将自动深度学习程序应用于诊断分类模型:区分10毫米或更小的结直肠息肉中的高风险腺瘤

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:

• 结肠直肠癌查依赖于精确的聚风险分层.
• 区分低风险和高风险腺瘤对于患者管理至关重要.
• 标准白光内镜需要熟练的解释来评估多风险.

研究的目的:

• 开发和评估使用自动化深度学习 (DL) 的计算机辅助诊断 (CADx) 模型.
• 将大肠直肠息肉≤10mm分为低风险和高风险类别.
• 将DL模型的诊断性能与专家内镜师和实习生进行比较.

主要方法:

• 一个深度学习 (DL) 软件 (Neuro-T v3.2.1) 被用于自动化分析.
• 结直肠腺瘤静态图像 (≤10mm) 用于模型训练和验证.
• 高危腺瘤被定义为高度发育不良或状组织学.

主要成果:

• 在外部验证数据集上,DL模型实现了93.8%的准确性,81.0%的精度,85.7%的回忆率和83.3%的F1得分.
• 该模型在接收器操作特征曲线下的面积为高风险腺瘤的0.910和低风险腺瘤的0.914.
• 专家内镜师达到95.1%的准确率,而学员达到79.7%的准确率.

结论:

• 基于DL的自动CADx模型显示了对大肠直肠多瘤风险分层的高诊断性能≤10mm.
• 该模型的性能与专家内镜师的性能相当.
• 在区分腺瘤风险方面,DL模型明显优于实习生.