深度学习在内镜下内痔诊断及危险分级中的应用

目的建立内镜下内痔诊断及危险分级的深度学习模型,探讨人工智能辅助内镜下内痔诊疗的可行性。方法收集该院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组(A任务);根据LDRf分级标准,将内痔组进一步分为Rf0组、Rf1组和Rf2组(B任务)。选取基于卷积神经网络(CNN)框架的Xception、ResNet和EfficientNet,以及基于Transformer框架的ViT和ConvMixer等5个神经网络,建立针对A、B两项计算机视觉任务的深度学习模型。模型评价指标包括准确率、召回率、精确度、F1值和读片时间。将深度学习模型的读片表现与两位不同年资内镜医生进行比较。结果5种深度学习模型在A与B任务测试集中皆展现出较好的准确性。其中,最优模型为ConvMixer,准确性最高(0.961和0.911),其次为EfficientNet(0.956和0.901),均优于高年资内镜医生(0.952和0.881)和低年资内镜医生(0.913和0.832)。同时,所有深度学习模型在验证集中读片用时均<10 s,速度快于内镜医生(均>300 s)。此外,笔者采用梯度加权分类激活映射(Grad-CAM)方法突出图像中对模型判断较重要的区域。结论建立的内痔诊断及危险分级的深度学习模型,其表现优于内镜医生。基于深度学习的计算机视觉模型可辅助内镜医师进行内痔诊断和分级,展现出潜在的临床应用前景。

基于ResNet的可解释性计算机视觉模型在内镜下内痔评估中的应用

目的为克服深度学习模型黑盒不可解释的缺点,本研究旨在探讨可解释性计算机视觉模型在内镜下内痔诊断及危险分级中的应用。方法收集苏州大学附属第一医院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组;根据LDRf分级标准,对内痔组进一步分级为Rf0、Rf1及Rf2三组。针对有无内痔、红色征、糜烂、血栓及活动性出血,构建基于ResNet50V2的可解释化模型,并利用江苏大学附属金坛医院内镜中心的内镜图片进行外部验证。使用准确性、敏感性、特异性以及F1值等指标对比可解释化模型与传统深度学习黑盒模型的表现,并与两位不同年资内镜医生进行比较。结果ResNet可解释化模型的准确性为0.957、敏感性为0.978、特异性为0.974,F1值为0.958,其准确性高于黑盒模型的0.938,高年资内镜医生的0.933及低年资医生的0.907。此外,模型采用Grad-CAM方法突出图像中对模型推理依据的区域。结论本研究通过收集内镜下肛齿状线上倒镜图像,构建可解释化计算机视觉模型并进行外部验证,提示该模型在内镜下内痔诊断与评级中表现优于传统深度学习黑盒模型。该模型在未来临床内镜诊疗中具有良好应用前景。