将人工智能与先进的高光谱成像技术整合起来,以更好地分类精选的胃肠道疾病

科学领域:

• 医学成像和人工智能
• 胃肠病学和诊断技术

背景情况:

• 胃肠道 (GI) 疾病如性结肠炎,多和食道炎需要早期检测以获得更好的患者结果.
• 相比之下,传统的白光成像 (WLI) 具有局限性,阻碍了细微的粘膜和血管异常的识别.

研究的目的:

• 调查频谱辅助视觉增强器 (SAVE) 机制,以改善WLI图像和提高肠胃疾病检测的准确性.
• 开发基于深度学习的人工智能 (AI) 诊断系统,使用增强的成像技术进行早期和准确的胃肠道疾病识别.

主要方法:

• 使用 SAVE 机制将标准 WLI 图像转换为类似高光谱成像 (HSI) 的图像,从而创建具有更好的对比度的 NBI 图像.
• 使用主要成分分析 (PCA) 和多重回归分析进行增强图像的光谱标准化.
• 开发和评估深度学习模型 (InceptionV3,YOLOv8x,VGG16),使用WLI和SAVE增强图像的数据集,涵盖四个类别:性结肠炎,多,食道炎和健康组织.

主要成果:

• 在不同的深度学习架构中, SAVE 增强系统不断提高疾病分类准确性.
• InceptionV3的整体准确率达到了94%,而SAVE的F1评分从92%提高到93%.
• 通过SAVE,YOLOv8x的准确性增加了10%至89%,VGG16的准确性从85%提高到91%,F1得分显著提高.

结论:

• SAVE 机制提供了一种实用的,独立于硬件的方法来生成高光谱质量的图像,显著提高了胃肠道查的准确性.
• 整合SAVE的人工智能驱动诊断系统可以改善肠道疾病的早期和准确检测,从而改善患者的护理.
• 在临床应用中,SAVE为改善各种胃肠道疾病的诊断准确性提供了有价值的工具.