基于不同YOLO神经网络建立小肠胶囊内镜多类别病变自动检测的人工智能模型

摘要

目的：基于YOLOv10构建用于小肠胶囊内镜（SBCE）自动检测的人工智能模型。方法：收集来自两个中心的SBCE数据，共计23 115张图片和35 412个注释标签，涵盖11类小肠病变。使用LabelMe工具对图像进行标注，并转换为适配深度学习模型开发所需的YOLO格式。使用预训练的YOLOv10和YOLOv8模型在所构建的数据集上进行迁移学习训练。采用精确率、准确率、敏感性、特异性、假阳性率以及检测速度等指标全面评估模型性能。最后，将模型部署于本地电脑，对SBCE图像及视频进行实时检测。结果：共开发了6种不同版本的YOLO目标检测模型，包括YOLOv8n、YOLOv8s、YOLOv8m、YOLOv10n、YOLOv10s、YOLOv10m。在验证集上，YOLOv10s模型取得最佳的mAP50(0.795)，尽管其推理延迟时间不是最短（4.803 ms/img），但足以满足临床应用要求。在测试集上，YOLOv10s取得良好的整体性能，准确性、敏感性和假阳性率分别为92.69%、89.23%和4.78%；在具体类别的推理中，敏感性最高的类别是“出血”，达到96.41%，而最低的类别是“狭窄”，为82.29%。结论：基于YOLOv10神经网络建立的模型能快速准确地检测和分类多种小肠病变，具有较好的临床应用价值。

关键词

小肠病变 / YOLOv10 / 人工智能 / 小肠胶囊内镜 / 目标检测