科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 基于深度学习算法构建内镜肠道准备评分的计算机视觉模型。方法 收集苏州大学附属第一医院消化内镜中心（600张）及HyperKvasir数据库（1794张）的内镜图片共2394张，根据Boston肠道准备量表完成肠道清洁度评分（0～3分，四分类），按6∶2∶2随机分为训练集（1439张）、验证集（478张）和测试集（477张）。选取3种深度学习网络（DenseNet169、DenseNet121、EfficientNet B3），利用迁移学习方式训练肠道准备分类模型，并采用测试集的混淆矩阵等指标评价模型分类能力，与高、低年资医师的分类能力进行对比。结果 成功构建3个基于深度学习的肠道准备分类模型。各模型的分类准确度均较高，平均分类准确度为0.897，近似于低年资内镜医师（0.914），低于高年资内镜医师（0.941）的分类表现。其中，DenseNet169模型表现最好，分类准确度（0.914）及平均精确度（0.892）均为最高。此外，采用梯度加权分类激活映射算法，用热力图形式对模型的分类推理进行可视化呈现。结论 运用深度学习算法构建的内镜肠道准备分类模型具有可行性，可通过多中心研究扩大样本来源进一步提高模型的分类及泛化能力。
- 出版日期2023
- 单位苏州大学附属第一医院
