结肠镜人工智能辅助诊断模型的构建

目的 运用临床结肠镜检查图像和视频，构建结肠镜辅助诊断人工智能深度学习模型。 方法 收集浙江大学医学院附属第二医院内镜中心2014年至2018年的结肠镜图像60余万幅，内镜专家录制大量高质量的结肠镜手术操作视频，以此作为分析数据。训练集样本的每个细分类别图像由6位内镜专家阅片，讨论确定细分类别病变特征，并删减部分模糊和易混淆的分类图像，最终的阅片结果大约为4选1。后再由自主开发的软件逐一标注。采用公信力最高的Google公司TensorFlow平台，对其深度学习算法进行二次开发。 结果 经过机器训练结果与内镜专家结合病理的判断结果进行反复的对比分析，在实验室条件下，该模型对部分疾病（如结肠息肉）的灵敏度为99%。在临床结肠镜操作实验中，该模型对结肠息肉的灵敏度为9830%（4 187/4 259），特异度为8810%（17 620/20 000）,诊断结肠息肉的总体准确率为9292%2×（9830%×8810%）/(9830%+8810%)]。对溃疡性结肠炎的灵敏度为7832%（2 671/3 410），特异度为6706%（13 412/20 000）。单张图像的诊断时长为（05±003）s，此时长为实时应用的时间，包括系统识别、视频图像中文字提示、后台记录和存储三个部分。 结论 本团队研发的人工智能辅助诊断模型能够识别的病灶有结肠息肉、结直肠癌、结直肠隆起性病变、结肠憩室、溃疡性结肠炎等。结肠病辅助诊断模型一方面能够指导肠镜初学者进行肠镜检查，另一方面提高了病灶检出率、并降低漏诊率，而且内镜中心整体的运行效率得以提升，有利于结肠镜检查的质量控制。

Construction of artificial intelligence assisted diagnosis model for colonoscopy