开发基于深度学习的窄带成像内分细胞学分类,用于从回顾性研究中预测结直肠病变

科学领域:

• 胃肠病学 胃肠病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 结直肠病变的内镜诊断受益于数据驱动的方法.
• 高放大技术的内分细胞镜 (EC) 已经看到有限的AI应用,通常使用传统的机器学习.
• 现有的EC人工智能模型主要使用传统方法,如支向量机.

研究的目的:

• 开发和评估一种新的计算机辅助诊断 (CAD) 模型,用于使用窄带成像内分细胞学 (EC-NBI) 来分类结直肠病变.
• 利用大规模的语言模型原则,特别是多阶段的预培训和监督的深度聚类,以提高诊断性能.
• 将模型的准确性与最先进的监督方法和内镜师的表现进行比较.

主要方法:

• 开发一个CAD模型,利用内细胞扫描狭带成像 (EC-NBI) 数据.
• 实施由大型语言模型启发的多阶段预培训策略.
• 整合监督的深度聚类,以改善病变分类.
• 追溯的多中心队列验证和人机竞争分析.

主要成果:

• 开发的EC-NBI CAD模型在多中心的回顾性队列中,与最先进的监督方法相比,显示出更高的性能.
• 该模型在直接的人机竞赛中超过了内镜医生的诊断准确度.
• 当CAD模型被用作辅助工具时,它显著提高了内镜师的诊断性能.

结论:

• 该EC-NBI CAD模型大大提高了结直肠病变诊断的准确性和一致性.
• 这种人工智能工具为早期癌症查的未来进步提供了坚实的基础,特别是在区分表面和深部下膜入侵性癌症方面.
• 建议使用广泛的多中心数据进行进一步验证,以巩固临床效用.