五年制和八年制医学生对教育环境知觉的对比研究

目的:对比武汉大学临床医学八年制和五年制学生对教学环境感知的差异,了解我校医学院的教育环境现状,为不同学制的医学生提供适当的教育环境。方法:随机选择武汉大学临床医学专业五年制、八年制学生,填写英国丹迪教育环境测量表(DREEM)。用SPSS软件对统计数据进行分析。结果:回收有效问卷八年制学生84份,五年制学生80份。八年制学生对教学环境感知总分(132.06分)高于五年制学生(128.98分),但无统计学差异(P=0.128)。在对学术自我知觉上,八年制学生得分(19.69分)高于五年制学生(18.48分),有统计学差异(P=0.017)。五年制、八年制学生在"教学以学生为中心"、学生对教师知觉中"教师对病人很有耐心""我对通过今年考试充满信心"及"我很少感到孤独"4项问题的得分有差异(P<0.05)。结论:武汉大学医学生对教育环境的感知整体较好。八年制与五年制学生在学术自我知觉及其他方面的个别问题上有显著差异。我校教育环境体现注重培养长学制医学生学术能力。

基于人工智能的肠道黏膜观察质量评估系统研究

目的:建立基于人工智能的全面衡量肠道黏膜观察质量的监控系统,并探索该系统评分与腺瘤检出率(adenoma detection rate,ADR)之间的关系。方法:整合黏膜暴露程度评估模型、肠道准备评估模型、退镜速度监测模型3个模型,形成肠道黏膜观察质量评估系统(MQnet)。MQnet评分(0~3分)由黏膜暴露程度评分(0~1分)、肠道准备评分(0~1分)、退镜速度评分(0~1分)相加得到。回顾性分析来自武汉大学人民医院2020年7月1日至10月15日的854例肠镜受试者的859个视频资料,计算每例次肠镜的MQnet评分。使用Spearman相关性分析,评估MQnet评分和ADR之间的关系。结果:MQnet统计的评分段为2.0~<2.1分、2.1~<2.2分、2.2~<2.3分、2.3~<2.4分、2.4~<2.5分、2.5~<2.6分6个分数段,每个分数段对应的肠镜例次数分别为50、109、150、223、191和88,每个分数段对应的ADR分别为18.0%(9/50)、21.1%(23/109)、20.7%(31/150)、22.4%(50/223)、27.7%(53/191)和28.4%(25/88)。MQnet评分与ADR之间存在显著的正相关(Spearman系数为0.943,P<0.010)。结论:MQnet评分通过三个维度反映了肠道黏膜的观察质量,其与ADR之间呈现正相关的趋势,可用于量化评估肠镜检查质量。

基于YOLO算法和ResNet深度卷积神经网络的结直肠息肉检测(含视频)

目的:构建一个基于YOLO算法和ResNet网络的自动检测结直肠息肉的深度卷积神经网络(deep convolutional neural network,DCNN)模型,并测试其功能。方法:选取武汉大学人民医院消化内镜中心数据库2018年1月—2019年3月的肠镜图像及视频并分为3个数据集(数据集1、3、4),另以公共数据集CVC-ClinicDB(由西班牙巴塞罗那医院提供的29个结肠镜检查视频中提取的612帧息肉图像组成)作为数据集2。数据集1(2018年1—11月的肠息肉图像3 700张,无息肉图像1 000张)用于DCNN模型构建、训练与验证;数据集2和数据集3(2019年1—3月的肠息肉图像320张,无息肉图像400张)用于DCNN模型在图像中的测试;数据集4(2018年12月肠镜视频15个,包含33个息肉),用于DCNN模型在视频中的测试。主要观察DCNN模型检测肠息肉的敏感度、特异度、准确率和假阳性率。结果:DCNN模型在数据集2中检测肠息肉的敏感度为93.19%(602/646);在数据集3中检测肠息肉的准确率为95.00%(684/720),敏感度为98.13%(314/320),特异度为92.50%(370/400),假阳性率为7.50%(30/400);在数据集4中检测息肉逐息肉个数的敏感度为100.00%(33/33),逐帧准确率为96.29%(133 840/138 998),逐帧敏感度为90.24%(4 066/4 506),逐帧特异度为96.49%(129 774/134 492),逐帧假阳性率为3.51%(4 718/134 492)。结论:构建的DCNN模型可用于自动检测结直肠息肉,在静止肠镜图像及肠镜视频中均具有较高的敏感度与特异度,且在视频中测试的假阳性率低,可用于帮助内镜医师检测结直肠息肉。

深度学习技术在提升结直肠息肉性质鉴别准确率中的应用

目的探讨采用深度学习技术提升内镜医师在窄带光成像(narrow band imaging, NBI)下判断结直肠息肉性质准确率的价值。方法收集武汉大学人民医院消化内镜中心结直肠息肉的NBI非放大图片并分为3个数据集, 数据集1(2018年1月—2020年10月, 1 846张非腺瘤性与2 699张腺瘤性息肉的NBI非放大图片)用来训练和验证结直肠息肉性质鉴别系统;数据集2(2018年1月—2020年10月, 210张非腺瘤性息肉和288张腺瘤性息肉的NBI非放大图片)用来比较内镜医师及该系统息肉分型的准确性, 同时比较4名消化内镜初学者在该系统的辅助下判断息肉性质的准确性是否有提升;数据集3(2020年11月—2021年1月, 141张非腺瘤性息肉和203张腺瘤性息肉的NBI非放大图片)用来前瞻性测试该系统。结果该系统在数据集2中判断结直肠息肉的准确率为90.16%(449/498), 优于内镜医师。消化内镜初学者在有该系统的辅助下, 息肉分型准确率显著提升。在前瞻性研究中, 该系统的准确率为89.53%(308/344)。结论本研究开发的基于深度学习的结直肠息肉性质鉴别系统能够显著提升内镜医师初学者的息肉分型准确率。

人工智能在消化内镜领域的发展应用及挑战

人工智能(artificial intelligence,AI),是研究使机器模拟人类的某些思维过程和行为的一门新的技术科学。深度学习是AI领域的一个重要分支,特指基于深层神经网络实现的模型或算法,是人工神经网络的最新发展趋势。随着2006年深度学习技术的提出,AI迎来发展的第三次浪潮,自动驾驶汽车的测试成功、AlphaGo击败围棋世界冠军,短短几年时间,AI逐步进入大众视野,进军医疗行业,成为研究热点。作为AI医疗应用的热点领域,消化内镜AI有望给消化内镜诊疗带来革命性的变化。我国在这轮科技竞争中与发达国家站在同一起跑线上,抓住了AI技术,就是抓住了新一轮信息技术革命的核心。AI的研究与应用,是人类利用现代科学技术向智能世界的窥探。在互联网时代的大背景下,消化内镜AI的相关研究进入了快速发展的高速轨道,整体研究成果意义非凡。