撰文：偲忳
责编：文迪
推荐度：????
结肠镜检查可以有效地检测各种组织学亚型的结直肠息肉，包括增生性腺瘤和恶性息肉。恶性息肉，如腺瘤，应在内窥镜下切除，以防止其发展成大肠癌（CRC）。有良好的组织学特征的早期CRC和从肌层粘膜入侵到粘膜或浅表粘膜下层小于μm的癌也可以通过内窥镜切除手术进行治疗。但是，不建议对组织学特征不利的早期CRC进行内窥镜切除，例如深度超过μm的大量粘膜下浸润，应针对这些肿瘤进行手术。微小增生性息肉由于没有恶性，因此可以原位保留而无需切除，这被称为“诊断-离开”策略。由于各种各样的治疗策略，准确评估结直肠息肉的组织病理学至关重要。
近来年来引入的人工智能（AI）试图革新内窥镜领域。通过机器学习执行的多层快速图像分析和特征提取已应用于内窥镜识别和结肠直肠息肉的评估。内窥镜医师因为最初的经验，期望AI具体应用可以带来内窥镜实践的创新性转变，来克服诊断完全依赖内窥镜医师的局限性。
近日，来自韩国蔚山大学医学院的EunMiSong发表了题为‘Endoscopicdiagnosisandtreatmentplanningforcolorectalpolypsusingadeep-learningmodel’的文章，旨在开发一种计算机辅助诊断系统（CAD），以使用深度学习技术预测结直肠息肉的组织学并验证其性能。在CAD的帮助下，学员的kappa值和诊断准确性得到改善：kappa值从0.提高到0.，总体诊断准确性从63.8–71.8％提高到82.7–84.2％。
在这项研究中，研究者收集了年至年之间在Asan医疗中心内窥镜切除的结直肠息肉的NBI近焦点图像。在收集的例息肉的NBI近焦点图像中，将个用作训练数据集，将个用作测试数据集I。由于肿瘤的单个NBI近焦点图像的预测在数据密集型情况下很容易在小范围内过度拟合，研究者们采用了简单的课程学习策略。收集的NBI近焦点图像的肿瘤区域用矩形表示。然后，从每个完整图像中提取20个包含这些证据中心点的半尺寸图像块。通过此过程，从训练集中的个×尺寸的完整图像中提取了个尺寸为×的图像块。为了预训练图像补丁并使用整个图像对模型进行微调，执行了两个训练步骤，如图1所示。首先，使用个图像斑块的增强数据集作为训练数据来训练在ILSVRC数据集上进行预训练的模型。之后，使用个完整图像对其进行了微调。这种课程学习策略旨在使模型达到更好的局部最小值。
在测试数据集I的张NBI大肠息肉图像中，CAD正确分类了张图像（81.3％）。CAD正确分类了39例锯齿状息肉（SP）中的32例（82.1％），例良性常规腺瘤（BA）/粘膜或浅表黏膜下癌（MSMC）息肉中的例（84.1％）和17例深部黏膜下癌（DSMC）息肉的10例（58.8％）。CAD的kappa值为0.（95％CI，0.-0.），这表明实际和预测的组织学诊断之间基本吻合。实习内窥镜医师的科恩kappa值是0.（95％CI，0.–0.），而专业内窥镜医师科巴的kappa值为0.（95％CI，0.–0.）。因此，CAD的诊断性能总体上比受训者更好，并且可以与内窥镜专家相媲美。
在测试数据集II中，分析采集的例大肠息肉的实时NBI图像的CAD诊断性能，该CAD的kappa值也显著高于见习内窥镜医师（0.vs.0.），而与内窥镜专家相当或稍逊一筹（0.vs.0.）。如图2所示。
在这项研究中，无论息肉大小，位置和形态如何，基于NBI近焦点图像的CAD都具有良好的诊断准确性，80％–90％。CAD的ROC曲线下面积为0.86-0.95，这意味着良好至出色的可预测性。与受训者相比，CAD的表现更好，与专家的表现相比则略逊一筹。此外，CAD协助极大地提高了学员的诊断性能。这些发现表明，AICAD系统可帮助没有经验的内窥镜医师正确预测结直肠息肉的组织病理学，并使内窥镜专家对组织学评估更具信心。
参考文献
1.Song,E.M.,Park,B.,Ha,C.etal.Endoscopicdiagnosisandtreatmentplanningforcolorectalpolypsusingadeep-learningmodel.SciRep10,30()
治疗白癜风的中药北京中科白癜风医院爱心传递
转载请注明：http://www.pindaod.com/drby/4681.html
当前位置： 大肠息肉的症状 > 大肠息肉病因 > 深度学习模型助力大肠息肉的内窥镜诊断
