基于人工智能的白光内镜下胃瘤性病变辅助诊断系统研究

目的评估基于人工智能的上消化道内镜影像辅助诊断系统(以下简称ENDOANGEL-LD)在白光下诊断胃病变和胃瘤性病变的效能。方法使用图片测试集和视频测试集分别测试ENDOANGEL-LD的诊断能力。图片测试集来自2019年6月-2019年9月武汉大学人民医院191例患者的805张胃病变(300张胃瘤性病变、505张非瘤性病变)图片和990张正常胃对照图片;视频测试集来自2020年11月-2021年4月武汉大学人民医院存储的78例患者的83个病灶视频(38个胃瘤性病变和45个非瘤性病变)。计算ENDOANGEL-LD诊断图片测试集的准确率、灵敏度和特异度等指标。比较ENDOANGEL-LD与4名内镜专家在视频测试集中诊断胃瘤性病变的准确率、灵敏度和特异度。结果在图片测试集中, ENDOANGEL-LD诊断胃病变的准确率、灵敏度和特异度分别为93.9%(1 685/1 795)、98.0%(789/805)和90.5%(896/990);诊断胃瘤性病变的准确率、灵敏度和特异度分别为88.7%(714/805)、91.0%(273/300)和87.3%(441/505)。在视频测试集中, ENDOANGEL-LD和4名专家总体诊断胃瘤性病变的准确率分别为81.9%(68/83)和72.0%(239/332), 灵敏度分别为100.0%(38/38)和 85.5%(130/152), 特异度分别为66.7%(30/45)和 60.6%(109/180)。ENDOANGEL-LD的灵敏度优于4名专家(χ^(2)=6.220, P=0.013), 准确率(χ^(2)=3.408, P=0.065)和特异度(χ^(2)=0.569, P=0.451)与4名专家相当。结论 ENDOANGEL-LD辅助诊断系统能够准确检测出胃病变并进一步诊断出胃瘤性病变, 可在临床工作中辅助内镜医师。

人工智能超声内镜胆胰识别系统有效性的交叉试验

目的探究人工智能超声内镜(artificial intelligence-endoscopic ultrasound,AI-EUS)胆胰识别系统用于辅助识别超声内镜检查术(endoscopic ultrasonography,EUS)图像的有效性。方法从武汉大学人民医院消化内科数据库前瞻性地纳入2019年12月—2020年8月期间因怀疑有胆胰系统疾病而接受EUS检查的受试者。28例受试者的28个视频用于胰腺标准站的识别;29例受试者的29个视频用于胆管标准站的识别。8名武汉大学人民医院消化内科的新手内镜医师在有AI-EUS胆胰识别系统辅助下和无辅助下,分别阅读了57例EUS视频。比较有AI-EUS胆胰识别系统与无AI-EUS胆胰识别系统辅助时,内镜医师对EUS胰腺和胆管标准站点识别的准确率。结果无AI-EUS辅助时,新手内镜医师对胰腺标准站识别准确率为67.2%(903/1344),有AI-EUS辅助时,准确率提高至78.4%(1054/1344);胆管标准站识别准确率由无辅助时的56.4%(523/928)提高至有辅助时的73.8%(685/928)。结论AI-EUS胆胰识别系统可提高内镜医师对胆胰系统超声内镜图像识别的准确率,可在临床工作中辅助诊断。

内镜人工智能诊断辅助系统对胃局灶性病变检出的应用(含视频)

目的构建一个基于YOLO v3算法的实时人工智能诊断辅助系统,并评估其在胃镜检查中对胃局灶性病变检出的能力。方法回顾性收集武汉大学人民医院消化内镜中心2019年6—11月胃镜检查的白光内镜图像5488张(有、无胃局灶性病变的图像分别为2733张、2755张)及2020年5—6月期间92例行胃镜检查的受试者视频资料中288168个清晰胃帧用于人工智能辅助系统测试;前瞻性收集2020年7月6日—11月27日及2021年5月6日—8月2日于武汉大学人民医院消化内镜中心接受胃镜检查的3997例受检者的视频资料用于评估人工智能辅助系统在实际临床应用中的性能。当人工智能辅助系统识别到异常病灶时,以蓝色方框圈出病灶进行提示。对人工智能辅助系统识别胃局灶性病变的能力及其出现假阳性和假阴性的频率和原因进行统计分析。结果图像测试集中,人工智能辅助系统“提示病灶”的准确率、灵敏度、特异度、阳性预测值及阴性预测值分别为92.3%(5064/5488)、95.0%(2597/2733)、89.5%(2467/2755)、90.0%(2597/2885)和94.8%(2467/2603)。视频测试集中,人工智能辅助系统“提示病灶”的准确率、灵敏度、特异度、阳性预测值及阴性预测值分别为95.4%(274792/288168)、95.2%(109727/115287)、95.5%(165065/172881)、93.4%(109727/117543)和96.7%(165065/170625)。临床应用中,人工智能辅助系统对胃局灶性病变的检出率为93.0%(6830/7344)。共漏检胃局灶性病变514处,主要原因为微小糜烂灶(48.8%,251/514)、微小黄斑瘤(22.8%,117/514)和小息肉(21.4%,110/514)。平均每例上消化道内镜检查中,人工智能辅助系统的假阳性个数为2(1,4)个,主要原因为正常黏膜皱襞(50.2%,5635/11225)、气泡和黏液(35.0%,3928/11225)、胃底液体(9.1%,1021/11225)。结论在胃镜检查过程中应用人工智能辅助系统有助于胃局灶性病变的检出。

基于人工智能的自动内镜下病灶尺寸测量系统(含视频)

目的开发一个基于人工智能的自动内镜下病灶尺寸测量系统,并测试其实时测量白光内镜下病灶尺寸的能力。方法测量系统由3个模型组成:首先由模型1识别视频的连续图片中有无活检钳,有钳者标记钳叶轮廓;随后由模型2对有钳图片进行分类,分为张钳图片和未张钳图片;与此同时,模型3识别视频的连续图片中有无病灶,有病灶者标记边界;最后系统根据活检钳钳叶轮廓与病灶边界的像素对比,实时计算出病灶尺寸。数据集1由回顾性收集的武汉大学人民医院2017年1月1日—2019年11月30日4835张图片组成,用于模型的训练和验证;数据集2由前瞻性收集的武汉大学人民医院内镜中心2019年12月1日—2020年6月4日检查拍摄的图片组成,用于测试模型分割活检钳边界和病灶边界的能力;数据集3由151个模拟病灶的302张图片组成,每个模拟病灶包括活检钳倾斜角度较大(与病灶垂直线夹角45°)和倾斜角度较小(与病灶垂直线夹角10°)情况下的图片各1张,用于测试模型在活检钳不同状态下测量病灶尺寸的能力;数据集4为视频测试集,由前瞻性收集的武汉大学人民医院内镜中心2019年8月5日—2020年9月4日检查拍摄的视频组成。以内镜医师复核后结果或内镜手术病理作为金标准,观察模型1识别有无活检钳的准确率、模型2分类活检钳状态(张钳或未张钳)的准确率和模型3识别有无病灶的准确率,用交并比(intersection over union,IoU)评价模型1的活检钳钳叶分割效果和模型3的病灶分割效果,用绝对误差和相对误差评价系统的病灶尺寸测量能力。结果(1)数据集2共纳入1252张图片,有钳图片821张(其中张钳图片401张、未张钳图片420张)、无钳图片431张;包含病灶图片640张、不包含病灶图片612张。模型1判断无钳图片433张(430张准确)、有钳图片819张(818张准确),识别有无活检钳的准确率为99.68%(1248/1252),以818张模型1准确判断有钳图片的数据统计模型1的活检钳钳叶分割效果,平均IoU为0.91(95%CI:0.90~0.92)。使用模型1准确判断的818张有钳图片评价模型2的活检钳状态分类准确率,模型2判断张钳图片384张(382张准确)、未张钳图片434张(416张准确),模型2的活检钳状态分类准确率为97.56%(798/818)。模型3判断包含病灶图片654张(626张准确)、不包含病灶图片598张(584张准确),识别有无病灶的准确率为96.65%(1210/1252),以626张模型3准确判断有病灶图片的数据统计模型3的病灶分割效果,平均IoU为0.86(95%CI:0.85~0.87)。(2)数据集3中:活检钳倾斜角度较小状态下系统病灶尺寸测量的平均绝对误差为0.17 mm(95%CI:0.08~0.28 mm),平均相对误差为3.77%(95%CI:0.00%~10.85%);活检钳倾斜角度较大状态下系统病灶尺寸测量的平均绝对误差为0.17 mm(95%CI:0.09~0.26 mm),平均相对误差为4.02%(95%CI:2.90%~5.14%)。(3)数据集4共纳入59例患者的59个内镜检查视频的780张图片,系统病灶尺寸测量的平均绝对误差为0.24 mm(95%CI:0.00~0.67 mm),平均相对误差为9.74%(95%CI:0.00%~29.83%)。结论基于人工智能的自动内镜下病灶尺寸测量系统可以实现内镜下对病灶尺寸的准确测量,有望提高内镜医师对病灶尺寸估计的准确率。

胃黏膜癌前状态及癌前病变的内镜下随访策略

癌前状态或癌前病变是癌症的危险因素,对检出此异常的高危人群进行规律、高质量的内镜随访将对胃癌筛查和预防大有裨益。而不规律的随访或失访,将导致患者错过早期干预的时机,有可能导致不可挽回的结局。本文对各个国家地区针对癌前状态及癌前病变的随访策略进行汇总,并作一综述。