• 将人工智能驱动的评估与使用波士顿规模的专家评估进行比较.
• 引入一种量化结肠粘膜,残留物和人工物以进行全面的质量评估的方法.

主要方法:

• 数以千计的结肠镜镜像被使用基于颜色的图像分析来处理,以提取特征.
• 在注释上训练了一个语义细分神经网络,以分类肠道粘膜,残留物,文物和光线.
• 来自网络分析的像素统计数据与专家的波士顿肠道制备量表 (BBPS) 成绩相关联.

主要成果:

• 深度学习模型在结肠镜框架中准确地分类了关键区域.
• 斯皮尔曼相关性显示了AI像素得分和BBPS之间的中度到强度一致 (例如,整体像素得分为0.69,粘膜为0.63).
• 基于人工智能的评估表明与专家评估相当相容 (科恩的卡帕 = 0.28).

结论:

• 拟议的深度学习语义细分方法是客观结肠镜质量评估的有希望的工具.
• 这种人工智能方法通过量化多个图像组件,提供比波士顿规模更全面的评估.
• 人工智能模型分析粘膜,残留物和文物的能力提高了结肠镜质量评估的客观性和细节性.