用于检测幽门螺杆菌感染的多区域多图像卷积神经网络模型

《Surgical Endoscopy》：Multi-region and multi-image convolutional neural network model for detecting gastric helicobacter pylori infection

胃癌Helicobacter pylori感染诊断采用多区域多图像CNN模型，在5169例（104437张图像）测试中准确率95.1%显著高于单图像模型的93.3%（p<0.05），灵敏度96.5%对比94.4%，AUC达99.0%。外部验证显示该模型在696例（20,948张图像）非训练医院数据中准确率89.7%远优于77.6%（p<0.01），验证了其泛化能力。

　　

摘要

背景

目前用于检测幽门螺杆菌（HP）感染的人工智能（AI）模型依赖于单张图像，缺乏对胃部多区域数据的整合。我们开发了一种多区域、多图像的卷积神经网络（CNN）模型，以提高诊断准确性。

方法

来自南方医科大学南方医院的5,169例病例（104,437张图像）被分为训练集（80%）和测试集（20%）。我们分别训练了单图像CNN模型和多区域CNN模型，并对其进行了HP感染诊断的测试。外部验证使用了来自三家非训练医院的696例病例（20,948张图像），这些医院包括南方医科大学南方医院白云分院、南方医科大学顺德医院和深圳市第二人民医院。

结果

(1) 在南方医科大学南方医院的测试集上，多区域多图像CNN模型和单图像CNN模型的验证结果如下：准确率分别为95.1%和93.3%，P < 0.05；敏感性分别为96.5%和94.4%，P < 0.05；特异性分别为93.4%和92.2%，P > 0.05；AUC分别为99.0%和98.1%。(2) 在非训练医院数据集（南方医科大学南方医院白云分院、南方医科大学顺德医院和深圳市第二人民医院）上，多区域多图像CNN模型和单图像CNN模型的验证结果如下：准确率分别为89.7%和77.6%，P < 0.01；敏感性分别为90.2%和82.4%，P < 0.01；特异性分别为89.1%和72.9%，P < 0.01；AUC分别为92.5%和82.4%。

结论

多区域多图像CNN模型显著提高了AI在诊断幽门螺杆菌感染方面的准确性、敏感性、特异性和泛化能力。