内镜下早期食管癌及癌前病变识别人工智能YOLOv51模型的建立及临床验证

作者：王士旭; 柯岩; 刘雨蒙; 刘思瑶; 宋世博; 贺舜; 张月明; 窦利州; 刘勇; 刘旭东; 伍海锐; 苏飞雄; 张凤英; 张玮; 王贵齐^*

来源：中华肿瘤杂志, 2022, 44(05).

• 食管肿瘤, 早期
• 癌前病变
• 人工智能
• 诊断
• 内镜

目的以人工智能深度学习的方法, 构建基于YOLOv5l模型的内镜图像早期食管癌及癌前病变的识别模型, 以提高内镜下早期食管癌及癌前病变的诊断水平。方法收集2019年6月至2021年7月中国医学科学院肿瘤医院1 126例患者的白光成像(WLI)、窄带光成像(NBI)和卢戈液染色(LCE)的内镜食管图像13 009幅, 包括低级别上皮内瘤变、高级别上皮内瘤变、限于黏膜层的食管鳞癌、良性食管病变及正常食管。通过计算机随机函数方法, 分为训练集(1 025例患者的11 547幅图像)和验证集(101例患者的1 462幅图像)。以训练集训练、构建YOLOv5l模型, 以验证集验证该模型, 同时由2名高年资和2名低年资内镜医师分别对验证集进行诊断, 比较YOLOv5l模型与内镜医师的诊断结果。结果在验证集中, YOLOv5l模型在WLI、NBI和LCE模式下诊断早期食管癌及癌前病变的准确度、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)分别为96.9%、87.9%、98.3%、88.8%和98.1%, 98.6%、89.3%、99.5%、94.4%和98.2%, 93.0%、77.5%、98.0%、92.6%和93.1%。NBI模式下的准确度高于WLI模式(P<0.05), LCE模式下的准确度低于WLI(P<0.05)。YOLOv5l模型在WLI、NBI和LCE模式下诊断早期食管癌及癌前病变的准确度与2位高年资内镜医师(分别为96.9%、98.8%和94.3%, 97.5%、99.6%和91.9%;均P>0.05)相当, 但明显高于2位低年资内镜医师(分别为84.7%、92.9%和81.6%, 88.3%、91.9%和81.2%;均P<0.05)。结论所构建的YOLOv5l模型在内镜WLI、NBI和LCE模式下诊断早期食管癌及癌前病变中具有较高的准确度, 可以辅助低年资内镜医师提高诊断水平、减少漏诊。

• 单位
  中国医学科学院北京协和医学院