基于内镜特征和深度学习算法,快速诊断Helicobacter pylori感染状态

科学领域:

• 医疗人工智能 医疗人工智能
• 胃肠病学 胃肠病学
• 计算病理学计算病理学

背景情况:

• 精确诊断Helicobacter pylori (HP) 感染对于管理胃部疾病至关重要.
• 内镜可视化有助于评估胃粘膜,但解释可能是主观的.
• 开发针对HP感染状况的客观诊断工具是必不可少的.

研究的目的:

• 设计一个深度学习算法来分类HP感染状态.
• 为当前,以前和负HP感染构建一个三类分类模型.
• 提供客观可靠的HP感染诊断方法,使用内镜功能.

主要方法:

• 收集了3000名接受胃镜检查的患者的临床数据.
• 评估并记录了16个内镜特征.
• 开发了一种1D变压器模型,利用自我注意机制进行HP分类.
• 在模型解释性和特征重要性分析中使用了SHapley添加式解释 (SHAP).

主要成果:

• 一维变压器模型实现了高性能:98.9%的精度,98.8%的特异性,99.4%的灵敏度,98.9%的F1分数.
• 该模型在HP识别方面表现优于其他算法.
• SHAP分析确定了每个感染状态的关键内镜特征 (例如,前感染的地图红色,当前感染的扩散红色,负感染的RAC).

结论:

• 一维变压器模型提供了一种精确可靠的方法来分类HP感染状态.
• 这种人工智能驱动的方法与传统方法相比,提高了诊断的准确性.
• 该模型的可解释性为HP感染的关键内镜标记提供了洞察力.