基于人工智能的非放大内镜结直肠病变自动NICE分型：从构建到部署

摘要

目的 近年，欧洲与中国的年轻人群中结肠癌发病率明显增加。尽管窄带成像（NBI）国际结直肠息肉内镜（NICE）分型为此提供了策略，但年轻医师在应用中仍面临挑战。本研究涵盖了从构建到部署的全流程，致力于构建基于NICE分型的人工智能深度学习模型，旨在提升结直肠病变鉴别的准确度并协助临床决策。方法 基于3个数据集：数据集1 （苏州大学附属常熟医院，n=2 050）、数据集2 （常熟市中医院，n=456）用于模型训练与测试，数据集3 （苏州大学附属第一医院，n=99）作为外部测试集。纳入研究的结肠镜图像包括正常肠道及NICE 3个分型。图像经过预处理和增强后，采用基于卷积神经网络和Transformer的预训练模型进行迁移学习。模型训练采用交叉熵损失函数，使用Adam优化器，并实施学习率调度。模型的评估指标包括准确性、精确度、召回率、F1分数等，并进行模型和内镜医师在不同阈值下的预测准确性对比。为提高模型透明度，进行深入地可解释性分析，包括梯度加权类激活映射、引导式梯度加权类激活映射和沙普利加和解释等技术。最后，模型被转换为ONNX格式并部署到多种设备终端，以实现结直肠病变的实时NICE分型。结果 在2 605张结肠内窥镜图像中，EfficientNet模型的表现超越了其他5种卷积神经网络和Transformer模型，测试准确率达91.03%。该模型精确率、召回率和F1得分达91.82%、91.40%和91.60%。在外部的99张测试图像上，其准确率、曲线下面积、精确度和召回率分别为91.92%、99.43%、92.96%和91.92%。虽然模型整体表现卓越，但仍存在误分型。通过可解释性分析可识别模型决策的关键区域以及导致误分型的原因。此外，模型已成功转换为ONNX格式，并在多个平台上实现了超过50帧/s的实时NICE分型。结论 本研究成功构建EfficientNet模型，针对结直肠病变的NICE分型，准确率高达91.92%，在关键性能指标上优于内镜医师，可为早期诊断提供强大支持。

关键词

深度学习 / 窄带成像国际结直肠息肉内镜 / 结肠镜 / 卷积神经网络模型 / Transformer模型 / 模型部署