200
评论
查看更多
密码过期或已经不安全，请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
随着实时径向阵列和线性阵列EUS中正常解剖结构识别的卷积神经网络模型的发展，厄瓜多尔国家消化道研究所成功开发并验证了基于EUS的CNN模型，用于识别预先录制的视频和实时EUS中的正常解剖结构。这些模型可能有助于EUS的培训计划，缩短内窥镜医师的学习曲线。但该模型仍需要进一步的试验和评估，来判断其对受训者超声内镜水平及能力的影响。文章发表于《消化内镜》[Gastrointest Endosc. 2024 Feb;99(2):271-279.e2]杂志2024年2月刊。
EUS是一种需要经过大量练习才能掌握的高技能技术，然而全球范围内的训练设施都十分有限。卷积神经网络（CNN）模型先前已用于目标检测，本研究开发了2个基于EUS的CNN模型，用于实时线性和径向阵列EUS评估期间的正常解剖结构识别。
该研究于2020年2月至2022年6月进行，连续记录患者线状阵和放射状阵EUS影像。内窥镜专家在视频中识别并标记了20个正常的解剖结构，用于训练和验证CNN模型。最初的CNN模型（CNNv1）是从45个视频中开发出来的，改进的模型（CNNv2）是从另外102个视频中开发出来的。CNN模型的性能与2位专家内镜超声医生的识别能力进行了比较。CNNv1使用了45,034个线性阵列EUS帧和21063个径向阵列EUS帧。CNNv2使用了148,980个线性阵列EUS帧和128,871个径向阵列EUS帧。线性阵列CNNv1和径向阵列CNNv1的平均精度（mAP）分别为75.65%和71.36%，总损失分别为0.19和0.18。线性阵列CNNv2获得了88.7%的mAP，总损耗为0.06，而径向阵列CNNv2获得了83.5%的mAP，总损耗为0.07。CNNv2准确检测到所有研究的正常解剖结构，在临床验证中有98%的一致性。
结论为，本研究提出的CNN模型能够准确识别预先录制的视频和实时EUS中的正常解剖结构。但仍需要前瞻性试验来评估这些模型对EUS受训者学习曲线的影响。
EUS手术是一项技术要求较高的复杂手术，由于正规培训的缺乏以及高昂的费用，EUS医师严重不足，这直接制约了患者接受EUS诊断和治疗的可行性。因此，必须寻找并发展新的训练方法和技巧，以解决这一难题。人工智能（AI）是医学研究的一个新兴领域。卷积神经网络（CNN）模型是一种高级类型的深度学习，擅长从图像中提取判别特征，如模式、结构或病变，并具有空间特征，保留CNN模型在计算机视觉任务。它们已被证明在解释横断面图像和通过计算机辅助检测软件检测结肠息肉、肝脏肿块和胰腺病变的胃肠道内窥镜检查中有效，可以提高内窥镜医师的诊断准确性。因此，通过使用基于人工智能的现代计算工具，可以通过使用录制视频及实时结构检测和辅助进行远程训练，有助于克服EUS训练中的传统障碍。
CNN模型可用于开发医学软件，通过识别正常解剖结构，进行EUS的客观训练测量。EUS训练期间的AI辅助提高了胰腺分割和血管识别的诊断准确性，缩短了EUS学习曲线。然而，已开发的计算机辅助EUS检测软件主要集中在特定疾病上，这限制了正常解剖结构的识别，假阳性率较高。并且CNN模型作为加强超声医师培训的一种手段，其效果尚未得到评估。因此，在本研究中，我们开发了高度准确的基于EUS的CNN模型，用于实时线性阵列和扇形阵列EUS期间从纵隔、胃和十二指肠窗口识别正常解剖结构。
此外，CNN模型在EUS中的成功应用提示了在其他诊断成像方式中使用类似模型的可能性。这为进一步的研究和开发开辟了道路。它还可以通过识别解剖结构并在手术过程中提供指导，从而对治疗性的EUS手术提供帮助。但不可否认，该研究是在一个中心进行的，参与的超声医师数量有限，在未来的研究中，我们需要进行更大规模的、前瞻性的试验，以深入评估将CNN模型纳入EUS培训计划的影响。我们希望通过这种方式，能够更准确地评估这些模型对受训者长期进步的影响。
总之，该研究成功开发并验证了基于EUS的CNN模型，用于识别预先录制的视频和实时EUS中的正常解剖结构，并有可能帮助EUS培训计划，缩短内窥镜医师的学习曲线，但仍需要进一步的试验和评估。
（首都医科大学附属北京友谊医院消化内科 赵正整理，张澍田 教授审校）
查看更多
中国医学论坛报
壹生
今日肿瘤
今日循环
今日糖尿病
今日口腔
全科周刊
脱贫地区农副产品网络销售平台
京公网安备 11010202008182号
| 互联网新闻信息服务许可证编号：10120190017