深度学习技术辅助诊断结直肠息肉的临床分析

背景:基于深度学习技术的计算机辅助诊断已成为胃肠病学领域的研究热点,计算机辅助诊断结直肠息肉已引起越来越多的关注。目的:验证一个自动识别结直肠息肉的深度学习模型,分析该模型对新手内镜医师的辅助学习功能。方法:回顾性收集2019年1月—2020年1月青岛市市立医院东院内镜中心数据库中的结肠镜图像共1200张,其中结直肠息肉图像600张,正常结肠图像600张。以深度学习技术模型对1200张内镜图像进行验证,并比较该模型与5名新手内镜医师诊断结直肠息肉的敏感性、特异性、准确率、时间。结果:深度学习模型诊断结直肠息肉的敏感性为93.2%,特异性为98.7%,准确率为95.9%,每张图像的诊断时间为(0.20±0.03)s,模型的敏感性、准确率、诊断时间优于5名新手内镜医师,特异性优于部分新手内镜医师。当息肉≤5 mm或6~9 mm时,模型的准确率分别为88.1%、96.8%,优于5名新手内镜医师;当息肉≥10 mm时,模型的准确率为100%,与5名新手内镜医师无明显差异。模型识别隆起型息肉的准确率为94.8%,优于部分新手内镜医师;模型识别扁平型息肉的准确率为91.7%,优于5名新手内镜医师。扁平型息肉未能识别(38.8%)、黏膜皱襞处息肉(32.7%)、误认黏膜皱襞为息肉(12.2%)为模型假阴性或假阳性的主要原因。结论:深度学习模型对结直肠息肉的辅助诊断有较高的准确率、敏感性、特异性,且诊断时间较短,可辅助新手内镜医师识别小息肉和扁平型息肉。

深度学习技术在胃肠镜诊断中应用研究进展

深度学习(DL)为目前主流的人工智能图像识别方法,在医疗领域受到越来越多关注。DL技术通过对海量训练数据中的原始特征进行表征分析,构建多隐层的机器学习模型,模拟脑神经元活动,最后计算机输出单一的诊断结果。本文结合国内外研究成果,介绍DL在Barrett食管、食管癌、幽门螺旋杆菌感染、胃癌、结肠息肉等方面的应用,以及DL在胃肠镜诊断中存在的不足及未来发展前景。

前列腺癌放射性粒子植入后并发溃疡性结肠炎1例并文献复习

回顾分析我院1例前列腺癌(prostatic cancer, PC)放射性粒子(125I)植入后并发溃疡性结肠炎(ulcerative colitis, UC)患者的临床资料,加强对PC放射性粒子植入后便血的理解与认识。PC放射性粒子植入术后出现腹泻、便血时,我们应该意识到除了放射性结肠炎,还有UC的可能,应行结肠镜检查,早诊断,早治疗。

高效课堂视角下小学数学自主学习作业的设计及应用探讨

小学数学教学中教师对于作业的设计与应用越发重视,新课改阶段性成果的取得在一定程度上完善了教师对于作业设计与应用的认识。高效课堂视角下小学数学教学需要进行较大程度的转变,如何将不必要环节剔除在常规课堂教学之外也需要教师进行更多思考。诸多教学实践表明,高效课堂视角下自主学习作业的设计与应用可以促进小学数学教学更好开展,本文也将对自主学习作业设计及其在小学数学教学中的应用进行具体研究。