在NBI和nF-NBI内镜图像中用于早期胃癌边界识别的人工智能
Kaicheng Hong1,2, Changda Lei3, Xiuji Kan3
1School of Biomedical Engineering (Suzhou), Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, China.
Scandinavian journal of gastroenterology
|June 2, 2025
概括
深度学习模型在窄带成像 (NBI) 和近焦 NBI (NF-NBI) 图像中准确地检测早期胃癌 (EGC) 边界. 这些人工智能工具的诊断性能与经验丰富的内镜师相美,有助于精确的外科切除.
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:
- 准确地界定早期胃癌 (EGC) 边缘对于成功进行内镜下粘膜解剖 (ESD) 是至关重要的.
- 在内镜图像中准确检测边界是具有挑战性的,但对于完全切除瘤至关重要.
研究的目的:
- 开发和评估基于深度学习的模型来检测EGC的边界.
- 将这些人工智能模型的性能与具有不同经验水平的内镜师进行比较.
主要方法:
- 在1215个NBI和1646个NF-NBI图像上训练了三个卷积神经网络 (CNN1-CNN3).
- 创建了6个深度学习模型 (Model1-Model6),并评估了它们的细分性能.
- 模型的性能与初级,中级和高级内镜师的性能进行了比较.
主要成果:
- 在NBI图像上,Model3实现了0.9348准确度和0.8310子系数,超过初级和中级内镜师.
- 在NF-NBI图像上,Model6实现了0.9483准确度和0.8526子系数,展示了高性能.
- 两种模型都显示了超过0.97的回忆值,表明了出色的检测率.
结论:
- 深度学习模型有效地在NBI和NF-NBI图像中划分EGC的界限.
- 开发的AI模型的诊断性能与高级内镜医生的诊断性能相当.
- 这些发现表明AI有可能提高EGC检测和切除精度.
