基于深度学习的人工智能辅助胃镜下实时识别病变及位置模型的建立

目的构建一个基于深度学习的人工智能辅助诊断模型,用于实时动态识别胃镜下的胃部病变及位置,并评估其对胃部病变检出和位置识别的能力。方法回顾性分析我院104例患者的胃镜检查视频,对视频帧进行人工标注,将已标注的病变类别图片帧按8:2的比例划分成训练集与验证集,将已标注的位置类别图片帧根据患者来源按8:2的比例划分成训练集与验证集,分别用于模型的训练及验证。病变识别部分的训练采用YoloV4模型,位置识别部分的训练采用ResNet152模型。评估辅助诊断模型对病变识别的准确率、敏感度、特异度、阳性预测值、阴性预测值,及对位置识别的准确率。结果共标注图片68351帧,其中训练集图片54872帧,包括病变类别41692帧,位置类别13180帧;验证集图片13479帧,包括病变类别10422帧,位置类别3057帧。在验证集中,病变识别模型的总体准确率为98.8%,敏感度为96.6%,特异度为99.3%,阳性预测值为96.3%,阴性预测值为99.3%;位置识别模型top5总体准确率为87.1%。结论基于深度学习的人工智能辅助诊断模型用于实时动态识别胃镜下胃部病变及位置有较好的病变检出能力和位置识别能力,临床应用前景巨大。

窄带成像—放大内镜在上消化道早期癌及癌前病变筛查中的应用

目的 评价窄带成像—放大内镜(M-NBI)在人群机会性筛查中对上消化道早期癌及癌前病变的诊断价值。方法 选取2018年8~10月在我院消化内镜中心接受上消化道内镜检查的患者作为研究对象。将使用M-NBI检查的患者纳入M-NBI组,使用白光—非放大内镜(C-WLI)检查的患者纳入C-WLI组,比较2组患者的活检率、活检阳性率和检出率等。结果 共纳入患者8 010例,其中M-NBI组7 161例,C-WLI组849例。与C-WLI组相比,M-NBI组具有更高的活检率(19.69%vs. 14.49%,P=0.000),对上消化道早期癌及癌前病变有更高的活检阳性率(12.34%vs. 5.69%,P=0.028)及检出率(2.43%vs. 0.82%,P=0.003)。结论 M-NBI在上消化道机会性筛查中具有较高的检出率及活检阳性率,表明其具有更好的筛查效率,适用于人群上消化道肿瘤的机会性筛查。