人工智能联合胃镜技术对早期胃癌检出率的影响

摘要

目的 自主构建基于深度神经网络的早期胃癌检测模型Mask R-CNN，将模型应用于白光胃镜及电子染色胃镜图片识别技术中，旨在提高早期胃癌检出率。方法 将4 000张包含非癌病变及早期胃癌的白光胃镜图片、电子染色胃镜（NBI、M-NBI、BLI、M-BLI、LCI）图片进行标记、分类，对图片样本处理后构建基于深度神经网路的早期胃癌检测模型Mask R-CNN。选取2 000张已确诊的胃镜图像样本作为测试集，比较模型及3名高年资内镜医师的识别能力。结果 模型对早期胃癌诊断时间短于高年资内镜医师，差异有统计学意义（P<0.05），模型诊断早期胃癌的灵敏度90.3%、特异度90.4%、准确度90.4%均高于高年资内镜医师（P<0.05）。模型对电子染色胃镜图片的诊断时间与白光胃镜图片比较，差异无统计学意义（P>0.05），但高年资内镜医师对电子染色胃镜图片的诊断时间短于白光胃镜图片（P<0.05）。模型和高年资内镜医师对电子染色胃镜图片的灵敏度、特异度及准确度均高于白光胃镜图片（P<0.05）。结论 Mask R-CNN对早期胃癌的识别速度较内镜医师快，具有较高灵敏度、特异度、准确度，且结合电子染色胃镜技术可进一步提高其诊断水平，后续强化模型训练有望应用于内镜系统辅助内镜医师进行早期胃癌诊断。

关键词

人工智能 / 深度学习 / 胃镜技术 / 早期胃癌 / 检出率

基金资助

湖南省自然科学基金项目（2022JJ50104,2021JJ70076,2025JJ70002）