点击本文中加粗蓝色字体即可一键直达新药情报库免费查阅文章里提到的药物、机构、靶点、适应症的最新研发进展。
摘要
近年来，随着大数据时代的到来，医学影像数据的激增为人工智能（AI）的应用创造了良机。在医学领域中，特别是胃镜检查中，AI技术的介入正日益成为研究的重点。为评估深度学习卷积神经网络（CNN）算法在胃镜图像分析中的作用，我们开发出了一种胃镜图像的AI辅助综合分析系统，并验证其在实临床环境中的表现。
本研究采用来自516名患者的6,270幅普通白光胃镜图像，将其输入到14种CNN模型中进行训练。根据7:1:2的比例，我们将数据集划分为训练集、验证集和测试集。研究结果显示，在区分胃癌（GC）与良性胃黏膜病变（nGC）方面，EfficientNetB7模型表现最佳，其预测准确率达到96.40%，AUC值为0.9959。此外，该模型在区分胃溃疡（GU）与溃疡型胃癌（UCa）、早期胃癌（EGC）与非胃癌（nGC），以及鉴别幽门螺杆菌感染（Hp）与非Hp感染方面，也展示了极高的准确率和AUC值。
值得一提的是，在预测早期胃癌的淋巴结转移方面，InceptionV3模型取得了较为理想的效果。在一组95例患者的研究中，通过结合EfficientNetB7与RFB-SSD目标检测模型，我们实现了早期胃癌病灶识别率达100%。这种多源图像整合分析路径，不仅成功辨识了病变及Hp感染状态，还能预测早期胃癌是否存在淋巴结转移，为临床决策提供了重要的参考依据。
材料与方法方面，我们从516名受试者中共收集了6270幅胃镜图像。在排除低质量图像后，最终共有6194幅图像纳入AI模型的训练分析。对于胃镜图像的CNN分析来说，EfficientNetB7模型在各类病变的二分类预测中均优于其他模型。在大体标本图片分析中，RFB-SSD目标检测模型同样展现出色的结果，使AI通过胃镜图片精准预测病灶位置成为现实。
AI通过整合术前胃镜图像及术后切除样本的大体图像进行分析，能有效提升两种模型的互补优势，显著提高病灶定位的准确率。因此，若将AI辅助的多源图像分析系统应用于临床，将极大降低消化科医师与病理医师的工作负担，对早期胃癌的精准诊疗有极大帮助。
本研究由上海交通大学医学院附属瑞金医院和上海师范大学信息与机电工程学院的科研人员共同完成，相关成果将发表在《中国癌症研究杂志》上，为胃镜的AI辅助诊断提供了新的思路。同时，研究也指出，AI技术的应用有待进一步推广和完善，以期在未来的医学诊断中发挥更大的作用。
免责声明：新药情报内容编辑团队专注于介绍全球生物医药健康研究的最新进展，本文旨在提供信息交流，不代表任何立场或治疗方案推荐。如需专业医疗建议，请咨询正规医疗机构。
