-
基于深度学习的幽门螺杆菌人工智能辅助诊断系统研究
编辑人员丨4天前
目的:构建一套内镜下识别幽门螺杆菌( Helicobacter Pylori, 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1 033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), 13C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%, χ2=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。
...不再出现此类内容
编辑人员丨4天前
-
通过深度学习模型从增强CT图像合成平扫CT图像的质量分析
编辑人员丨4天前
目的:通过基于卷积神经网络深度学习方法从增强CT合成平扫CT图像,临床主观和客观评估合成平扫CT图像(DL-SNCT)与金标准平扫CT图像的相似性,探讨其潜在临床价值。方法:同时行常规平扫和增强CT扫描的患者34例,通过深度学习模型将增强CT图像合成DL-SNCT图像,以平扫CT图像为金标准,主观评价DL-SNCT的图像质量(评价指标包括解剖结构清晰度、伪影、噪声、图像结构完整性、图像变形,均采用4分制);利用配对 t检验比较DL-SNCT与金标准平扫CT图像不同血供特点的解剖部位(主动脉、肾脏、肝实质、臀大肌)以及不同强化模式的肝脏病变(肝癌、肝血管瘤、肝转移瘤、肝囊肿)的CT值。 结果:主观评价上,DL-SNCT图像在伪影、噪声、图像结构完整性、图像变形方面评分都达到4分,与平扫CT图像评分相一致( P>0.05);在解剖结构清晰度方面评分略低于平扫CT图像[(3.59±0.70)分 vs. 4分)],差异有统计学意义( Z=-2.89, P <0.05)。对于不同解剖部位而言,DL-SNCT图像主动脉、肾脏的CT值显著高于平扫CT图像( t=-12.89、-9.58, P <0.05),而肝实质、臀大肌CT值与平扫CT图像差异无统计学意义( P>0.05)。对于不同强化模式肝脏病变而言,DL-SNCT图像肝癌、肝血管瘤、肝转移瘤的CT值显著高于平扫CT图像( t=-10.84、-3.42、-3.98, P <0.05),而肝囊肿CT值与平扫CT图像差异无统计学意义( P>0.05)。 结论:DL-SNCT在图像质量上以及一些强化方式比较单一的解剖部位的CT值已接近金标准平扫CT,但对于强化程度变化大的解剖部位,以及有着不同强化模式的肝脏病变,DL-SNCT在临床应用前还有很大的改进空间。
...不再出现此类内容
编辑人员丨4天前
-
基于生物阻抗和深度学习技术的甲状腺组织分类模型研究
编辑人员丨4天前
目的:近年来甲状腺癌发病率显著提高,超声和细针穿刺活检等术前检查不断完善,但仍存在诊断性手术及过度诊疗的现象。本研究旨在探讨利用生物阻抗及深度学习技术对甲状腺组织进行分类的可行性。方法:为了提高分类的准确性,我们设计一套适合甲状腺组织的电阻抗测量系统,采集来自321例患者的331个离体甲状腺标本共1 340项数据集。随后,建立一个基于多特征的一维卷积神经网络(one dimensional convolution neural, 1D-CNN)结合长短期记忆网络(long short-term memory, LSTM)混合模型对甲状腺组织进行分类。其中80%(1 072/1 340)的数据用于训练,另外20%(268/1340)用于测试。采用受试者工作特征曲线(receiver operating characteristic curve,ROC)、宏平均ROC、微平均ROC及曲线下面积(area under the curve,AUC)等指标对甲状腺组织分类模型进行评价。此外,用敏感性、特异性、阳性预测值、阴性预测值和约登指数比较该分类模型与超声的诊断价值。结果:甲状腺组织两分类(恶性/非恶性组织)模型的ROC-AUC=0.94,总体准确率达到91.4%。进一步建立三分类(恶性/良性/正常组织)模型,其中正常、良性和恶性组的ROC-AUC分别为0.91、0.85和0.92,微平均ROC-AUC和宏平均ROC-AUC分别为0.91和0.90。且与超声相比,甲状腺组织分类模型具有更高的特异性。结论:本研究基于生物阻抗及CNN-LSTM建立的甲状腺组织分类模型具有较高的准确率和较好的稳定性,该技术有望在未来的临床应用中提供有用的补充信息,从而有助于甲状腺疾病的治疗决策和管理。
...不再出现此类内容
编辑人员丨4天前
-
基于深度学习的人工智能在肿瘤诊断中的应用进展
编辑人员丨4天前
随着大数据时代的到来,人工智能得以在医疗领域崭露头角并实现了飞速发展,尤其在肿瘤诊断方面存在巨大潜能。人工智能利用自动化图像分割及提取等关键技术,在实现短时间内对大量肿瘤信息汇总分析的同时,还可以反映现实环境中成像数据的分布,使肿瘤诊断从主观感知转向客观科学,从而高效精确地协助医师的诊断,为诊疗计划的制订和预后的判断提供坚实的基础。笔者拟对人工智能在肿瘤诊断中的关键技术及当前的应用进行综述。
...不再出现此类内容
编辑人员丨4天前
-
人工智能对胃肠疾病诊疗的推动作用
编辑人员丨4天前
高速发展的计算机技术给日常生活及工作带来巨大变化。人工智能是计算机科学的一个分支,是让计算机去行使通常情况下具备智能生命才可能行使的活动,广义的人工智能涵盖机器学习和机器人等等,本文主要聚焦于机器学习与相关的医学领域,深度学习是机器学习中的人工神经网络,卷积神经网络(CNN)是深度神经网络的一种,是在深度神经网络基础上,进一步模仿大脑的视觉皮层构造和视觉活动原理而开发;目前在医疗大数据分析中应用的机器学习方式主要为CNN。在未来数年内,人工智能作为常规工具进入医学图像解读相关的科室是发展趋势。本文主要分享人工智能与生物医学的融合进展,并结合实际案例,重点介绍CNN在胃肠道疾病的病理诊断、影像学诊断及内镜诊断等方面的应用研究现状。
...不再出现此类内容
编辑人员丨4天前
-
基于多任务学习的轻量级卷积神经网络在肺部危及器官自动分割中的应用研究
编辑人员丨4天前
目的:研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法:MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集497例肺癌病例,以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本,随机划分300例用于训练与验证,197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC),与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响,按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN),使用相同数据训练与测试,统计并对比两者DSC。结果:MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020,训练与测试时长是Unet、DeepLabv3+的1/3~1/30,S分别为Unet、DeepLabv3+的1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002,脊髓平均值相差0.001,但标准差却比MTLW-CNN高0.014。结论:MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画,不仅可以提高模型应用效率,还有利于提高模型的泛化性能。
...不再出现此类内容
编辑人员丨4天前
-
基于肺区CT图像最大密度投影与深度卷积网络的慢阻肺识别模型的构建及意义
编辑人员丨4天前
目的:基于肺区CT图像最大密度投影(MIP)与深度卷积神经网络(CNN)构建慢性阻塞性肺疾病(慢阻肺)识别模型,并探讨其意义。方法:选取2010年1月—2021年5月就诊于大连医科大学附属第二医院的符合入组标准的研究对象共201例,其中慢阻肺组101例,健康对照组100例。研究对象均进行胸部薄层CT图像扫描及肺功能测试。首先,获取所有CT图像序列肺区的MIP图像;其次,以MIP图像为输入,基于改进的残差网络(ResNet)构建慢阻肺识别模型;最后,考察不同层数的ResNet模型对性能的影响。应用准确率、灵敏度、特异度、阳性预测值、阴性预测值、受试者工作特征(ROC)曲线及其下面积(AUC)评估网络的识别效能。结果:ResNet26的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为76.1%、76.2%、76.0%、76.2%、76.0%,AUC为0.855(95% CI:0.799~0.901);ResNet50的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为77.6%、76.2%、79.0%、78.6%、76.7%,AUC为0.854(95% CI:0.797~0.900);ResNet26d的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为82.1%、83.2%、81.0%、81.6%、82.7%,AUC为0.885(95% CI:0.830~0.926)。 结论:本研究成功构建的基于肺区CT图像MIP与深度CNN的慢阻肺识别模型,可实现准确的慢阻肺识别,为慢阻肺早期筛查提供了一种有效工具。
...不再出现此类内容
编辑人员丨4天前
-
基于深层卷积神经网络近视性黄斑病变筛查系统的研究
编辑人员丨4天前
目的:研究一种基于深层卷积神经网络(DCNN)全自动近视性黄斑病变(MMD)筛查及其严重程度评估系统。方法:收集安徽省第二人民医院6 068张眼底图像构建训练集,并选取公开的眼底图像数据集构建测试集。对眼底图像进行预处理及扩增、MMD病变等级标注、数据清洗。构建全自动MMD筛查系统,该系统由两级网络结构组成,第一级网络结构用于识别MMD是否存在,第二级网络结构用于判断MMD病变的严重等级。比较VGG-16、ResNet50、Inception-v3和Densenet这4种常用的DCNN方法在MMD筛查及严重程度识别任务中的准确率、特异性、敏感度、精确率、F1值、曲线下面积(AUC)、Kappa系数性能。结果:Densenet网络模型在MMD筛查任务中表现最优,其敏感度、特异性、精确率、F1值和AUC分别为0.898、0.918、0.919、0.908和0.962。Inception-v3网络模型在MMD严重程度识别任务中表现最优,其敏感度、特异性、精确率、F1值和AUC分别为0.839、0.952、0.952、0.892和0.965。可视化结果显示,本研究所采用的网络结构模型可自动学习MMD严重等级判断的临床特征,准确识别弥漫性和局灶性脉络膜萎缩区域。结论:基于DCNN的眼底图像MMD筛查方法可自动化提取MMD的有效特征,并准确进行MMD筛查及其严重等级判断,可有效辅助临床。
...不再出现此类内容
编辑人员丨4天前
-
卷积神经网络在胶囊内镜图像自动诊断中的应用
编辑人员丨4天前
计算机辅助技术在内镜中的各项应用是近年来的研究热点,其中使用深度学习的人工智能技术(AI)具有跨时代意义。卷积神经网络(CNN)在图像分析中表现最佳,在消化学科领域,CNN被用于处理大量的临床数据和各种内镜图像资料。现主要介绍机器学习技术和AI在无线胶囊内镜小肠疾病自动诊断中的应用。
...不再出现此类内容
编辑人员丨4天前
-
人工智能在上消化道内镜检查中的研究进展
编辑人员丨4天前
近年来,人工智能技术在几乎所有领域均取得了多项技术进步,在医学领域也不例外。目前人工智能辅助上消化道内镜检查作为临床决策支持工具已被引入临床实践,在人工智能的帮助下,加上内镜专家的专业知识,人工智能将有望作为提高内镜诊断能力的一种得力工具,尤其对初学内镜及经验不足的内镜医师来说,人工智能的出现对提高内镜医师的工作效率及诊断能力具有重要意义,但目前人工智能用于上消化道内镜检查的研究尚处于探索阶段,仍未广泛应用于临床实践当中。
...不再出现此类内容
编辑人员丨4天前
