人工智能在新型冠状病毒肺炎中的应用进展

新型冠状病毒(2019-nCoV)的诊断、治疗和控制是当前公共卫生领域的最重要工作之一。人工智能在新型冠状病毒肺炎疫情的防控中具有重要的作用。总结了新型冠状病毒肺炎防控的技术需求,结合人工智能的技术特点和优势,从人工智能基因测序、辅助诊断、远程专家系统、药物筛查与研制等方面,分析了当前的应用进展。人工智能在新型冠状病毒肺炎的应用还处于初步阶段,需要在数据、算法和算力共享的基础上,各方面全面展开研发。

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。

基于深度学习的幽门螺杆菌人工智能辅助诊断系统研究

目的构建一套内镜下识别幽门螺杆菌(HelicobacterPylori,HP)感染多重特征的人工智能辅助诊断系统,并评估其在真实临床病例中的表现。方法回顾性收集2020年1月-2021年3月在武汉大学人民医院消化内镜中心同时间段行13C呼气试验和胃镜检查的1033例受检者资料,13C呼气试验阳性(定义为HP感染)为病例组(485例),13℃呼气试验阴性为对照组(548例)。将提示HP阳性和HP阴性的各类黏膜特征胃镜图像,以及以案例为单位的HP阳性和HP阴性病例胃镜图像以8:1:1的比例随机分配到训练集、验证集和测试集,基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory network,LSTM)开发一套识别HP感染的人工智能辅助诊断系统,其中,CNN可识别并提取每例患者内镜图像中的黏膜特征,生成特征向量,然后LSTM接收特征向量,综合判断HP感染状态。以灵敏度、特异度、准确率和受试者工作特征曲线下面积评估系统的诊断性能。结果该系统对结节样改变、萎缩、肠上皮化生、黄斑瘤、弥漫性发红+点状发红、黏膜肿胀+皱襞肿大蛇形+黏液白浊和HP阴性特征的诊断准确率分别为87.5%(14/16)、74.1%(83/112)、90.0%(45/50)、88.0%(22/25)、63.3%(38/60)、80.1%(238/297)和85.7%(36/42)。其综合判断患者HP感染的灵敏度、特异度、准确率和受试者工作特征曲线下面积分别为89.6%(43/48)、61.8%(34/55)、74.8%(77/103)和0.757,其诊断准确率与内镜医师白光下诊断HP感染的准确率相当(74.8%比72.1%,x^(2)=0.246,P=0.620)。结论本研究开发的系统在评估HP感染方面具有较好的诊断性能,可用于辅助内镜医师判断HP感染状态。

基于深度学习的良恶性胃溃疡人工智能辅助诊断系统研究

目的:构建人工智能辅助诊断系统,自动发现胃溃疡病灶,鉴别胃良性溃疡与恶性溃疡。方法:收集武汉大学人民医院消化内镜中心2016年11月—2019年4月拍摄的胃镜图片1885张,其中正常胃黏膜图片636张、良性胃溃疡图片630张、恶性胃溃疡图片619张。其中1735张为训练集,150张为测试集,分别将图片输入基于fastai框架的Res-net50模型、基于Keras框架的Res-net50模型和基于Keras框架的VGG-16模型进行训练。分别构建正常胃黏膜与良性溃疡、正常胃黏膜与恶性溃疡、良性与恶性溃疡3个单独的二元分类模型。结果:VGG-16模型表现出了最好的结果,验证集验证模型区分正常黏膜与良性溃疡、正常黏膜与恶性溃疡、良性与恶性溃疡的精确度分别为98.0%、98.0%和85.0%。结论:本研究获得的模型在发现溃疡病灶上具有较好的能力,有望应用于临床辅助溃疡病灶检出并鉴别良恶性溃疡。

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。

基于深度学习的消化内镜检查辅助质量控制系统研究(含视频)

目的构建智能消化内镜质控系统并评估其在胃肠镜检查中的质量监控作用。方法基于医学数字成像与通信协议,获取武汉大学人民医院消化内镜中心2016年12月—2018年10月胃肠镜检查患者的电子医疗记录和图像,采用深度卷积神经网络和深度强化学习方法开发智能消化内镜质控系统。该系统运用回盲部识别模型、体内外图像识别模型以及胃的26个部位识别模型,监控达盲率、肠镜退镜时间、胃镜检查时间、胃镜检查覆盖部位数等质控指标。随机选取武汉大学人民医院消化内镜中心2019年3—11月83例胃镜检查和205例肠镜检查患者的图像,测试智能消化内镜质控系统质量控制功能的准确性。结果智能消化内镜质控系统由胃镜质量分析、肠镜质量分析组成,可随时自动生成包含各质控指标的内镜医师胃肠镜检查质控报告。该系统监控的达盲率、肠镜退镜时间、胃镜检查时间和胃镜检查覆盖部位数的准确率分别为92.5%(172/186)、91.7%(188/205)、100.0%(83/83)和89.3%(1928/2158)。结论智能消化内镜质控系统可实现胃肠镜检查的质量监控作用,以便内镜医师了解自身的工作情况,从而提升胃肠镜检查质量。