基于ResNet的可解释性计算机视觉模型在内镜下内痔评估中的应用

目的 为克服深度学习模型黑盒不可解释的缺点，本研究旨在探讨可解释性计算机视觉模型在内镜下内痔诊断及危险分级中的应用。方法 收集苏州大学附属第一医院内镜中心的肛齿状线上倒镜图片，分为内痔组和正常组；根据LDRf分级标准，对内痔组进一步分级为Rf0、Rf1及Rf2三组。针对有无内痔、红色征、糜烂、血栓及活动性出血，构建基于ResNet50V2的可解释化模型，并利用江苏大学附属金坛医院内镜中心的内镜图片进行外部验证。使用准确性、敏感性、特异性以及F1值等指标对比可解释化模型与传统深度学习黑盒模型的表现，并与两位不同年资内镜医生进行比较。结果 ResNet可解释化模型的准确性为0.957、敏感性为0.978、特异性为0.974,F1值为0.958,其准确性高于黑盒模型的0.938,高年资内镜医生的0.933及低年资医生的0.907。此外，模型采用Grad-CAM方法突出图像中对模型推理依据的区域。结论 本研究通过收集内镜下肛齿状线上倒镜图像，构建可解释化计算机视觉模型并进行外部验证，提示该模型在内镜下内痔诊断与评级中表现优于传统深度学习黑盒模型。该模型在未来临床内镜诊疗中具有良好应用前景。