亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        深度學(xué)習(xí)在內(nèi)鏡下內(nèi)痔診斷及危險分級中的應(yīng)用*

        2023-03-14 07:52:14陸建英沈文娟顧瑩沈琳霞張葉群袁金丹張芝芝許春芳朱錦舟
        中國內(nèi)鏡雜志 2023年2期
        關(guān)鍵詞:內(nèi)痔年資肛腸

        陸建英,沈文娟,顧瑩,沈琳霞,張葉群,袁金丹,張芝芝,許春芳,朱錦舟

        (蘇州大學(xué)附屬第一醫(yī)院 消化內(nèi)科,江蘇 蘇州 215000)

        痔瘡是肛腸常見病,我國2015年流行病學(xué)調(diào)查顯示,成年人中超過一半患有肛腸疾病,98%有痔瘡癥狀[1]。內(nèi)痔占痔瘡患者的60%,常見癥狀包括:出血、脫垂及肛門瘙癢等[2]。以往,國內(nèi)外在內(nèi)痔診治方面的研究往往是由肛腸外科或中醫(yī)科主導(dǎo)。隨著軟式消化內(nèi)鏡設(shè)備與技術(shù)的飛速發(fā)展,其在內(nèi)痔臨床診療中逐漸發(fā)揮了重要作用。相比傳統(tǒng)的硬式肛腸鏡,利用消化內(nèi)鏡,特別是在胃鏡倒鏡下,觀察肛齒狀線上形態(tài)特征,具有視野廣闊、圖像清晰和操控靈活等優(yōu)點[3]。但由于大多數(shù)消化內(nèi)鏡醫(yī)生缺乏肛腸疾病診療經(jīng)驗,對內(nèi)痔內(nèi)鏡下特征及分級并不熟悉。近年來,基于深度學(xué)習(xí)的人工智能系統(tǒng)在消化內(nèi)鏡診療方面取得了令人矚目的進展[4]。本研究旨在通過建立內(nèi)鏡下內(nèi)痔診斷及危險分級的深度學(xué)習(xí)模型,探討人工智能輔助內(nèi)鏡下內(nèi)痔診療的可行性。

        1 資料與方法

        1.1 一般資料

        本研究納入2020年3月-2022年1月蘇州大學(xué)附屬第一醫(yī)院內(nèi)鏡中心腸鏡檢查患者的資料,根據(jù)2021年中華醫(yī)學(xué)會消化內(nèi)鏡學(xué)分會內(nèi)痔協(xié)作組發(fā)布的“中國消化內(nèi)鏡內(nèi)痔診療指南及操作共識(2021)”[2],將肛齒狀線上倒鏡圖片分為內(nèi)痔組和正常組(A任務(wù))。另外,根據(jù)指南中LDRf分類的危險因素[2],將內(nèi)痔組進一步分為Rf0組、Rf1組和Rf2組(B任務(wù))。內(nèi)鏡圖像由3名高年資內(nèi)鏡醫(yī)師( > 10年內(nèi)鏡工作經(jīng)驗)共同判讀,作為內(nèi)痔診斷及分級標(biāo)準(zhǔn)。研究流程見圖1。

        圖1 研究流程Fig.1 Flowchart of the study

        納入標(biāo)準(zhǔn):①同意參與本項研究;②采集肛齒狀線上清晰的倒鏡圖像。排除標(biāo)準(zhǔn):①腸道準(zhǔn)備不佳,影響圖像質(zhì)量;②肛直腸手術(shù)史;③盆腔放療史;④炎癥性腸病活動期;⑤孕婦。本研究經(jīng)蘇州大學(xué)附屬第一醫(yī)院倫理委員會審批通過(批號:2022098)。

        1.2 設(shè)備

        奧林巴斯260、290機型及富士601機型等。

        1.3 資料收集與體格檢查

        1.3.1 病史資料①是否存在便血、肛門脫垂和疼痛等情況;②飲食和生活習(xí)慣;③排便的頻率和大便性狀,是否有久坐久蹲等不良生活習(xí)慣等;④個人史、服藥史和家族史等。

        1.3.2 體格檢查①肛門區(qū)視診:是否有內(nèi)痔脫垂、外痔和血栓等情況;②直腸指診:是否存在肛門狹窄,觀察指套有無黏液和膿血等。

        1.3.3 腸鏡檢查①記錄是否有結(jié)直腸腫瘤、炎癥性腸病和缺血性腸病等情況;②記錄是否有內(nèi)痔,包括:痔核大小、數(shù)量、部位和表面紋理等特征;③有無瘺管和血栓形成等。

        1.4 深度學(xué)習(xí)網(wǎng)絡(luò)

        1.4.1 圖像輸入原始內(nèi)鏡圖像經(jīng)縮放至相同格式,即:3通道331×331像素,像素值歸一化到0至1。經(jīng)預(yù)處理后進行圖像增強,避免因樣本量小而造成過擬合,而后載入深度學(xué)習(xí)。

        1.4.2 模型選擇在Keras模塊或TensorFlow-hub中,獲取經(jīng)ImageNet數(shù)據(jù)庫預(yù)訓(xùn)練后的所需模型,包括:Xception,ResNet50V2(ResNet),EfficientNet-V2s(EfficientNet),Vision Transformer s16(ViT)以及ConvMixer-768/32(ConvMixer)。前三者為卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)框架,后兩者為Transformer框架的深度學(xué)習(xí)網(wǎng)絡(luò)。

        1.4.3 遷移學(xué)習(xí)將上述神經(jīng)網(wǎng)絡(luò),去掉頭端的分類層,僅保留特征提取層。將網(wǎng)絡(luò)框架及參數(shù)凍結(jié),并在頭端新建5個全連接層(層數(shù)分別為1 024,512,256,64及2)。前4層激活函數(shù)為ReLU,最后輸出層(即模型新分類器)為Sigmoid(A任務(wù))或ReLU(B任務(wù))激活函數(shù)。完成遷移學(xué)習(xí)框架的構(gòu)建,利用反向傳播,訓(xùn)練新建層的參數(shù)。

        1.4.4 訓(xùn)練參數(shù)在Keras模塊(TensorFlow為其后端)中,部署上述CNN框架或Transformer框架的深度學(xué)習(xí)網(wǎng)絡(luò),針對A與B兩項計算機視覺任務(wù),進行遷移學(xué)習(xí),并建立圖像分類模型。訓(xùn)練過程采用Adam優(yōu)化器,雙交叉熵損失函數(shù),固定0.0001的學(xué)習(xí)率。此外,圖像載入批量化,每批為32張。

        1.4.5 模型評價包括:準(zhǔn)確率、召回率、精確度、F1值及讀片時間。讀片結(jié)果與兩位不同年資的內(nèi)鏡醫(yī)生(低年資:<5年內(nèi)鏡工作經(jīng)驗;高年資: > 10年內(nèi)鏡工作經(jīng)驗)進行比較。

        1.4.6 模型可視化為了理解計算機視覺模型在圖像任務(wù)中的分類依據(jù),筆者采用了梯度加權(quán)分類激活映 射 (gradient-weighted class activation mapping,Grad-CAM)方法進行可視化解釋[5],即在原始圖片基礎(chǔ)上繪制熱力圖,展示深度學(xué)習(xí)模型對內(nèi)痔內(nèi)鏡圖片的理解。

        1.4.7 實驗平臺以上模型建立、訓(xùn)練及評價過程,均在Python(3.9版本)中實現(xiàn)。深度學(xué)習(xí)采用的是TensorFlow平臺(2.8.0)。實驗硬件條件為Mac mini,具有8核Apple M1處理器(內(nèi)建GPU),16 G內(nèi)存。

        2 結(jié)果

        2.1 深度學(xué)習(xí)模型在內(nèi)痔診斷(A任務(wù))中的表現(xiàn)

        對于肛齒狀線上倒鏡圖片,3個CNN框架網(wǎng)絡(luò)和2個Transformer框架網(wǎng)絡(luò)在區(qū)分正常組和內(nèi)痔組(即A任務(wù))中皆展現(xiàn)出較好的表現(xiàn)。其中,最優(yōu)模型為ConvMixer,在驗證集上準(zhǔn)確性最高(0.961),同時其召回率(0.955)、精確度(0.914)以及F1值(0.934)均最高。見圖2。

        圖2 深度學(xué)習(xí)模型與內(nèi)鏡醫(yī)生在驗證集中A任務(wù)的表現(xiàn)Fig.2 Performance of deep learning models and endoscopists in the A task in the validation dataset

        2.2 深度學(xué)習(xí)模型在內(nèi)痔分級(B任務(wù))中的表現(xiàn)

        上述5種深度學(xué)習(xí)模型在B任務(wù)測試集中也表現(xiàn)良好。最優(yōu)模型仍為ConvMixer,其在驗證集上準(zhǔn)確性最高(0.911)。見圖3。

        圖3 深度學(xué)習(xí)模型與內(nèi)鏡醫(yī)生在驗證集中B任務(wù)的表現(xiàn)Fig.3 Performance of deep learning models and endoscopists in the B task in the validation dataset

        2.3 深度學(xué)習(xí)模型與內(nèi)鏡醫(yī)師的表現(xiàn)比較

        在A任務(wù)中,最佳模型ConvMixer(0.961)以及EfficientNet(0.956)在準(zhǔn)確性方面均優(yōu)于高年資內(nèi)鏡醫(yī)生(0.952);所有深度學(xué)習(xí)模型優(yōu)于低年資內(nèi)鏡醫(yī)生(0.913)。在B任務(wù)中,模型ConvMixer(0.911)、EfficientNet(0.901)以及ViT(0.891)的準(zhǔn)確性均優(yōu)于高年資內(nèi)鏡醫(yī)生(0.881);所有深度學(xué)習(xí)模型均優(yōu)于低年資內(nèi)鏡醫(yī)生(0.832)。

        2.4 深度學(xué)習(xí)模型與內(nèi)鏡醫(yī)師在驗證集中的讀片用時

        在A與B任務(wù)中,所有深度學(xué)習(xí)模型在驗證集中讀片用時均<10 s,速度快于內(nèi)鏡醫(yī)生(均 > 300 s)。見圖4。

        圖4 深度學(xué)習(xí)模型與內(nèi)鏡醫(yī)生在2項任務(wù)驗證集中的讀片用時(s)Fig. 4 Reading time of deep learning models and endoscopists in the validation dataset (s)

        2.5 深度學(xué)習(xí)可解釋性呈現(xiàn)

        采用Grad-CAM方法為內(nèi)鏡圖片生成可視化激活圖,通過對原始圖像著色來突出圖像中對模型判斷較重要的區(qū)域。3組內(nèi)痔圖片中,最左側(cè)為原始內(nèi)鏡圖像,中間為神經(jīng)網(wǎng)絡(luò)特征提取輸出層的像素化激活層(即熱力圖),最右側(cè)為原始圖像基礎(chǔ)上覆蓋了可視化激活層(即熱力圖),呈現(xiàn)的是模型判斷出的病變部位,橘紅色部分為深度學(xué)習(xí)模型判斷依據(jù)的高權(quán)重區(qū)域,即:模型認(rèn)為內(nèi)痔在圖像中的位置。見圖5。

        圖5 Grad-CAM可視化激活圖Fig.5 The visualized heatmaps of Grad-CAM

        3 討論

        3.1 內(nèi)痔的傳統(tǒng)診治方法

        傳統(tǒng)的內(nèi)痔診治工作往往由肛腸外科或中醫(yī)科通過肛門鏡實現(xiàn)。由于肛門鏡的直視硬鏡工作原理,其應(yīng)用受到視野較窄和操作不靈活等缺點的限制[6-7]。近年來,消化內(nèi)鏡診療飛速發(fā)展,臨床上將成熟的內(nèi)鏡技術(shù)運用在肛腸疾病中。通過電子軟鏡進行內(nèi)痔等肛腸疾病的診療,具有以下優(yōu)勢:兼具正鏡和倒鏡,操作視野較好;可借助窄帶成像技術(shù)、放大內(nèi)鏡和超聲內(nèi)鏡等,了解病變性質(zhì)、結(jié)構(gòu)及范圍等信息;能同時行全結(jié)腸檢查,明確結(jié)直腸其他疾患;減少并發(fā)癥,患者痛苦少,術(shù)后恢復(fù)快[2,8]。2021年發(fā)布的消化內(nèi)鏡內(nèi)痔診療指南[2],進一步規(guī)范了消化內(nèi)鏡下內(nèi)痔的微創(chuàng)診療方法。

        3.2 內(nèi)痔的臨床表現(xiàn)

        內(nèi)痔最常見的臨床表現(xiàn)是出血和脫垂,嚴(yán)重影響著患者的生活質(zhì)量。長期反復(fù)便血或者急性大出血,可導(dǎo)致繼發(fā)性貧血,情況危重者甚至出現(xiàn)休克等癥狀,需要急診手術(shù)干預(yù)。因此,提早識別內(nèi)痔,進行危險分級,對于內(nèi)痔患者的臨床管理尤為重要。令狐恩強等[9]對內(nèi)鏡下內(nèi)痔表現(xiàn)提出了LDRf標(biāo)準(zhǔn),對內(nèi)痔危險因素進行了分級。本研究旨在建立針對內(nèi)鏡下內(nèi)痔診斷及危險分級的深度學(xué)習(xí)模型,以探討人工智能輔助內(nèi)痔診療的可行性。

        3.3 人工智能的臨床應(yīng)用

        隨著臨床數(shù)據(jù)的指數(shù)級增長,同時機器學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)新算法(即深度學(xué)習(xí))的出現(xiàn),人工智能在醫(yī)療實踐中的應(yīng)用也得到了快速發(fā)展,并取得了一系列矚目的成績。人工智能在消化內(nèi)鏡中的應(yīng)用,集中在計算機視覺的圖像任務(wù)[10]。其中,已進入或接近臨床應(yīng)用階段的技術(shù)包括:結(jié)直腸息肉的智能檢測[11],消化道早癌的輔助識別[12],膠囊內(nèi)鏡視頻篩查[13],以及內(nèi)鏡檢查質(zhì)量控制[14]等。目前,國內(nèi)外對深度學(xué)習(xí)應(yīng)用于內(nèi)鏡下內(nèi)痔輔助診療的相關(guān)報道較罕見。

        本研究收集本院內(nèi)鏡中心的肛齒狀線上倒鏡圖片,根據(jù)最新指南[2],選用基于CNN框架和Transformer框架的多個深度學(xué)習(xí)模型,對內(nèi)痔進行診斷和分級任務(wù)訓(xùn)練。結(jié)果顯示:深度學(xué)習(xí)模型在判斷正常與內(nèi)痔內(nèi)鏡照片中,準(zhǔn)確性優(yōu)于不同年資的內(nèi)鏡醫(yī)生;同時,根據(jù)內(nèi)鏡下內(nèi)痔LDRf危險分級的分類判斷中,深度學(xué)習(xí)模型同樣優(yōu)于內(nèi)鏡醫(yī)生。此外,在讀片用時方面,深度學(xué)習(xí)模型速度快于內(nèi)鏡醫(yī)生。最后,為避免深度學(xué)習(xí)“黑盒”的不可解釋性,筆者通過Grad-CAM方法呈現(xiàn)了模型對圖片的判斷依據(jù),高亮出模型認(rèn)為的內(nèi)痔所在區(qū)域。

        綜上所述,收集肛齒狀線上倒鏡圖像,建立內(nèi)痔診斷和危險分級的人工智能模型,經(jīng)模型訓(xùn)練及驗證后,發(fā)現(xiàn)深度學(xué)習(xí)模型在準(zhǔn)確性和讀片速度方面均優(yōu)于內(nèi)鏡醫(yī)生?;谏疃葘W(xué)習(xí)的計算機視覺模型可輔助內(nèi)鏡醫(yī)師進行內(nèi)痔診斷和分級,展現(xiàn)出潛在的臨床應(yīng)用前景。

        猜你喜歡
        內(nèi)痔年資肛腸
        混合模擬工作坊在低年資胸心外科住院醫(yī)師規(guī)范化培訓(xùn)中的應(yīng)用
        自動彈力線套扎術(shù)在內(nèi)痔治療中的應(yīng)用
        2019年資管行業(yè)十大猜想
        中國外匯(2019年6期)2019-07-13 05:44:18
        PDCA循環(huán)管理法在急診科低年資護士培訓(xùn)中的應(yīng)用
        常見肛腸疾病的診治
        內(nèi)痔直腸下端黏膜環(huán)切吻合,肛墊懸吊術(shù)(PPH術(shù))180 例的分析
        西藏科技(2015年2期)2015-09-26 12:18:28
        痔上黏膜環(huán)切釘合術(shù)對Ⅳ度內(nèi)痔的臨床分析
        在低年資護士培訓(xùn)中運用“三階梯”方法的實踐與體會
        活血潤腸湯治療肛腸術(shù)后便秘40例
        中醫(yī)護理干預(yù)肛腸術(shù)后患者排便50例
        丝袜美腿国产一区精品| 中文字幕无码av激情不卡| 先锋影音av资源我色资源| 红杏性无码免费专区| 亚洲精彩av大片在线观看| 很黄很色很污18禁免费| 玩弄丰满奶水的女邻居| 97久久人人超碰超碰窝窝| 五月婷婷六月激情| 亚洲av人妖一区二区三区| 国产亚洲一区二区三区夜夜骚| 男女做那个视频网站国产| 久久久久夜夜夜精品国产| 韩国v欧美v亚洲v日本v| 91精品在线免费| 日韩国产精品一区二区三区| 人人人妻人人澡人人爽欧美一区 | 亚洲日产精品一二三四区| 国产亚洲日韩在线三区| 欧美成人高清手机在线视频| 蜜桃网站入口可看18禁| 亚洲综合成人婷婷五月网址| 白天躁晚上躁麻豆视频| 99久久久无码国产aaa精品| 1精品啪国产在线观看免费牛牛| 中文字幕一区二区人妻在线不卡| 男女性行为免费视频网站| 99久久精品国产一区二区| 豆国产95在线 | 亚洲| 精品一区二区三区中文字幕在线| 免费看黄色亚洲一区久久| 日日摸天天摸97狠狠婷婷| 国产av无码专区亚洲av手机麻豆| 国产美女三级视频网站| 国产伦奸在线播放免费| 色佬精品免费在线视频| 天堂中文官网在线| 婷婷五月综合缴情在线视频| 欧美成人网视频| 邻居人妻的肉欲满足中文字幕| 少妇人妻中文字幕hd|