深度神经网络的比较分析用于自动化性结肠炎严重性评估

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:

• 性结肠炎 (UC) 是一种慢性炎症性肠病,需要准确的严重程度评估才能有效治疗.
• 梅奥内镜评分 (MES) 是一个关键的诊断工具,但其主观性质导致不一致.
• 深度学习为客观和标准化的UC严重性评估提供了潜力.

研究的目的:

• 为了比较深度神经网络的性能,用于UC中的自动化MES分类.
• 确定最有效的深度学习模型来对UC内镜疾病严重程度进行分级.

主要方法:

• 利用UC患者的公开可用的内镜图像.
• 评估了多个最先进的深度神经网络架构,用于自动化MES分类.
• 计算了F1得分,准确度,回忆和精度,并进行了统计分析.

主要成果:

• VGG19表现出强的表现,QWK得分为0.876和宏观平均F1得分为0.7528.
• 性能最好的模型显示出最小的性能差异,表明部署要求应指导选择.
• 深度学习模型实现了UC严重程度的自动分类.

结论:

• 最先进的深度神经网络可以有效地自动化UC严重性分类.
• 简单的网络架构实现了竞争性结果,挑战了对更好的临床结果更大的模型的需求.
• 自动化内镜评估有望为更一致的UC管理提供希望.