论文部分内容阅读
目的:胃癌患病率在全球癌症人口中居第五位,在癌症相关性死亡原因中排第三位。胃黏膜萎缩是胃癌进展的关键阶段。早期诊断慢性萎缩性胃炎可以对患者进行生活方式或药物干预,对预防胃癌的发生发展具有重要意义。然而,内镜下诊断慢性萎缩性胃炎的敏感性仅为42%,临床上慢性萎缩性胃炎的诊断依据病理组织检查,导致临床工作中慢性萎缩性胃炎漏诊率较高。为提高慢性萎缩性胃炎的内镜下诊断率,我们旨在将人工智能技术应用于慢性萎缩性胃炎内镜下图像的研究,建立人工智能技术辅助慢性萎缩性胃炎内镜下诊断模型（convolutional neural network-chronic atrophic gastritis,CNN-CAG）。方法:我们收集了山西省人民医院2018年4月到2019年4月之间1699例患者的5470张胃镜下胃窦图像,并依据病理组织学检查结果进行标记。其中3042张图像为慢性萎缩性胃炎,2428张图像为非萎缩性胃炎,按70%,15%,15%的比例分为CNN-CAG模型的训练集、验证集、测试集,训练并测试CNN-CAG模型在内镜图像下诊断萎缩性胃炎准确度、敏感度、特异度;将慢性萎缩性胃炎依据病理结果提示的萎缩程度分为轻度慢性萎缩性胃炎、中度萎缩性胃炎、重度萎缩性胃炎,分别对CNN-CAG模型进行训练,观察CNN-CAG模型对不同胃黏膜萎缩程度CAG的诊断准确性;将CNNCAG模型与3名高年资内镜医师、2名住院医师同时进行内镜图片下CAG的诊断,比较CNN-CAG模型与内镜医师诊断准确率的差别。结果:人工智能技术辅助慢性萎缩性胃炎内镜下诊断模型诊断慢性萎缩性胃炎的准确率、敏感性和特异性分别为0.942、0.945和0.940,略优于高年资内镜医生,明显优于住院医师;CNN-CAG模型对轻、中、重度萎缩性胃炎的诊断准确性分别为93%、95%和99%。结论:应用人工智能技术辅助慢性萎缩性胃炎内镜下诊断模型可以准确在内镜下诊断慢性萎缩性胃炎并可以进行胃黏膜萎缩程度的评估,这可以大大简化诊断程序、减轻内镜医师的工作负担。