基于DeepLab V3+网络框架的上消化道溃疡内镜图像分割模型

目的基于DeepLab V3+网络框架,构建深度学习计算机视觉模型,实现对上消化道溃疡内镜图片较精确的语义分割。方法DeepLab V3+网络框架的编码器首先通过多个并行的、具有不同采样率的空洞卷积层,之后通过一个全局平均池化层对图像进行特征提取,实现多尺度提取特征;而解码器部分对深度特征层进行4次上采样,与浅层特征层进行堆叠并调整堆叠层大小,使其和输入图像大小一致,得到模型的预测结果。结果在内部验证集中,该模型的准确度(Accuracy,ACC)为0.963,平均交并比(Mean Intersection Over Union,mIoU)为0.927;外部测试集中,该模型的ACC为0.958,mIoU为0.915;均优于传统算法U-Net(内部验证集ACC为0.810,mIoU为0.785;外部测试集ACC为0.779,mIoU为0.732)。结论DeepLab V3+网络框架在识别病灶方面准确度高,具有较好的临床实践性。

基于深度卷积神经网络的上消化道内镜解剖分类模型构建

目的:利用深度卷积神经网络构建上消化道内镜解剖分类模型。方法:收集苏州大学附属第一医院消化内镜中心4183张胃镜图片,按照8:2的比例随机分为训练集和验证集;同时收集江苏大学附属金坛医院270张胃镜图片作为测试集。以上图片标注上消化道解剖位置(包括食管、贲门、胃底、胃体、胃角、胃窦、幽门、十二指肠球部及降部)。选择ImageNet数据库中预训练的Xception、NASNet Large(NASNet)和ResNet50V2(ResNet)3个深度卷积神经网络,在训练集及验证集中训练,构建上消化道图片解剖部位分类模型。使用梯度加权分类激活映射对模型的分类结果进行可视化解释。在验证集和测试集中评价模型分类能力。结果:成功构建了基于深度卷积神经网络的上消化道内镜解剖分类的3个模型,各模型均具备较高的分类能力。在验证集中,平均分类准确性为0.980,平均分类召回率为0.894,平均分类精确度为0.920;其中,ResNet模型表现最优,其分类准确性(0.982)、分类召回率(0.905)和分类精确度(0.933)最高。在测试集中,平均分类准确性为0.988,平均分类召回率为0.942,平均分类精确度为0.950;其中,NASNet模型表现最优,其分类准确性(0.992)、分类召回率(0.959)和分类精确度(0.970)最高。梯度加权分类激活映射以热力图形式对模型分类结果提供可视化解释。结论:利用深度卷积神经网络,构建的上消化道内镜解剖分类模型具有较好的分类能力。

基于DeepLab V3+深度神经网络的结直肠息肉内镜图像分割

目的:基于深度神经网络DeepLab V3+建立结直肠息肉内镜图像语义分割模型。方法:选取Hyper-Kvasir数据库1000张、苏州大学附属第一医院500张结直肠息肉内镜图像,分为训练集(n=1200)和验证集(n=300),同时收集江苏大学附属金坛医院肠息肉图像作为测试集(n=220)。对内镜图像进行分割标记,载入以DeepLab V3+为框架的深度神经网络中训练,建立语义分割模型。结果:在内部验证集中,该模型的准确性(ACC)达97.2%,平均交并比(MIoU)达85.8%,Dice系数达0.924。在外部测试集中,ACC达98.0%,MIoU达80.1%,Dice系数达0.890。结论:基于DeepLab V3+深度神经网络,构建结直肠息肉内镜图像的语义分割模型,具有良好的预测性能,可作为检测结直肠息肉的有效工具。

含头孢呋辛方案治疗青霉素过敏的幽门螺杆菌感染患者的单中心前瞻性队列研究

目的通过比较含头孢呋辛与含阿莫西林的铋剂四联方案治疗幽门螺杆菌(H.pylori)的根除率和不良反应发生率,评估头孢呋辛在青霉素皮试阳性的H.pylori感染患者中的疗效和安全性。方法采用前瞻性队列研究,选择2020年12月至2021年12月于苏州大学附属第一医院H.pylori专病门诊接受H.pylori初次根除治疗的患者共498例,根据青霉素过敏史或青霉素皮试结果分为两组,即阿莫西林组(含阿莫西林)和头孢呋辛组(含头孢呋辛)。阿莫西林组纳入394例患者,治疗方案为艾司奥美拉唑镁肠溶片20 mg、枸橼酸铋钾胶囊220 mg、阿莫西林胶囊1 g、克拉霉素缓释片500 mg,2次/d,口服。头孢呋辛组纳入104例患者,治疗方案为艾司奥美拉唑镁肠溶片20 mg、枸橼酸铋钾胶囊220 mg、头孢呋辛酯片500 mg、克拉霉素缓释片500 mg,2次/d,口服。治疗时间均为14 d,治疗结束后4~8周复查13C尿素呼气试验。按意向性治疗集(ITT)分析和符合方案集(PP)分析比较两组的根除率。比较两组不良反应发生率。统计学方法采用卡方检验。结果在ITT和PP分析中,阿莫西林组根除率分别为84.3%(332/394,95%置信区间80.6%~87.6%)和90.5%(332/367,95%置信区间87.2%~93.3%),头孢呋辛组根除率分别为62.5%(65/104,95%置信区间52.7%~71.7%)和69.1%(65/94,95%置信区间58.8%~78.7%),阿莫西林组根除率均高于头孢呋辛组,差异均有统计学意义(χ^(2)=24.11、28.44,均P<0.001)。阿莫西林组和头孢呋辛组的不良反应发生率分别为10.9%(43/394)和14.4%(15/104),差异无统计学意义(P>0.05)。结论头孢呋辛+克拉霉素的铋剂四联方案在青霉素过敏的H.pylori感染患者中未能取得令人满意的根除率。

基于小样本学习算法构建结直肠息肉NICE分型的分类模型

目的传统的NICE分型依赖于医生的主观判断和经验,存在一定的主观性和不确定性。本研究旨在开发基于小样本学习算法的结直肠息肉NICE分型分类模型。方法共计414张来源于苏州大学附属第一医院和上海交通大学医学院苏州九龙医院内镜中心的结直肠息肉NICE分型图片纳入研究。研究基于三种不同模型架构(MobilenetV2,Resent50,Xception),利用二次迁移学习方式,分别开发了传统深度学习分类模型与基于度量学习的小样本学习分类模型(3-way,3-shot),同时使用梯度加权分类激活映射对小样本学习分类模型的分类结果进行可视化解释。分类模型于测试集中进行性能评价,并收集高、低年资医师对测试集数据的分类结果,将其与模型的分类结果进行对比,进一步评估模型的分类能力。结果传统深度学习分类模型分类准确性一般,平均分类准确性为0.638。基于三种不同特征提取架构的小样本学习分类模型均拥有较好的分类准确性,其平均准确性为0.827。高低年资内镜医师均拥有较好的判断表现,其平均分类准确性0.824。结论对于结直肠息肉NICE分型图片,基于较小训练样本量的小样本学习算法展现出优于传统深度学习分类模型的性能,拥有近似于内镜医师的分类准确性。

基于深度卷积神经网络的Barrett食管内镜图片分类模型的建立

目的·利用深度卷积神经网络算法,构建Barrett食管内镜图片分类模型并评估其分类能力。方法·收集苏州大学附属第一医院消化内镜中心及HyperKvasir数据库中的内镜下食管图片共806张,其中正常食管图片412张、Barrett食管图片394张。随机将所有图片分为训练集(85%)与验证集(15%)。利用于ImageNet数据库进行预训练的4种深度卷积神经网络[Xception、NASNet Large(NASNetL)、ResNet50V2(ResNet)及BigTransfer(BiT)],分别在训练集中进行迁移学习,建立Barrett食管内镜图片分类模型,并使用梯度加权分类激活映射对该4个模型的分类结果进行可视化解释。随后,于验证集中评价模型的分类能力。同时,收集高、低年资医师对验证集数据的分类结果,将其与模型的分类结果进行对比,进一步评估模型的分类能力。结果·成功构建了基于深度卷积神经网络的Barrett食管内镜图片的4个分类模型。利用梯度加权分类激活映射,以热力图形式实现了对模型分类结果的可视化解释。在验证集数据中,各模型均拥有较高的分类准确性与精确性,其平均分类准确性为0.852,平均分类精确性为0.846。NASNetL模型相较其余3种模型,拥有最高分类准确性(0.873)及最高分类精确性(0.867),是表现最优的模型。该模型对Barrett食管内镜图片的分类能力近似高年资医师,其分类准确性略低于高年资医师(0.881)而高于低年资医师(0.855);同时,该模型与高年资医师(Kappa=0.712,P=0.000)、低年资医师(Kappa=0.695,P=0.000)均具有较好的分类一致性。结论·利用深度卷积神经网络迁移学习构建的Barrett食管内镜图片分类模型具有较好的分类能力。

基于深度学习二次预训练建立Barrett食管内镜图片分类模型的研究

目的:利用深度卷积神经网络二次迁移学习方法构建Barrett食管内镜图片分类模型,并比较经单次与二次预训练的模型效能。方法:选取在ImageNet数据集上进行首次预训练的4个深度卷积神经网络(ResNet、NASNetL、Xception及EfficientNet),经HyperKvasir食管炎数据集二次预训练,而后进行目标训练,得到分类模型,评价其分类能力,并对模型的推理能力进行可视化呈现。结果:在验证集中,经二次预训练所建立的模型准确性均高于单次模型。除Xception模型外,二次预训练模型的精确度和召回率均优于单次模型,其中,EfficientNet模型表现最优。结论:基于深度卷积神经网络二次预训练建立的Barrett食管计算机视觉模型具备良好的内镜图片分类能力;本研究可为临床小数据集进行深度神经网络迁移学习提供思路。

基于XGBoost算法的机器学习模型在早期预测重症急性胰腺炎中的应用

目的基于极端梯度提升(XGBoost)算法建立重症急性胰腺炎(SAP)早期预测机器学习模型,并探讨其预测效能。方法采用回顾性队列研究方法,选择2020年1月1日至2021年12月31日苏州大学附属第一医院、苏州大学附属第二医院及苏州大学附属常熟医院收治的急性胰腺炎(AP)患者,根据病历系统与影像系统收集患者的人口学信息、病因、既往史及入院48 h内临床指标和影像学资料,并计算改良CT严重指数评分(MCTSI)、Ranson评分、急性胰腺炎严重程度床旁指数(BISAP)及急性胰腺炎风险评分(SABP)。将苏州大学附属第一医院及苏州大学附属常熟医院的数据集按照8:2随机分为训练集和验证集,基于XGBoost算法,在采用五折交叉验证、损失函数进行超参数调整的基础上构建SAP预测模型。将苏州大学附属第二医院的数据集作为独立的测试集,通过受试者工作特征曲线(ROC曲线)评价XGBoost模型的预测效能,并与传统AP相关病情严重程度评分进行比较;同时对特征变量进行重要性排序,采用沙普利加和解释法(SHAP)对模型进行可视化解释。结果最终共纳入1183例AP患者,其中129例(10.9%)发生SAP。苏州大学附属第一医院和苏州大学附属常熟医院患者中,训练集786例,验证集197例;苏州大学附属第二医院的200例患者作为测试集。3组数据集分析均显示,进展为SAP的患者存在呼吸功能异常、凝血功能异常、肝肾功能异常、血脂代谢异常等病理表现。基于XGBoost算法构建SAP预测模型;ROC曲线分析显示,该模型预测SAP的准确度达到0.830,ROC曲线下面积(AUC)为0.927,较MCTSI、Ranson、BISAP、SABP等传统评分系统明显提高(准确度分别为0.610、0.690、0.763、0.625,AUC分别为0.689、0.631、0.875、0.770)。基于XGBoost模型的特征变量重要性分析显示,模型中权重排名前10位的指标依次为胸腔积液(0.119)、白蛋白(Alb,0.049)、三酰甘油(TG,0.036)、Ca2+(0.034)、凝血酶原时间(PT,0.031)、全身炎症反应综合征(SIRS,0.031)、C-反应蛋白(CRP,0.031)、血小板计数(PLT,0.030)、乳酸脱氢酶(LDH,0.029)和碱性磷酸酶(ALP,0.028),说明上述指标对于XGBoost模型预测SAP具有重要意义。基于XGBoost模型的SHAP贡献度分析显示,当患者出现胸腔积液及Alb降低时,SAP发生风险明显增加。结论基于机器学习XGBoost算法建立了SAP预测模型,该模型可在入院48 h内对AP患者进展为重症的风险进行预测,且具有良好的准确性。