基于IPCL和AVA模式的可解释的半监督模型来预测食道状细胞癌的入侵深度

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 胃肠道学和瘤学

背景情况:

• 精确评估食道状细胞癌 (ESCC) 侵袭深度对于治疗规划至关重要.
• 目前的分类系统,如日本内镜学会的IPCL/AVA模式,需要广泛的内镜师培训.
• 有限的标记内镜图像阻碍了传统的监督学习方法.

研究的目的:

• 开发可解释的半监督人工智能模型,以基于血管内皮质细胞层 (IPCL) 和血管外区域 (AVA) 模式来预测ESCC入侵深度.
• 与传统方法和人类内镜医生相比,提高诊断透明度和性能.

主要方法:

• 利用半监督学习框架与自我监督的对比学习 (n=2,175) 和微调 (n=468) 在放大窄带成像内镜图像上.
• 将可解释的AI模型 (例如,Xception-backboned) 与传统的黑盒模型和人类内镜师进行三向分类任务进行比较.
• 采用像Grad-CAM这样的可视化技术,特征重要性,以及t-SNE用于模型可解释性.

主要成果:

• 一个基于Xception的可解释模型的准确度为0.817,比初级内镜医生 (0.733) 更高,但比高级内镜医生 (0.883) 略低.
• 人工智能辅助显著改善了内镜师的表现 (初级:0.833,高级:0.917).
• 可解释的半监督框架显示了比传统的监督学习更好的透明度和性能.

结论:

• 可解释的半监督人工智能模型为准确和透明的ESCC入侵深度预测提供了有希望的方法.
• 这些人工智能工具可以增强内镜师的能力,从而提高诊断准确度.
• 该框架解决了有限的标记数据的挑战,以及在医学诊断中需要可解释的AI的需求.