对用于早期发现食道癌的光谱成像的评估

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 食道癌 (EC) 是全球癌症死亡的主要原因之一.
• 早期发现EC,包括发育不良和状细胞癌 (SCC),对于改善患者预后至关重要.
• 传统的白光成像 (WLI) 在检测微妙的癌症病变方面存在局限性.

研究的目的:

• 为了评估超光谱成像转换方法的有效性,光谱辅助视觉增强器 (SAVE),在增强食道癌症检测.
• 为了比较SAVE与传统WLI的性能,当与各种深度学习模型一起使用时.
• 评估 SAVE 在检测食道发育不良和 SCC 的诊断性能.

主要方法:

• 五个深度学习模型 (YOLOv9,YOLOv10,YOLO-NAS,RT-DETR,Roboflow 3.0) 进行了训练和评估.
• 使用了一组标记的内镜图像的数据集,包括正常图像,形图像和SCC图像.
• 将SAVE的性能与用于病变检测的常规WLI进行了比较.

主要成果:

• 在所有五种深度学习模型中,SAVE在食道癌病变检测方面始终优于WLI.
• 对于使用YOLOv9检测SCC,F1得分从84.3% (WLI) 提高到90.4% (SAVE).
• 使用YOLOv9的形检测精度从72.4% (WLI) 增加到76.5% (SAVE),F1得分显示SCC和形检测的统计学上显著改善.

结论:

• 将SAVE与深度学习算法的集成显著提高了食道癌病变的检测能力,特别是SCC和发育不良.
• SAVE证明了其作为一种有价值的临床工具的潜力,可以改善食道癌的早期检测和诊断.
• 通过SAVE增强的高光谱成像在内镜瘤学中比传统的WLI提供了有前途的进步.