多模式人工智能用于亚皮质病变分类和表征:多中心比较研究 (带视频)

科学领域:

• 胃肠病学 胃肠病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 胃肠子皮下病变 (SELs) 带来了诊断挑战,特别是区分恶性和良性类型.
• 对SEL的错误诊断可能导致不适当的干预或延迟治疗.
• 准确的SEL表征对于有效的患者管理至关重要.

研究的目的:

• 开发和评估ECMAI-WME,一个平行融合深度学习模型,集成白光内镜 (WLE) 和微探头内镜超声波 (EUS).
• 改善胃肠道亚皮质病变的分类和特征.
• 提高诊断准确度,并支持SEL管理中的临床决策.

主要方法:

• 使用来自四家医院的523个SEL的数据开发了串行和并行融合AI模型.
• 指定了性能优越的模型为ECMAI-WME (平行融合模型).
• 在外部 (n=88) 和多中心 (n=274) 队列上验证了ECMAI-WME,将其性能与内镜师进行比较.

主要成果:

• 在诊断准确性 (96.35% vs. 63.87-86.13%) 和治疗决策准确性 (96.35% vs. 78.47-86.13%) 中,ECMAI-WME显著超过了内镜师.
• 在多类SEL分类和表征方面取得了高精度 (94.81%的平均精度).
• 在验证队列和子组分析中展示了强大的性能和通用性.

结论:

• 该ECMAI-WME模型显示出优异的诊断性能和多类SEL分类和表征的稳定性.
• 支持实时部署的潜力,以提高诊断一致性.
• 有助于指导胃肠道亚皮质病变的临床决策.