我国人工智能新突破!安翰科技研发的深度卷积神经网络模型取得突破性进展 诊断小肠疾病敏感率高达99.9%

发布时间:2022年07月19日

       安涵科技在将人工智能技术应用于小肠疾病临床识别方面取得突破性进展。 研究成果文章Gastroenterologist-Level Identification of Small-Bowel Diseases and Normal Variants by Capsule Endoscopy Using a Deep-Learning Model Clinical Recognition”)(1)于2019年10月作为封面文章发表于Gastroenterology(翻译为“Gastroenterology”, 影响因子19.233, RANK=1), 消化领域国际顶级期刊, 标志着消化科新增助理, 有望大大改变小肠疾病的诊断模式, 为小肠疾病带来福音 临床医生和患者。 消化内科新增助手 人工智能算法可大幅提升阅读时间 最近, 深度学习算法在医学领域的应用备受关注。 据报道,

基于深度学习的人工智能 (AI) 模型在皮肤癌分类方面的表现与皮肤科医生相当。
        (2)此外, 深度学习模型在结肠镜图像视频中实时区分腺瘤性和增生性小结肠息肉的能力也得到了验证。 本文对小肠疾病识别的临床研究也是基于深度学习的AI模型来区分异常图像和正常图像。 (3)华中科技大学附属同济医学院侯晓华教授、林荣教授团队研究“专家级临床鉴定小肠疾病和正常黏膜改变的胶囊内镜下的深度学习模型” . 第一作者为华中科技大学同济医学院协和医院消化内科丁震教授和史慧英医师。 由于Ankion在胶囊内窥镜数据和图像数据的分析、深度学习模型的研究、深度学习算法的实现等方面对本文做出了重要贡献, 三位Ankion的技术专家作为文章的共同作者出现。 与传统的胃镜和结肠镜检查不同, 小肠疾病是传统内镜检查和影像学检查的难点, 而胶囊内镜的应用是小肠疾病的重要诊治手段。 但由于每例小肠胶囊内窥镜的视频长度长达8-10小时(平均每例20, 000-30, 000张拍摄图像), 因此每个患者需要消化内科医生1-2小时来分析数据。 通过一个和诊断疾病, 这大大增加了胃肠病学家分析和诊断小肠疾病的时间成本。 同时, 高强度的人工阅读也会增加漏诊率, 极大地限制了胶囊内镜在小肠疾病临床检查中的广泛应用。 安康人工智能技术的应用, 基于CNN的算法, 将小肠胶囊内镜的阅读时间缩短了93.9%至5.9分钟,

有效辅助肠胃医生。用于诊断小肠的胶囊内窥镜图像。 人工智能训练可提高检出率, 挽救患者生命该研究在77个体检中心使用安汉科技ESView平台进行, 所有患者均接受安汉磁控胶囊内镜检查。 该系统由三部分组成:胶囊内窥镜、数据记录器和带有实时查看和控制软件的计算机工作站。 Anhan胶囊内窥镜长27毫米, 直径11.8毫米, 重量4.8克, 视野大于140°±10%。 胶囊以 0-2 帧/秒的动态帧速率自由通过小肠。 以 0.8 帧/秒的平均速度捕获和记录图像。 每个视频由连续的单个图像/帧组成。 视频中的每个图像或帧都标有特定编号, 按照图像的拍摄顺序和保存到文件夹的顺序。
        该研究收集了 2016 年 7 月至 2018 年 7 月期间来自 6, 970 名患者的 113, 426, 569 张小肠胶囊内窥镜图像, 并通过传统方法和使用深度卷积神经网络 (CNN) 的人工智能图像辅助阅读模型读取图像。 在 CNN 模型的训练阶段, 研究人员使用了 1970 例患者的小肠检查图像来构建模型; 在模型验证阶段, 用5000例患者的小肠检查图像对模型进行了验证。 基于深度卷积神经网络辅助图像读取模型的验证阶段:在验证阶段, 所有 5000 条记录(113,

268, 334 张图像)由 20 名胃肠病学家收集, 他们定期进行小肠胶囊内窥镜 (SB-CE) 检查和评估。 医生通过传统读数和基于 CNN 的辅助读数进行诊断。 对于传统阅读, 5000 名患者的 5000 段视频全部由 20 名胃肠病学家组成的团队阅读。 视频被随机平均分配给 20 位胃肠病专家, 每位胃肠病专家收到 250WH 视频。 胃肠病学家会查看每个视频中的所有原始图像。 对于基于CNN的辅助阅读, 首先将5000名患者的原始胶囊内镜图像全部输入基于CNN的辅助阅读模型中, 由该模型自动过滤的可疑异常图像由胃肠病学家人工审核。 使用训练阶段描述的基于 CNN 的辅助阅读模型选择可疑异常图像。 所有胃肠病学家独立诊断分配给他们的 250 名患者, 并记录诊断结果和解释图像所需的时间。 当传统读数和基于 CNN 的辅助读数之间达成诊断协议时, 无需进一步评估。 如果最终诊断不一致和/或观察到不同的病变, 20 名胃肠病学家坐在一起重新评估患者的图像, 以确认或排除不一致。 只有最终的共识诊断被用作诊断的参考标准。 对于传统阅读识别出的CNN辅助阅读未检测到的病灶,

我们对CNN辅助阅读模型自动筛选出的可疑异常图像进行检查, 确定CNN辅助阅读模型。类型是否未检测到病变。 对于传统阅读无法识别的CNN辅助阅读识别的病变, 我们重新检查了CNN辅助阅读识别出的疑似异常图像和患者的原始视频。 对于特定的患者, 由于CNN辅助阅读模型自动筛选出的可疑异常图像会被专门标记, 因此很容易在原始视频中追踪病灶的位置。 值得一提的是, 基于 CNN 的辅助阅读系统的设计目的是为了保证最高的灵敏度,

即尽可能多地筛选出病灶。 研究人员将小肠检查图像分为正常图片和异常图片。
        在这项研究中, 异常图片再次被定义为两个不同的类别:具有临床意义的异常病变(例如, 炎症、溃疡、息肉、隆起病变、血管疾病、出血、寄生虫和憩室)和轻度异常病变(淋巴管扩张、淋巴滤泡增生、 等等。)。 安涵科技将人工智能技术应用于小肠病变筛查, 不仅实现了胶囊内镜应用的智能辅助, 也有望极大改变小肠疾病的诊断模式, 开启小肠新时代 疾病诊断。 它具有重要的临床和社会意义。 价值。 未来, 我们还将尝试验证该算法在其他类型胶囊内镜中的应用, 为临床医生和患者带来福音。 参考文献: (1) 使用深度学习模型的胶囊内镜对小肠疾病和正常变异的胃肠病学家水平识别[J]., , :. (2) Esteva A、Kuprel B、Novoa RA 等人。 使用深度神经网络对皮肤癌进行皮肤科医生级别的分类。 自然 2017;542:115-118。 (3) Byrne MF、Chapados N、Soudan F 等人。 在使用深度学习模型分析标准结肠镜检查的不变视频期间, 实时区分腺瘤性和增生性小型结肠直肠息肉。 肠道 2019;68:94-100。

返回到上一页>>

友情链接:

Copyright © 2006 云智慧科技有限公司 yunzhihuikejiyouxiangongsi ,All Rights Reserved (shinymagicdesign.com)