人工智能推进数字病理学用于聚焦内分显微镜 胰腺囊的诊断
Ahmed Abdelbaki1, Ziwei Li2, Tai-Yu Pan2
1Division of Gastroenterology, Hepatology, and Nutrition, The Ohio State University Wexner Medical Center, Columbus, Ohio.
Techniques and innovations in gastrointestinal endoscopy
|November 28, 2025
概括
优化的人工智能模型现在可以快速识别内镜超声波导向针式共聚焦激光内显微镜 (nCLE) 视频中的关键结构,用于导管内皮质粘膜瘤 (IPMNs). 这种AI显著减少了审查时间,并提高了IPMN的诊断准确性.
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:
- 基于内镜超声波指导的针式共聚焦激光内显微镜 (nCLE) 对于诊断和评估导管内 papillary 粘膜性瘤 (IPMN) 是至关重要的.
- 目前的nCLE图像审查是耗时的,并且受观察者之间的变化影响,限制了其临床应用.
- 人工智能 (AI) 的优化是必要的,以提高nCLE图像分析的效率和准确性.
研究的目的:
- 优化AI模型以准确检测IPMN的nCLE图像中的诊断结构.
- 为了应对耗时的图像审查和nCLE分析中的观察者间变异性的挑战.
- 提高nCLE在IPMN诊断和风险分层方面的临床实用性.
主要方法:
- 使用66例IPMN病例 (2015-2023) 的标记内微镜图像开发和测试四种AI模型 (分类和细分).
- 使用诸如曲线下的面积 (AUC),灵敏度,特异性和精度等指标进行性能评估.
- 对二进制 (乳头与其他) 和三进制 (乳头,血管,非结构) 结果的AI模型性能进行比较.
主要成果:
- DINOv2-ViT-G分类模型在二元结果检测 (AUC:0.942,准确率:89.3%) 和三元结果检测 (灵敏度:81.7%的乳头,82.0%的血管性,80.5%的非结构性) 中取得了最高的性能.
- 人工智能模型的优化使nCLE视频的审查时间减少了70% (每个案例为4.27分钟),突出了高收益细分.
- 人工智能模型有效地区分了IPMN视频中的信息 (毛囊,血管) 和非信息部分.
结论:
- 优化的AI模型显著提高了nCLE用于IPMN诊断的临床实用性.
- 由人工智能驱动的结构识别确保了一致,准确的解释,并减少了手动审查的努力.
- 这些进步为未来完全自主的人工智能系统铺平了道路.
