随着持续、准确地处理大量数据（尤其是视觉数据）的能力不断提高，计算机辅助诊断系统越来越多地用于协助医生的工作。反过来，这可以导致医疗保健的有意义的改善。这可能特别有用的一个例子是在结直肠癌(CRC)的诊断和治疗中，这是特别致命的，每年导致全球超过90万人死亡。CRC起源于结肠中的小的癌前病变，称为息肉，识别和去除息肉在预防CRC相关死亡方面非常成功。
胃肠病学家(GI)用来检测和去除息肉的标准程序是结肠镜检查，仅在美国，每年就进行大约万次此类程序。在结肠镜检查期间，胃肠病学家使用包含摄像头的探头检查肠道是否有癌前息肉和癌症的早期迹象，并去除看起来令人担忧的组织。然而，复杂的因素，例如不完整的检测（息肉出现在视野内，但被胃肠道遗漏，可能是由于其大小或形状）和不完整的探索（其中息肉没有出现在相机的视野中）视野），可能导致息肉丢失的比例很高。事实上，研究表明结肠镜检查中遗漏了22%–28%的息肉，其中20%–24%有可能发生癌变（腺瘤）。
今天，我们分享了在使用机器学习(ML)方面取得的进展，通过提高结肠镜检查的效率来帮助胃肠道抗击结肠直肠癌。在“通过大规模AI系统检测难以捉摸的息肉”中，我们提出了一个ML模型，旨在通过帮助GI检测视野内的息肉来解决不完全检测的问题。这项工作增加了我们之前发表的工作，该工作通过标记可能遗漏的GI后续区域来最大化结肠镜检查期间结肠的覆盖范围。使用临床研究，我们表明这些系统显着提高了息肉检测率。
不完全探查为了帮助GI检测视野外的息肉，我们之前开发了一个ML系统，该系统通过在结肠镜检查期间估计结肠的覆盖和未覆盖区域的比例来降低不完全探查率。这项较早的工作使用计算机视觉和几何技术，我们称之为通过深度结肠镜检查覆盖不足，计算结肠的逐段覆盖率。它分为两个阶段：首先为结肠镜检查视频的每一帧计算深度图，然后使用这些深度图实时计算覆盖范围。
这种逐段工作产生了估计当前段的哪一部分已被覆盖的能力。此类功能的用处显而易见：在手术过程中，医生可能会收到覆盖范围不足的部分的警报，并可以立即返回检查这些区域，从而有可能降低因探查不完整而遗漏息肉的比率。
不完全检测在我们最近的论文中，我们研究了不完全检测的问题。我们描述了一种ML模型，该模型可帮助GI检测视野内的息肉，从而降低不完整检测率。我们开发了一个基于卷积神经网络(CNN)的系统，其架构将时间逻辑与单帧检测器相结合，从而实现更准确的检测。
这个新系统有两个主要优点。首先是系统通过减少难以捉摸的息肉的假阴性检测数量来提高检测性能，这些息肉对于胃肠道来说特别难以检测。第二个优点是系统的误报率非常低。这种低假阳性率使这些系统更有可能在临床中被采用。
我们对系统进行了个程序（86M视频帧）的训练，并在个程序（33M帧）上对其进行了测试。所有视频和元数据都进行了去标识化处理。该系统检测到97%的息肉（即，它产生了97%的灵敏度），每个程序有4.6次误报，这比以前公布的结果有了很大的改进。在误报中，后续审查表明，有些实际上是有效的息肉检测，表明系统能够检测到执行内窥镜检查者和数据注释者遗漏的息肉。系统在这些难以捉摸的息肉上的表现表明了它的普遍性，因为系统已经学会了检测最初被所有查看该过程的人遗漏的示例。
我们评估了视野中不到5秒的息肉的系统性能，这使得GI更难以检测它们，并且对于这些模型的灵敏度通常要低得多。在这种情况下，系统获得的灵敏度大约是原始程序所达到的灵敏度的三倍。当息肉出现在视野中不到2秒时，差异更加明显——系统的灵敏度提高了4倍。
值得注意的是，该系统对神经网络架构的选择相当不敏感。我们使用了两种架构：RetinaNet和LSTM-SSD.RetinaNet是一种领先的静态图像对象检测技术（用于视频，以连续方式将其应用于帧）。在给定固定计算预算的情况下，它是各种基准测试中表现最好的之一，并且以平衡计算速度和准确性而闻名。LSTM-SSD是一种真正的视频对象检测架构，它可以明确说明视频的时间特征（例如，检测的时间一致性、处理模糊和快速运动的能力等）。它以健壮和计算量非常轻而著称，因此可以在较便宜的处理器上运行。在更重的FasterR-CNN上也获得了类似的结果建筑学。不同架构的结果相似这一事实意味着可以选择满足可用硬件规格的网络。
前瞻性临床研究作为我们检测论文中报告的研究的一部分，我们与耶路撒冷的ShaareZedek医疗中心合作对个程序进行了临床验证，在那里我们的系统被实时用于帮助GI。该系统帮助每个程序平均检测到一个息肉，否则执行该程序的GI会遗漏这些息肉，同时不会遗漏任何GI检测到的息肉，并且每个程序有3.8个误报。地理标志的反馈一直是积极的。
预览时标签不可点收录于话题#个上一篇下一篇