开发和验证一种多模式深度学习模型,用于早期检测食道状瘤和预测入侵深度

科学领域:

• 胃肠病学和肝病学 胃肠学和肝病学
• 医学成像和诊断 医学成像和诊断
• 人工智能在医学中的应用

背景情况:

• 早期发现食道状细胞癌 (ESCC) 对于改善患者存活率至关重要.
• 已建立的诊断工具包括放大内镜 (ME) 和内镜超声波 (EUS).
• 需要先进的算法来提高ESCC早期检测和入侵深度评估的准确性.

研究的目的:

• 开发和验证用于早期ESCC诊断的多式超声波和放大内镜算法 (MUMA-EDx).
• 评估MUMA-EDx在识别早期ESCC和分类瘤入侵深度方面的性能.
• 为了比较MUMA-EDx的诊断能力与单模态方法和人类内镜师的诊断能力.

主要方法:

• 使用基于深度学习的TResNet_m分类器开发了MUMA-EDx,用于ME和EUS成像.
• 使用ME和EUS数据的特征级融合,以提高诊断性能.
• 通过对460名患者进行追溯验证和对131名患者进行前性验证,使用AUC-ROC评估性能,准确性,敏感性和特异性.

主要成果:

• 与单一模式模型相比,MUMA-EDx在追溯和前性验证中表现出更高的性能.
• 实现了高AUC值用于瘤歧视 (0.94回顾,1.00前) 和入侵深度分类 (0.95回顾,0.80前).
• MUMA-EDx的入侵深度分类性能与专家内镜师相美,超过了初学者.

结论:

• MUMA-EDx显著提高了ESCC的早期检测和入侵深度分类的准确性.
• 多式联机深度学习方法提供了与专家内镜医生可比的诊断精度.
• MUMA-EDx有可能大大提高诊断准确度,并改善ESCC管理中的患者结果.