基于深度学习构建结直肠息肉诊断自动分类模型

作     者：陈健 张子豪 卢勇达 夏开建 王甘红 刘罗杰 徐晓丹 Chen Jian;Zhang Zihao;Lu Yongda;Xia Kaijian;Wang Ganhong;Liu Luojie;Xu Xiaodan

作者机构：常熟市第一人民医院(苏州大学附属常熟医院)消化内科215500 上海豪兄教育科技有限公司200434 苏州大学附属第一医院消化内科215006 常熟市医学人工智能与大数据重点实验室215500 常熟市中医院(新区医院)消化内科215500 

出 版 物：《中华诊断学电子杂志》 (Chinese Journal of Diagnostics(Electronic Edition))

年 卷 期：2024年第12卷第1期

页      面：9-17页

学科分类：0401[教育学-教育学] 04[教育学] 040102[教育学-课程与教学论] 10[医学] 

基　　金：江苏省333高层次人才培养工程(SZFCXK202147) 常熟市科技计划项目(CS202116) 常熟市医药卫生科技计划项目(CSWS202316) 

主　　题：深度学习 卷积神经网络 息肉 消化内镜 t-分布随机邻域嵌入 

摘      要：目的探讨基于深度学习的结直肠息肉诊断自动分类模型的构建。方法收集2018年1月至2023年1月在苏州市3个内镜中心的不同图像增强内镜(IEE)技术下的结肠镜图像957张(常熟市第一人民医院537张,常熟市中医院359张,苏州大学附属第一医院61张),依据病理结果分为正常组、增生性息肉组和腺瘤性息肉组。利用DenseNet-121、EfficientNet、resnet101和resnet504种卷积神经网络(CNN)框架,构建深度学习模型,并评估其与经验不同的内镜医师的准确率、召回率、精确度、F1值和读片时间。结果EfficientNet在4个模型中最为优越,准确率0.961,召回率0.968,精确度0.959,F1值0.962,在读图用时方面,所有模型完成图像自动诊断任务的平均时间为(4.08±0.63)s,远快于内镜医师所需的平均时间[(291.10±17.68)s],差异有统计学意义(t=-36.22,P0.01)。将EfficientNet预训练模型经迁移学习后的模型命名为“EffiPolyNet,其在腺瘤性息肉上有少量误分类,但准确率达0.90,AUC为0.98。t-分布随机邻域嵌入(t-SNE)可视化揭示了腺瘤性和增生性息肉间部分语义特征重叠,解释了模型的误分类。利用梯度加权分类激活映射(Grad-CAM)和沙普利可加性解释(SHAP),揭示了模型决策中的关键图像区域和特征的相对重要性。结论EffiPolypNet模型在多种IEE技术的结直肠息肉性质分类中表现出色,为结肠镜光学诊断提供了高效且可靠的支持。