现实世界结肠镜视频集成,以提高人工智能聚检测性能,减少手动注释劳动力

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 胃肠病学 胃肠病学

背景情况:

• 对于结肠多检测的人工智能 (AI) 在现实应用中显示出高灵敏度但低特异性.
• 当前的人工智能模型通常仅依赖于公共数据集,限制了它们的实际性能.
• 结肠镜视频的手动注释对于专业的内镜医生来说是劳动密集的.

研究的目的:

• 开发和评估使用真实结肠镜视频的半自动注释方法,以改进AI结肠多检测.
• 通过结合真实世界的数据来提高AI模型的性能.
• 为了减少人工智能模型开发中的手动标签负担.

主要方法:

• 一个集成的AI模型在一个大数据集 (86,258个培训, 17,616个验证图像) 上进行了训练和验证.
• 两种模型进行了比较:模型1 (仅公开数据集) 和模型2 (公开数据集加上半自动注释的真实结肠镜视频).
• 半自动注释显著减少了对专家内镜师标签的需求.

主要成果:

• 采用真实世界数据的模型2显著优于模型1.
• 在35时代,Model 2实现了90.6%的灵敏度,96.0%的特异性,94.5%的准确性和89.9%的F1得分.
• 测试视频中的所有多都被Model 2检测出来,表现出增强的性能.

结论:

• 真实结肠镜视频的半自动注释显著提高了AI诊断准确度,用于检测结肠多.
• 这种方法可能会减少对专家广泛的手册注释的依赖.
• 使用多中心外部数据集进行进一步验证是必要的,以确认可通用性.