边缘人工智能设备在实时内镜中用于结肠瘤的分类

科学领域:

• 医疗人工智能 医疗人工智能
• 计算病理学计算病理学
• 胃肠病学成像成像 胃肠病学成像

背景情况:

• 之前用于结直肠病变组织学的人工智能系统面临着计算限制.
• 边缘计算为医疗设备提供分散的,实时的AI处理.
• 深度学习的进步使医疗保健中的复杂图像分析成为可能.

研究的目的:

• 开发和评估深度学习模型,用于实时组织学分类结肠镜图像.
• 为了使结直肠病变直接在边缘计算硬件上进行自动分类.
• 评估模型的准确性和性能,用于实际的临床应用.

主要方法:

• 追溯收集了2418张结肠镜图像,分为培训,验证和内部测试集.
• 开发一个深度学习模型,用于四类 (先进的癌症到非新生体) 和二元 (新生体与非新生体) 的分类.
• 使用269张结肠镜图像的独立数据集进行外部验证;评估推断速度和实时性能.

主要成果:

• 内部测试在四类分类中达到83.5%的准确率,在二元分类中达到94.6%的准确率.
• 外部测试为四类分类提供了82.9%的准确性,对二进制分类提供了95.5%的准确性.
• 快速推断速度 (2-6毫秒/),在实时结肠镜检查期间没有明显的延迟.

结论:

• 基于深度学习的结肠镜图像分类系统可用于边缘计算平台上的快速实时组织学分类.
• 开发的AI模型在区分结直肠病变类型方面表现出高准确性.
• 这种方法通过将仿生学概念与技术进步相结合,提高了医疗人工智能的诊断能力.