一个无处不在和可互操作的深度学习模型,用于自动检测多态胃食道病变

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:

• 囊内镜 (CE) 的读取效率通常是有限的,特别是对于食道胃道 (E-G) 管道.
• 为E-G CE开发强大的AI模型是具有挑战性的,因为捕获有限.

研究的目的:

• 开发一种可互操作,无处不在的AI模型,用于使用CE检测EG通道中的多形病变.
• 通过人工智能驱动的CE来提高EG通道分析的效率和准确性.

主要方法:

• 一个卷积神经网络 (CNN) 使用59,482个EG从5个中心的774个CE程序开发.
• 使用了90%的培训数据集 (包括5倍交叉验证) 和10%的测试数据集.
• 使用灵敏度,特异性,精度和曲线下的面积 (AUC-ROC) 来评估性能.

主要成果:

• 在训练期间,CNN实现了高性能:85.0%的灵敏度,96.3%的特异性,93.6%的准确性和0.98AUC-ROC.
• 在测试中,CNN显示了92.2%的灵敏度,95.1%的特异性和94.6%的准确性.
• 开发的模型证明能够检测食道和胃的病变,总的来说准确度很好.

结论:

• 对于E-G CE的AI模型对于创建全面的泛视镜AI解决方案至关重要.
• 这种无处不在和可互操作的AI模型显示了E-G病变检测的前景.
• 需要进一步的现实世界前性研究来验证这种基于AI的CE方法的临床适用性.