我国人工智能新突破!安翰科技研发的深度卷积神经网络模型取得突破性进展

时间:2019-11-02 来源:www.bvehk.net

?

原标题:中国人工智能的新突破! Anhan Technology开发的深度卷积神经网络模型的突破性进展对小肠疾病的敏感性诊断高达99.9%

安瀚科技在人工智能技术应用于小肠疾病的临床鉴定方面取得了突破。 2019年10月,国际消化领域顶级期刊《胃肠病学》(Gastroenterology)的封面文章(研究名称):使用深度学习模型通过胶囊内窥镜通过小肠内窥镜法对小肠疾病和正常变异的鉴定(翻译名称《使用深度学习模型的胶囊内窥镜对小肠疾病和黏膜正常改变的胃肠病专家级临床识别》)(1) 《胃肠病学》,影响因子19.233,RANK=1)已发布,标志着胃肠病学系新增了助手,有望大大改变小肠疾病的诊断模式,为临床医生和患者带来福音。

消化医学增加了新的辅助人工智能算法,可以大大提高阅读时间

最近,深度学习算法在医学领域的应用受到了广泛关注。据报道,基于深度学习的人工智能(AI)模型在皮肤癌的分类方面可与皮肤科医生媲美。 (2)此外,深度学习模型在结肠镜检查图像中实时识别腺瘤和增生性小结肠息肉的能力也得到了验证。本文针对小肠疾病识别的临床研究也基于深度学习AI模型,以区分异常图像和正常图像。 (3)

《使用深度学习模型的胶囊内窥镜对小肠疾病和黏膜正常改变的胃肠病专家级临床识别》本文由华中科技大学同济医学院附属协和医院的侯小华教授和荣蓉教授研究。第一作者是华中科技大学同济医学院附属协和医院消化内科丁震教授和史慧英博士。由于Anhan Technology为胶囊内窥镜数据图像数据的分析和深度学习模型的研究,深度学习算法的实现做出了重要贡献,因此,本文的三位作者是Anhan Technology的技术专家。

与传统的内窥镜检查和结肠镜检查不同,小肠疾病是传统内窥镜检查和影像学检查的难点。胶囊内窥镜的应用是治疗小肠疾病的重要方法。但是,由于小肠胶囊内窥镜检查的每个视频会导致8-10个小时的时间(平均单张获取图片/例),因此每个患者将花费1-2个小时的消化内科医师分析数据并逐一诊断。这种疾病,大大增加了消化医生分析和诊断小肠疾病的时间成本。同时,高强度人工阅读将增加漏诊的率,这大大限制了胶囊内窥镜在小肠疾病临床检查中的广泛应用。基于CNN算法的安汉人工智能技术的应用,将小肠胶囊内窥镜的读取时间缩短了93.9%至5.9分钟,有效地协助了消化内科医师诊断小肠胶囊的内窥镜图像。

人工智能培训可提高发现率并挽救患者生命

该研究是使用ANHE Technology ESView平台在77个医学检查中心进行的,并对患者进行了Anhan磁胶囊内窥镜检查。该系统由三部分组成:胶囊内窥镜,数据记录器和带有实时查看和控制软件的计算机工作站。

安汉胶囊内窥镜长27毫米,直径11.8毫米,重4.8克,视野范围大于140°±10%。胶囊以0-2帧/秒的动态帧速率自由通过小肠。以每秒0.8帧的平均速度捕获并记录图像。每个视频包含一个连续的单个图像/帧。视频中的每个图像或帧均按照拍摄的顺序标记有特定的编号,并保存到文件夹中。

该研究使用常规读取方法,深度卷积神经网络(CNN),人工智能图像辅助读取模型分别收集了2016年7月至2018年7月之间6,970例患者的113,426,569例小肠胶囊内窥镜图像。在CNN模型训练阶段,研究人员使用了1970位患者的小肠检查模型来建立模型;在模型验证阶段,使用5,000名患者的小肠检查图像对模型进行了验证。

WechatIMG5248.png

基于深度卷积神经网络辅助解释模型的验证阶段:在验证阶段,通过20例频繁的小肠胶囊内镜检查(SB-CE)对所有5000条记录(113,268,334张图像)进行了检查和评估消化内科医师通过传统方法进行诊断阅读和基于CNN的阅读。

对于传统阅读,由20位消化内科医师组成的团队阅读了5,000个患者的5,000个视频。这些视频被随机分配给20位消化科医师,每位消化科医师均收到250 WH视频。消化内科医生查看每个视频中的所有原始图像。对于CNN辅助读取,首先将5000例患者的所有原始胶囊内窥镜检查图像输入到CNN辅助读取模型中,然后手动检查由消化医师自动过滤的可疑异常图像。基于训练阶段中描述的CNN辅助解释模型选择可疑异常图像。所有消化内科医师均独立诊断了250名患者,并为其分配了病历,并记录了诊断信息和看电影的时间。

当在传统读数和CNN辅助读数之间达成诊断时,无需进一步评估。如果最终诊断结果不一致和/或观察到不同的病灶,则请20位消化内科医师坐在一起,重新评估患者图像,以确认或排除不一致之处。仅将最终的一致诊断用作诊断的参考。基于CNN辅助解释未检测到传统解释的病变。我们检查了由CNN辅助解释模型自动选择的可疑异常图像,以确定是否基于CNN辅助解释模型未检测到病变。对于通过CNN辅助解释识别的病变(传统解释无法识别),我们将重新检查通过CNN辅助解释识别的可疑异常图像和患者的原始视频。对于特定患者,由CNN辅助阅读模型自动过滤的可疑异常图像会被专门标记,因此很容易在原始视频中跟踪病变的位置。

值得一提的是,基于CNN的辅助阅读系统旨在确保最高的灵敏度,即尽可能多地筛查病变。研究人员将小肠检查图像分为正常图像和异常图像。在本研究中,异常图像在两个不同类别中被进一步定义:临床上显着的异常(例如炎症,溃疡,息肉,病变鼓胀,血管疾病,出血,寄生虫和憩室)和轻度异常。病变(淋巴管,淋巴滤泡增生等)。

WechatIMG5252.png

安瀚科技将人工智能技术应用于小肠病变的筛查,不仅实现了胶囊内镜的智能辅助应用,而且还希望大大改变小肠疾病的诊断方式,开创小肠疾病诊断的新纪元。小肠疾病,具有重要意义。临床和社会价值。将来,我们还将尝试验证该算法在其他类型的胶囊内窥镜检查中的应用,从而将福音带给临床医生和患者。

参考:

(1)使用深度学习模型通过胶囊内窥镜在肠胃病学级别上鉴定小肠疾病和正常变异[J]。

(2)Esteva A,Kuprel B,Novoa RA等。皮肤科医生通过深度神经网络对皮肤癌进行分类。自然2017; 542:115-118。

(3)Byrne MF,Chapados N,Soudan F等。实时有区别吗?在分析标准结肠的未改变视频时,腺瘤和增生性小肠息肉的位置?使用深度学习模型进行复制。肠2019; 68:94-100。

(编辑器:DF386)

精材艺匠生态板新年寄语:愿健康常相伴