基于深度学习人工智能在结肠镜检查中应用研究

发布时间：2021-10-26 14:21

　　目的构建人工智能辅助的结肠镜质量评估算法及肠息肉形态分类算法,客观评估肠镜检查质量、息肉形态,实现结肠镜检查的规范化和统一化。方法收集复旦大学附属中山医院2018年1月至8月,共18 962张肠镜图片。其中7140张用于肠镜质量评估算法建立,11 822张用于肠息肉形态分类算法建立。把肠镜图像作为卷积神经网络（CNN）的输入,端到端训练卷积神经网络,实现肠镜图像的分类任务,从而建立算法。其中包括3个模型:（1）肠道准备质量评分（四分类）。（2）回盲瓣的识别（二分类）。（3）无蒂和有蒂息肉的分类（二分类）。结果肠镜质量评估模型对回盲瓣识别的准确率为95.27%,受试者工作特征（ROC）曲线下的面积（AUC）为0.9769,对基于波士顿评分标准四分类的图像的识别总精度为76.96%。肠息肉形态分类模型的AUC值为0.8695。结论该深度学习模型用于肠镜检查质量的评估和肠息肉形态学的分类,具有良好的特异度、敏感度和AUC值,可辅助医师对肠镜检查质量进行评价,并对肠息肉进行分类,实现规范化和统一化。 

【文章来源】：中国实用外科杂志. 2020,40(03)北大核心CSCD

【文章页数】：5 页

【部分图文】：

波士顿肠道准备量表评分标准（见参考文献[7])

经过分类的肠镜图片

有蒂息肉和无蒂息肉样本展示

【参考文献】：
期刊论文
[1]人工智能制定乳腺癌术后治疗方案与相关指南一致性研究[J]. 段明月,叶玉琴,张乐,王可人.  中国实用外科杂志. 2019(09)
[2]中国早期结直肠癌筛查及内镜诊治指南（2014年,北京）[J]. 柏愚,杨帆,马丹,邹文斌.  胃肠病学. 2015(06)
[3]Colometer:A real-time quality feedback system for screening colonoscopy[J]. Dobromir Filip,Leticia Angulo-Rodríguez,Martin P Mintchev,Shane M Devlin,Alaa Rostom,Wayne Rosen,Christopher N Andrews.  World Journal of Gastroenterology. 2012(32)



本文编号：3459661