基于不同卷积神经网络构建小肠多病变自动检测的人工智能辅助系统

摘要

目的 基于不同卷积神经网络开发人工智能辅助系统，用于自动检测小肠胶囊内镜（CE）拍摄的11类小肠病变图像，提高诊断的效率、准确性和客观性。方法 收集来自3个不同医学中心，使用3种不同品牌设备拍摄的CE图像，构建图像数据集，用于不同卷积神经网络模型的训练和测试，共含13 683张图像和15 117个注释标签。模型性能评估指标包括平均精度、准确率、敏感性、特异性、假阳性率、检测速度。结果 构建了2种YOLO模型和2种RTMDet模型，在包含2 729张CE图像（4 801注释标签）的测试集上，RTMDet＿m模型取得了最佳的mAP50 (82.58%)，但也展现出最慢的延迟时间（47.28帧/s）。模型达到了82.76%的整体敏感性和95.91%整体准确率；在具体类别的推理中，敏感性最高的类别是“出血”，而最低的类别是“黏膜下肿瘤”。结论 使用混合品牌CE图像开发的人工智能模型能够快速准确地检测与分类11种小肠病变，在帮助医师提升CE诊断效率和准确性方面展现出很好的临床应用潜力。

关键词

小肠病变 / 卷积神经网络 / 人工智能 / 胶囊内镜 / 目标检测