基于深度学习构建结直肠息肉诊断自动分类模型

摘要：

目的:探讨基于深度学习的结直肠息肉诊断自动分类模型的构建。方法:收集2018年1月至2023年1月在苏州市3个内镜中心的不同图像增强内镜(IEE)技术下的结肠镜图像957张(常熟市第一人民医院537张，常熟市中医院359张，苏州大学附属第一医院61张)，依据病理结果分为正常组、增生性息肉组和腺瘤性息肉组。利用DenseNet-121、EfficientNet、resnet101和resnet50 4种卷积神经网络(CNN)框架，构建深度学习模型，并评估其与经验不同的内镜医师的准确率、召回率、精确度、F1值和读片时间。结果:EfficientNet在4个模型中最为优越，准确率0.961，召回率0.968，精确度0.959，F1值0.962，在读图用时方面，所有模型完成图像自动诊断任务的平均时间为(4.08±0.63)s，远快于内镜医师所需的平均时间[(291.10±17.68)s]，差异有统计学意义(t＝－36.22，P<0.01)。将EfficientNet预训练模型经迁移学习后的模型命名为"EffiPolyNet"，其在腺瘤性息肉上有少量误分类，但准确率达0.90，AUC为0.98。t-分布随机邻域嵌入(t-SNE)可视化揭示了腺瘤性和增生性息肉间部分语义特征重叠，解释了模型的误分类。利用梯度加权分类激活映射(Grad-CAM)和沙普利可加性解释(SHAP)，揭示了模型决策中的关键图像区域和特征的相对重要性。结论:EffiPolypNet模型在多种IEE技术的结直肠息肉性质分类中表现出色，为结肠镜光学诊断提供了高效且可靠的支持。

关键词：深度学习、卷积神经网络、息肉、消化内镜、t-分布随机邻域嵌入

所属期刊栏目：12

资助基金：江苏省333高层次人才培养工程SZFCXK202147;常熟市科技计划项目CS202116;常熟市医药卫生科技计划项目CSWS202316

在线出版日期：2024-03-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：9-17