通过磁控囊内镜进行人工智能驱动的三类Helicobacter pylori诊断:视觉语言模型的多中心验证
1Department of Gastroenterology and Hepatology, The Second Medical Center of Chinese PLA Hospital and National Clinical Research Center for Geriatric Diseases, Beijing, China.
一个新的视觉语言模型,MC-CLIP,使用囊内镜图像准确诊断Helicobacter pylori感染. 这种人工智能工具超越了人类内镜师,改善了胃癌风险评估.
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:
- 准确的Helicobacter pylori (H. pylori) 感染分类对于胃癌风险分层至关重要.
- 传统的卷积神经网络 (CNN) 方法面临由于分析碎片化和操作员可变性的局限性.
- 现有的诊断方法可能会损害H. pylori感染检测的可靠性.
研究的目的:
- 开发MC-CLIP,一种视觉语言基础模型,用于通过磁控囊内镜 (MCCE) 自动诊断H. pylori感染.
- 克服基于CNN的方法在H. pylori感染分类中的局限性.
- 提高基于MCCE的胃癌查的准确性和可靠性.
主要方法:
- 开发了MC-CLIP,这是一个视觉语言基础模型,用于使用MCCE进行三类H. pylori诊断.
- 在2,427,475个MCCE图像-文本对的大数据集上进行预训练的MC-CLIP.
- 对40695张注释的MCCE图像进行了微调MC-CLIP,并对内部和外部验证队列进行了评估.
主要成果:
- 在内部验证队伍中,MC-CLIP的准确率达到89.6%,在外部验证队伍中达到86.6%.
- 对当前 (91.4%) 和过去 (83.7%) 的H. pylori感染表现出高度敏感性,超过了高级和初级内镜师.
- 保持高特异性 (>90%) 并准确识别了根除治疗后的粘膜变化.
结论:
- MC-CLIP有效地解决了基于CNN的方法的局限性,通过整合多模式图像-文本数据进行端到端分析.
- 该模型显示了显著的潜力,以提高H. pylori诊断的准确性和可靠性,使用MCCE.
- 通过改善诊断能力,MC-CLIP可以增强胃癌查计划.
更多相关视频
04:56Detection of Helicobacter pylori Infection and Antibiotic Resistance via Stool Quantitative Polymerase Chain Reaction Analysis
Published on: May 16, 2025
03:33Rapid Detection of Fecal Antigen of Helicobacter pylori Infection Based on Double Antibody Sandwich Detection Technology
Published on: May 23, 2025
相关概念视频
Endoscopic Procedures III: Video Capsule Endoscopy
Peptic Ulcer Disease III: Clinical Manifestations and Diagnostic Studies
Few clinical manifestations differentiate gastric ulcers from duodenal ulcers. Distinctions in the location, timing, and pain relief are crucial for healthcare providers in differentiating between gastric and duodenal ulcers during clinical assessments.
Treating Helicobacter pylori in Peptic Ulcers: Antimicrobial Therapy
