一个人工智能模型利用内镜超声波来区分小型和微型胃层瘤与胃瘤
Ruifeng Duan1, Liwei Duan1, Xin Chen1
1Department of Gastroenterology and Digestive Endoscopy Center, The Second Hospital of Jilin University, Chang Chun, Jilin, China.
BMC gastroenterology
|April 9, 2025
概括
这项研究开发了一个AI模型,使用内镜超声波 (EUS) 图像来区分胃层瘤 (GSTs) 和胃瘤 (GLs). 与人类内镜医生相比,人工智能模型在区分这些小瘤方面表现出卓越的准确性.
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:
- 胃层瘤 (GSTs) 和胃瘤 (GLs) 是常见的胃下粘膜瘤 (SMTs),具有明显的特征.
- 区分GST和GL在临床上具有挑战性,特别是在小型和微型瘤 (<1.0厘米) 中.
- 目前的人工智能模型对较大的SMT有希望,但它们对微型SMT的有效性尚未得到充分证实.
研究的目的:
- 开发和评估使用内镜超声波 (EUS) 图像的AI驱动的诊断模型.
- 为了有效地区分小和微胃层瘤 (GSTs) 和胃瘤 (GLs).
主要方法:
- 使用358张EUS图像的GST和GL数据集来训练AI模型 (DenseNet201,ResNet50,VGG19).
- 对216张EUS图像进行了验证,包括微型SMT (<1.0厘米) 和小型SMT (<2.0厘米).
- 人工智能模型的诊断性能与内镜评估和临床签名进行了比较.
主要成果:
- 基于ResNet50的EUS-AI模型实现了高诊断性能,曲线下的面积 (AUC) 值为0.938 (培训),0.832 (验证集1 - 微型中小企业) 和0.841 (验证集2 - 小型中小企业).
- 从每个瘤的多张图像中整合预测进一步提高了ResNet50模型的有效性,分别产生了0.994,0.911和0.915的AUC.
- 在诊断准确度方面,EUS-AI模型显著超过了临床签名和内镜师.
结论:
- 该EUS-AI模型,特别是使用ResNet50架构,有效地区分微型GST和GL.
- 这种人工智能工具与传统方法相比,显示出更高的诊断效率,帮助临床医生在术前分化.
- 开发的EUS-AI模型是精确诊断小型和微型胃下粘膜瘤的宝贵资产.
