用人工智能驱动的膜瘤的层次分类:使用白光和窄带成像的深度学习方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 由于形态复杂和图像有限,AoV (Ampulla of Vater) 病变的内镜诊断具有挑战性.
• 高风险的发育不良病变存在特殊的诊断困难.

研究的目的:

• 开发一个层次的深度学习框架,以逐步分类膜病变.
• 利用白光 (WL) 和窄带成像 (NBI) 进行改进的诊断.
• 为了提高对具有挑战性的病变的诊断准确性,如高度发育不良 (HGD).

主要方法:

• 一个带有三种二元分类的层次框架:正常与异常,腺瘤与癌症,HGD与低度发育不良 (LGD).
• 在WL和NBI图像上训练的EfficientNet-B4分类器,通过基于信任的投票集成预测.
• StyleGAN2-ADA用于合成图像生成,以解决HGD和癌症分类的数据稀缺问题.

主要成果:

• 层次模型实现了高阶段特定精度:95.6% (正常与异常),94.4% (腺瘤与癌症) 和92.7% (LGD与HGD),总精度为92.2%.
• 基于信任的投票 (AUROC:0.921) 的双模成像 (WL和NBI) 优于单模方法.
• 基于生成对抗网络 (GAN) 的增强改善了对癌症 (91.7%) 和HGD (86.5%) 的敏感性,将整体准确性提高到95.1%.

结论:

• 一种分层的深度学习方法整合了双模态成像和合成数据增强,显著提高了膜病变的诊断性能.
• 这种由人工智能驱动的框架提供了一个有前途的工具,可以提高AoV病变的内镜诊断的准确性和效率.