特征可视化浅表食管鳞状细胞癌浸润深度 预测系统的构建及验证

目的构建一个基于深度学习的窄带光成像放大内镜(magnifying endoscopywith narrow band imaging,ME-NBI)下浅表食管鳞状细胞癌(superficial esophageal squamous cell carcinoma,SESCC)特征可视化系统,并评估ME-NBI下该系统预测SESCC浸润深度的诊断效能。方法特征可视化系统由4个模型构成,模型1、2分别用于分割SESCC病灶ME-NBI图像中的上皮乳头内毛细血管袢(intrapapillarycapillaryloops,IPCL)区域和乏血管区(avasculararea,AVA),模型3用于获取SESCC病灶ME-NBI图像中的颜色主成分(principal componentofcolor,PCC),模型4根据前三个模型提取到的特征自动预测SESCC浸润深度。2016年4月至2021年10月间的2341张SESCC病灶的ME-NBI图像用来开发特征可视化系统,分成3个数据集:数据集1(1077张ME-NBI图像),用于训练和测试模型13;数据集2(1069张ME-NBI图像),利用特征组合的方式将数据量扩充20倍,获得21380张特征合成图像,然后用于训练和测试模型4;数据集3(195张ME-NBI图像),其中病变浸润深度在上皮层至黏膜下层上1/3(EP-SM1)的ME-NBI图像146张,在黏膜下层中1/3至下1/3(SM2-SM3)的ME-NBI图像49张,用于验证特征可视化系统预测SESCC浸润深度(EP-SM1/SM2-SM3)的诊断效能。为了评估特征可视化系统的优越性,将传统深度学习系统(直接使用ME-NBI图像进行训练)、单项特征模型(单项IPCL特征模型、单项AVA特征模型和单项PCC特征模型)的数据集3预测结果与特征可视化系统预测结果进行对比。为了评估特征可视化系统的临床实用性,邀请4名专家医师(内镜操作超过10年,专家医师组)和5名高年资医师(内镜操作超过5年,高年资医师组)参与人机大赛,对数据集3进行诊断,结果与特征可视化系统进行比较。结果诊断SESCC浸润深度(EP-SM1/SM2-SM3)的准确率、敏感度和特异度方面,特征可视化系统分别为83.08%(162/195)、82.88%(121/146)和83.67%(41/49),传统深度学习系统分别为60.00%(117/195)、52.05%(76/146)和83.67%(41/49),单项IPCL特征模型分别为74.87%(146/195)、75.34%(110/146)和73.47%(36/49),单项AVA特征模型分别为58.97%(115/195)、60.27%(88/146)和55.10%(27/49),单项PCC特征模型分别为71.28%(139/195)、71.23%(104/146)和71.43%(35/49),高年资医师组分别为66.67%、78.22%和32.24%,专家医师组分别为72.31%、85.96%和31.63%。特征可视化系统诊断准确率明显高于其他6组(P<0.05);特征可视化系统诊断敏感度略高于高年资医师组(x^(2)=1.59,P=0.21)和单项IPCL特征模型(x^(2)=2.51,P=0.11),略低于专家医师组(x=0.89,P=0.35),明显高于其他3组(P<0.05);特征可视化系统诊断特异度与传统深度学习系统相同(x^(2)=0.00,P=1.00),略高于单项IPCL特征模型(x^(2)=1.52,P=0.22)和单项PCC特征模型(x^(2)=2.11,P=0.15),明显高于单项AVA特征模型(x^(2)=9.42,P<0.01)、高年资医师组(x^(2)=44.71,P<0.01)和专家医师组(x^(2)=43.57,P<0.01)。结论开发出的这种基于深度学习的ME-NBI下SESCC特征可视化系统,在预测ME-NBI下SESCC浸润深度(EP-SM1/SM2-SM3)方面表现出良好的诊断效能,其诊断效能优于内镜操作超过10年的内镜医师。