两阶段的深度学习框架用于横向扩散的瘤检测,使用自主监督学习和少数镜头分类.
Menghui Wang1, Zhanpeng Shi2, Yiwen Wang3
1Department of Gastroenterology, Shanghai General Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Digital health
|March 9, 2026
概括
这项研究引入了一个人工智能框架,用于在结肠镜图像中检测横向扩散的瘤 (LST),在有限的专家数据中达到72.4%的准确性. 该方法结合了自主监督学习和少数镜头分类,以有效识别LST.
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:
- 横向扩散的瘤 (LSTs) 是平坦的,癌前结肠直肠病变在结肠镜检查时经常错过.
- 它们的细微形态和低患病率构成了早期检测的重大挑战.
研究的目的:
- 使用结肠镜图像开发可靠的AI模型来检测LST.
- 用稀缺的注释数据克服监督学习的局限性.
主要方法:
- 一个框架,将DINO自主监督的预培训与150,168个未标记的图像和原型网络相结合,用于少数镜头的分类.
- 利用了2799个标记的训练图像,并对601个测试图像进行了评估.
主要成果:
- 获得了72.4%的整体精度,74.7%的灵敏度和70.2%的特异性.
- 展示了0.798的ROC-AUC,并以每张图像50毫秒的速度处理图像.
结论:
- 人工智能框架有效检测具有有限注释的LST,减少数据需求.
- 这种方法适用于资源有限的环境和实时结肠镜支持.