基于深度学习的超声内镜下消化道黏膜下肿物诊断系统

作者：张晨霞; 李迅; 姚理文; 张军; 卢姿桦; 吴慧玲; 于红刚^*

来源：中华消化杂志, 2022, 42(07): 464-469.

• 深度学习
• 超声内镜
• 消化道黏膜下肿物
• 诊断

目的构建基于深度学习的超声内镜下消化道黏膜下肿物(SMT)诊断系统, 为诊断SMT提供帮助。方法纳入2019年1月1日至2021年12月15日于武汉大学人民医院消化内镜中心行超声内镜检查术(EUS)和内镜黏膜下剥离术的245例经病理诊断证实的SMT患者, 共收集3 400张EUS图像。选取2 722张EUS图像用于训练病灶分割模型, 2 209张图像用于训练胃肠道间质瘤与平滑肌瘤病灶分类模型;分别选取283、191张图像作为独立测试集对病灶分割和分类模型进行评估;选取30张EUS图像作为独立数据集进行人机比赛以比较病灶分类模型与6名内镜医师的病灶分类准确度。采用交并比和Dice系数等指标评估病灶分割模型性能, 采用准确度评估病灶分类模型性能。采用卡方检验进行统计学分析。结果病灶分割模型的平均交并比为0.754, Dice系数为0.835, 精确率、召回率和F1指数分别为95.2%、98.9%和97.0%。在病灶分割的基础上, 病灶分类模型的准确度由未分割时的70.2%提高至92.1%。人机比赛结果显示, 分类模型鉴别胃肠道间质瘤与平滑肌瘤的准确度为86.7%(26/30), 优于6名内镜医师中的4名医师[分别为56.7%(17/30)、56.7%(17/30)、53.3%(16/30)、60.0%(18/30)], 差异均有统计学意义(χ2=7.11、7.36、8.10、6.13, 均P<0.05);另2名医师的分类准确度分别为76.7%(23/30)、73.3%(22/30), 与模型比较差异均无统计学意义(均P<0.05)。结论该系统在将来有望用于超声内镜下SMT的辅助诊断, 为后续治疗决策的选择提供有力依据。

• 单位
  武汉大学人民医院