构建和验证视力转换器为缩性胃炎的辅助检测模型:一个回顾性研究.
Hu Chen1, Shiyu Liu1, Yanzi Miao2
1Department of Gastroenterology, Xuzhou Municipal Hospital affiliated with Xuzhou Medical University (Xuzhou First People's Hospital), Xuzhou, Jiangsu, China.
Science progress
|September 23, 2025
概括
视力变压器模型可以准确地检测慢性缩性胃炎 (CAG) 和其病变. 这些人工智能工具帮助内镜医生,提高CAG和胃解剖结构的诊断准确度.
科学领域:
- 人工智能在医学中的应用
- 胃肠病学 胃肠病学
- 医学成像分析 医学成像分析
背景情况:
- 慢性缩性胃炎 (CAG) 诊断依赖于内镜,病变检测在内镜师之间有所不同.
- 精确识别和定位缩性病变对于有效的CAG管理至关重要.
- 视力转换器模型有可能提高内镜手术的诊断准确性.
研究的目的:
- 训练和验证基于视力变压器的模型,用于检测和定位慢性缩性胃炎 (CAG) 中的缩性病变.
- 帮助内镜医生提高CAG诊断的准确性和一致性.
- 使用人工智能识别胃内的CAG和特定的缩区域.
主要方法:
- 胃镜图像的回顾性收集 (2019年6月 - 2023年3月).
- 使用Labelme软件将图像手动分类和注释为CAG和慢性非缩性胃炎 (CNAG).
- 在注释图像上训练Swin变压器和SSFormer模型,以检测解剖结构,CAG和缩病变.
主要成果:
- 斯温变压器在识别胃部解剖结构方面实现了0.98准确度.
- 斯温变压器在CAG与CNAG检测方面表现出0.91的准确性,0.95的特异性和0.86的灵敏性,表现优于初级内镜师 (p < .05).
- SSFormer模型显示病变细分重叠超过0.90,相当于高级内镜医生.
结论:
- 视力变压器模型可以有效地识别CAG,胃内结构和缩程度.
- 这些人工智能模型在提高CAG诊断的准确性方面表现有前途.
- 开发的模型可以作为有价值的工具来支持临床实践中的内镜医生.


