基于深度学习的溃疡性结肠炎Mayo内镜评分模型的建立
Deep learning models for the classification of Mayo endoscopic score of ulcerative colitis作者机构:苏州大学附属第一医院消化内科苏州215006 江苏大学附属金坛医院普外科常州213200
出 版 物:《中华炎性肠病杂志(中英文)》 (Chinese Journal of Inflammatory Bowel Diseases)
年 卷 期:2024年第8卷第1期
页 面:71-76页
学科分类:1002[医学-临床医学] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 10[医学]
基 金:国家自然科学基金(82000540) 苏州市消化病临床医学中心(Szlcyxzx202101) 苏州市科教兴卫项目(KJXW2019001) 常州市第十三批科技计划(应用基础研究)项目(CJ20210006) 江苏大学2022年度医教协同创新基金重点项目(JDY2022018)。
摘 要:目的利用深度卷积神经网络算法,构建溃疡性结肠炎(UC)Mayo内镜评分模型,并评估模型效能。方法收集苏州大学附属第一医院消化内镜中心及HyperKvasir数据库的内镜图片共2400张作为训练集和验证集;收集江苏大学附属金坛医院消化内镜中心内镜图片200张作为测试集。内镜图片根据Mayo内镜评分系统进行评分(0~3分)。选取在ImageNet数据集预训练的4种深度卷积神经网络(MobileNetV2、ResNetV2、Xception及EfficientNetV2S),利用迁移学习建立UC四分类模型,并在测试集中基于混淆矩阵,使用准确率、马修相关系数(MCC)、卡帕系数评价模型的分类能力,与高、低年资医师的表现比较。采用梯度加权分类激活映射算法可视化呈现模型分类过程。结果针对UC内镜图片,成功构建4个基于深度学习的Mayo评分模型。MobileNetV2、ResNetV2、Xception及EfficientNetV2S在测试集中的分类准确性分别达0.785、0.800、0.815、0.830,平均分类准确性为0.808。其中,EfficientNetV2S模型表现最好,优于低年资医师(0.785),略低于高年资医师(0.870)。结论基于深度学习算法构建的UC内镜图片评分模型分类能力较高,可扩大样本量、优化模型框架进一步提升模型分类效能。