人工智能在超声内镜下对结直肠癌病变及T分期的识别

摘要

目的 开发一种基于卷积神经网络（CNN）的人工智能诊断模型，用于自动识别超声内镜下结直肠癌病变区及预测结直肠癌的超声内镜下分期，以避免人为因素引起的分期错误，增加超声内镜对结直肠癌病变识别及分期的客观性和统一性。方法 纳入2022年2月至2024年10月于佛山市第二人民医院内镜中心接受超声内镜结直肠癌患者的超声内镜图片。将图片随机分为训练集和测试集，以CNN算法为基本架构，利用训练集构建超声内镜下结直肠癌的病变区和非病变区以及其分期的预测模型，利用测试集图片对模型进行验证，评价该预测模型的诊断效果。结果 共纳入接受超声内镜结直肠癌患者的超声内镜图片1 436张，其中训练集1 275张，测试集161张。在训练集中，T1～T4分期分别有84张、273张、806张和112张。在测试集中，此模型能有效分辨病变区及非病变区，准确率达82.0%。T2及T3分期在该预测模型中准确率分别为82.9%和88.9%, T1及T4分期的预测准确率分别为37.5%和0。结论 基于CNN模型构建的结直肠癌超声内镜下病变区与非病变区的识别及其对T分期的预测模型，能有效区分病变区及非病变区，在T2和T3分期上表现较好，但在T1和T4分期上性能较差，整体模型对T分期的预测能力具有一定局限性，需要进一步改进和验证。

关键词

人工智能 / 超声内镜 / 结直肠癌 / 深度卷积神经网络

基金资助

佛山市科技局科技创新入库培育项目（2320001006639）