基于数据增强和混合神经网络的人工智能技术在上消化道内镜检查部位识别中的应用

作者：王士旭; 柯岩^*; 楚江涛; 贺舜; 张月明; 窦利州; 刘勇; 刘旭东; 刘雨蒙; 伍海锐; 苏飞雄; 彭烽; 王美玲; 张凤英; 王琳; 张玮; 王贵齐^*

来源：中华消化内镜杂志, 2023, 40(03): 189-195.

DOI：10.3760/cma.j.cn321463-20211019-00628

• 人工智能
• 深度卷积神经网络
• 上消化道内镜
• 部位识别

目的评估利用深度卷积神经网络(deep convolutional neural network, DCNN)构建的人工智能技术在上消化道内镜检查部位识别中的应用价值。方法收集中国医学科学院肿瘤医院2019年1月—2021年6月间的21 310张上消化道内镜图片, 其中19 191张图片用于深度学习构建部位识别模型, 其余2 119张图片用于验证。比较两种DCCN网络构建的模型在上消化道30个部位识别上的性能差异, 一种是由Inception-ResNetV2(ResNetV2)构建的传统的ResNetV2模型, 另一种是由Inception-ResNetV2 and Squeeze-Excitation Networks(RESENet)构建的混合神经网络RESENet模型, 主要观察指标包括识别准确率、灵敏度、特异度、阳性预测值和阴性预测值。结果 ResNetV2模型识别上消化道30个部位的准确率、灵敏度、特异度、阳性预测值和阴性预测值分别为94.62%～99.10%、30.61%～100.00%、96.07%～99.56%、42.26%～86.44%和97.13%～99.75%, RESENet模型对应值分别为98.08%～99.95%、92.86%～100.00%、98.51%～100.00%、74.51%～100.00%和98.85%～100.00%。ResNetV2模型识别上消化道30个部位的平均准确率、平均敏感度、平均特异度、平均阳性预测值和平均阴性预测值分别为97.60%、75.58%、98.75%、63.44% 和98.76%, RESENet模型对应值分别为99.34%(P<0.001)、99.57%(P<0.001)、99.66%(P<0.001)、90.20%(P<0.001)和99.66%(P<0.001)。结论利用混合神经网络RESENet构建的人工智能辅助上消化道部位识别模型, 相较于传统的ResNetV2模型在性能上有明显提高, 该模型可用于监测上消化道内镜检查部位的完整性, 减少检查中的盲区, 有望成为规范上消化道内镜检查并提高检查质量的重要助手, 成为上消化道内镜检查质量监督与控制的重要工具。

• 单位
  中国医学科学院北京协和医学院