基于人工智能的肠道黏膜观察质量评估系统研究

目的　建立基于人工智能的全面衡量肠道黏膜观察质量的监控系统,并探索该系统评分与腺瘤检出率（adenoma detection rate,ADR）之间的关系。方法　整合黏膜暴露程度评估模型、肠道准备评估模型、退镜速度监测模型3个模型,形成肠道黏膜观察质量评估系统（MQnet）。MQnet评分（0~3分）由黏膜暴露程度评分（0~1分）、肠道准备评分（0~1分）、退镜速度评分（0~1分）相加得到。回顾性分析来自武汉大学人民医院2020年7月1日至10月15日的854例肠镜受试者的859个视频资料,计算每例次肠镜的MQnet评分。使用Spearman相关性分析,评估MQnet评分和ADR之间的关系。结果　MQnet统计的评分段为2.0~<2.1分、2.1~<2.2分、2.2~<2.3分、2.3~<2.4分、2.4~<2.5分、2.5~<2.6分6个分数段,每个分数段对应的肠镜例次数分别为50、109、150、223、191和88,每个分数段对应的ADR分别为18.0%（9/50）、21.1%（23/109）、20.7%（31/150）、22.4%（50/223）、27.7%（53/191）和28.4%（25/88）。MQnet评分与ADR之间存在显著的正相关（Spearman系数为0.943,P<0.010）。结论　MQnet评分通过三个维度反映了肠道黏膜的观察质量,其与ADR之间呈现正相关的趋势,可用于量化评估肠镜检查质量。     

基于人工智能的白光内镜下胃瘤性病变辅助诊断系统研究

目的　评估基于人工智能的上消化道内镜影像辅助诊断系统（以下简称ENDOANGEL‑LD）在白光下诊断胃病变和胃瘤性病变的效能。方法　使用图片测试集和视频测试集分别测试ENDOANGEL‑LD的诊断能力。图片测试集来自2019年6月—2019年9月武汉大学人民医院191例患者的805张胃病变（300张胃瘤性病变、505张非瘤性病变）图片和990张正常胃对照图片;视频测试集来自2020年11月—2021年4月武汉大学人民医院存储的78例患者的83个病灶视频（38个胃瘤性病变和45个非瘤性病变）。计算ENDOANGEL‑LD诊断图片测试集的准确率、灵敏度和特异度等指标。比较ENDOANGEL‑LD与4名内镜专家在视频测试集中诊断胃瘤性病变的准确率、灵敏度和特异度。结果 在图片测试集中,ENDOANGEL‑LD诊断胃病变的准确率、灵敏度和特异度分别为93.9%（1 685/1 795）、98.0%（789/805）和90.5%（896/990）;诊断胃瘤性病变的准确率、灵敏度和特异度分别为88.7%（714/805）、91.0% （273/300）和87.3% （441/505）。在视频测试集中,ENDOANGEL‑LD和4名专家总体诊断胃瘤性病变的准确率分别为81.9%（68/83） 和72.0% （239/332）,灵敏度分别为100.0%（38/38）和 85.5%（130/152）,特异度分别为66.7%（30/45） 和 60.6% （109/180）。ENDOANGEL‑LD的灵敏度优于4名专家（χ2=6.220,P=0.013）,准确率（χ2=3.408,P=0.065）和特异度（χ2=0.569,P=0.451）与4名专家相当。结论　ENDOANGEL‑LD辅助诊断系统能够准确检测出胃病变并进一步诊断出胃瘤性病变,可在临床工作中辅助内镜医师。