0
| 本文作者： 李雨晨 | 2019-11-13 10:57 |
上消化道癌癥（包括食道癌和胃癌）是世界范圍內(nèi)最常見的惡性腫瘤。
據(jù)國家癌癥中心統(tǒng)計數(shù)據(jù)顯示，全球約50%的上消化道癌（包括食管癌、胃癌等）發(fā)生在中國，其中超過85%的患者在確診時已為中晚期，每年因此導(dǎo)致的死亡病例超過40萬，但如果能早期發(fā)現(xiàn)，5年生存率可以超過90%。
為了克服這一挑戰(zhàn)，許多國家已經(jīng)制定并實施了上消化道內(nèi)鏡指南和技術(shù)，如窄帶成像和共焦激光內(nèi)窺鏡，從而提高了早期上消化道腫瘤的檢出率。但是在內(nèi)鏡檢查中，可疑上消化道癌癥被漏診的風險在病人數(shù)量少的醫(yī)院、欠發(fā)達地區(qū)或偏遠地區(qū)，甚至在經(jīng)常進行內(nèi)鏡檢查的國家可能仍然很高。
人工智能在醫(yī)學(xué)的各個領(lǐng)域展示出了非常大的潛力，臨床上，內(nèi)窺鏡人工智能最重要的用途是幫助區(qū)分腫瘤性病變和非腫瘤性病變。盡管人工智能在上消化道癌癥診斷中的應(yīng)用已發(fā)表了令人鼓舞的初步結(jié)果，但由于研究設(shè)計有待改進（如單中心研究、小樣本和回顧性分析），它們的臨床價值比較小。
因此，中山大學(xué)腫瘤防治中心主任、院長、所長，華南腫瘤學(xué)國家重點實驗室主任徐瑞華教授帶領(lǐng)由數(shù)十位專家組成的團隊開展了多學(xué)科聯(lián)合攻關(guān)，成功自主研發(fā)出了一套上消化道癌內(nèi)鏡AI輔助診斷系統(tǒng)，利用來自6家醫(yī)院的真實內(nèi)鏡成像數(shù)據(jù)來檢測上消化道腫瘤。
雷鋒網(wǎng)了解到，團隊的這款A(yù)I診斷平臺名叫GRAIDS，經(jīng)臨床實踐數(shù)據(jù)驗證，對上消化道腫瘤的診斷敏感性高達90%以上，優(yōu)于非專家級別內(nèi)鏡醫(yī)師。
2019年10月，相關(guān)研究成果《人工智能實時輔助內(nèi)鏡早期診斷上消化道腫瘤：一項多中心、病例對照、診斷性研究》正式在線發(fā)表于全球頂尖學(xué)術(shù)期刊《柳葉刀·腫瘤學(xué)》上。
這項多中心、病例對照、診斷性研究在中國六家醫(yī)院進行，回顧性地從國立中山大學(xué)腫瘤中心（廣州）的影像數(shù)據(jù)庫中獲得內(nèi)鏡圖像，用于GRAIDS的開發(fā)和驗證。此外，團隊還開發(fā)了一個CAD系統(tǒng)，實時識別上消化道癌性病變，用于常規(guī)內(nèi)鏡檢查。安裝CAD系統(tǒng)的計算機直接連接到內(nèi)窺鏡裝置上，從而允許在內(nèi)窺鏡檢查期間提供全自動輔助診斷。
從2018年7月21日起，GRAIDS在線發(fā)布，并在sysucc（中山大學(xué)腫瘤防治中心）的內(nèi)窺鏡實踐中得到了應(yīng)用。
以下為論文詳細內(nèi)容，由雷鋒網(wǎng)AI掘金志學(xué)術(shù)組編譯和編輯。關(guān)注AI掘金志公眾號，在對話框回復(fù)關(guān)鍵詞“中山大學(xué)”，即可獲取原文PDF。
這項多中心、病例對照、診斷性研究在中國的6家不同級別的醫(yī)院（中山大學(xué)腫瘤防治中心、粵北人民醫(yī)院、梧州紅十字醫(yī)院、江西腫瘤醫(yī)院、普寧人民醫(yī)院、揭陽人民醫(yī)院）進行。從所有參與醫(yī)院檢索到18歲或18歲以上未進行過內(nèi)鏡檢查、可持續(xù)參加研究患者的圖像。所有經(jīng)組織學(xué)證實為惡性腫瘤的上消化道腫瘤患者（包括食管癌和胃癌）均符合本研究的要求。只有帶有標準白光的圖像才被認為是合格的。
我們將中山大學(xué)腫瘤中心的圖像隨機（8:1:1）分配到graids開發(fā)的訓(xùn)練和內(nèi)部驗證數(shù)據(jù)集，內(nèi)部驗證數(shù)據(jù)集用來評估GRAIDS性能。采用中山大學(xué)腫瘤中心（國立醫(yī)院）的內(nèi)部和前瞻性驗證集和5家基層醫(yī)院的額外補充驗證集對其診斷性能進行評估。
GRAIDS的診斷能力也與具有三個不同專業(yè)級別的內(nèi)窺鏡醫(yī)師進行了比較：專家醫(yī)師、主管醫(yī)師和實習(xí)醫(yī)師。GRAIDS和內(nèi)窺鏡對癌性病變的診斷準確度、敏感性、特異性、陽性預(yù)測值和陰性預(yù)測值，采用 Clopper-Pearson方法計算95% CIs。
我們用來自84424人的1036496張內(nèi)鏡圖像進行GRAIDS的訓(xùn)練和驗證。
上消化道腫瘤的診斷準確率在內(nèi)部驗證集中為0.955（95%ci 0.952-0.957），在前瞻性驗證集中為0.927（0.925-0.929），在5個外部驗證集中為0.915（0.913-0.917）到0.977（0.977-0.978）。GRAIDS的診斷敏感度與內(nèi)窺鏡檢查專家相似，與內(nèi)窺鏡普通醫(yī)師和實習(xí)醫(yī)生相比，graids具有更高的敏感性。
GRAIDS的陽性預(yù)測值為0.814（95%ci 0.788-0.838），內(nèi)窺鏡專家為0.932（0.913-0.948），內(nèi)窺鏡普通醫(yī)師為0.974（0.960-0.984），實習(xí)內(nèi)窺鏡師為0.824（0.795-0.850）。GRAIDS陰性預(yù)測值為0.978（95%ci 0.971-0.984），內(nèi)窺鏡專家陰性預(yù)測值為0.980（0.974-0.985），內(nèi)窺鏡普通醫(yī)師陰性預(yù)測值為0.951（0.942-0.959），內(nèi)窺鏡實習(xí)醫(yī)生陰性預(yù)測值為0.904（0.893-0.916）
所有圖像均以高分辨率拍攝，但使用不同的內(nèi)窺鏡和視頻系統(tǒng)。所有上消化道內(nèi)鏡圖像均以jpeg格式存儲在6家醫(yī)院的影像數(shù)據(jù)庫中。只有帶有標準白光的圖像才被認為是合格的。不包括染色圖像、窄帶圖像、因停頓、模糊、散焦、粘液和空氣吹掃不良而產(chǎn)生的低質(zhì)量圖像以及非內(nèi)窺鏡圖像。
來自Sysucc的8位經(jīng)驗豐富的內(nèi)窺鏡醫(yī)師對所有圖像的質(zhì)量進行了評估，每人至少有5年的經(jīng)驗，并進行了3000多次檢查。所有上消化道腫瘤病灶均由同一組內(nèi)鏡醫(yī)師手工標記。他們仔細地標記每個癌灶的邊界。那些在解剖位置上與病理報告不符的內(nèi)鏡圖像被丟棄。
我們將來自6家醫(yī)院的相同數(shù)量的圖像分配給4組經(jīng)驗豐富的內(nèi)窺鏡醫(yī)師（每組2名內(nèi)窺鏡醫(yī)師）進行質(zhì)量控制、標記和勾畫。同一組的兩位內(nèi)窺鏡醫(yī)師在標記和勾畫方面進行了合作。勾畫過程中，一名內(nèi)窺鏡醫(yī)師在另一名內(nèi)窺鏡醫(yī)師的監(jiān)督下進行勾畫。只有當來自同一組的兩位內(nèi)窺鏡醫(yī)師達成共識時，圖像選擇、標記和勾畫才最終確定。
GRAIDS算法開發(fā)
將來自sysucc的圖像（8:1:1）隨機分配給用于GRAIDS開發(fā)的訓(xùn)練和內(nèi)部驗證數(shù)據(jù)集，以及用于GRAIDS性能評估的內(nèi)部驗證數(shù)據(jù)集。GRAIDS的算法基于DeepLab’s V3+ 的概念，并包含一個編碼器和解碼器模塊。模型有一個輸入和兩個輸出，模型輸入上消化道內(nèi)鏡圖像。
第一個輸出是一個標準的兩分類任務(wù)，用于確定輸入圖片是否包含腫瘤。第二個輸出實現(xiàn)了一個分割任務(wù)，該任務(wù)標出輸入圖像的腫瘤區(qū)域。采用四個內(nèi)窺鏡組（每個組由兩個內(nèi)窺鏡醫(yī)師組成）的標記和勾畫數(shù)據(jù)作為訓(xùn)練樣本的金標準。學(xué)習(xí)曲線用來表示圖像分類效果，交叉聯(lián)合（IOU）代表模型的圖像分割性能。
GRAIDS算法驗證
我們首先使用內(nèi)部驗證數(shù)據(jù)集和來自sysucc的前瞻性驗證數(shù)據(jù)集驗證GRAIDS在識別患者上消化道腫瘤方面的性能。然后我們使用來自五家參與醫(yī)院的外部驗證數(shù)據(jù)集評估GRAIDS的穩(wěn)健性，每一家醫(yī)院都有少量的上消化道癌癥患者。
為了進一步的性能評估，我們從前瞻性驗證集中隨機選擇了組織學(xué)確診的上消化道腫瘤患者的圖像子集。三位不同專業(yè)程度的內(nèi)窺鏡醫(yī)師（專家、主管和實習(xí)醫(yī)師）被要求獨立完成相同的測試圖像檢測，并將其結(jié)果與GRAIDS的結(jié)果進行比較，患者的人群信息和最終組織病理學(xué)結(jié)果對他們不可見。
這三位內(nèi)窺鏡醫(yī)師都沒有參與圖像的選擇和標記，在內(nèi)窺鏡檢查人員進行評估之前，這些圖像也被打亂和去除標記。內(nèi)窺鏡專家是一位在內(nèi)窺鏡檢查方面有10多年經(jīng)驗的教授。內(nèi)窺鏡普通醫(yī)師是一名主治醫(yī)生，具有5年以上的經(jīng)驗，完成了臨床和特定的內(nèi)窺鏡培訓(xùn)。內(nèi)窺鏡實習(xí)醫(yī)師是一名有兩年內(nèi)窺鏡經(jīng)驗的住院醫(yī)師。
統(tǒng)計學(xué)分析
采用 Clopper-Pearson方法計算95% CIs，評價graids對癌性病變鑒別診斷的準確性、敏感性、特異性、陽性預(yù)測值（ppv）和陰性預(yù)測值（npv）。我們使用ROC曲線來顯示深度學(xué)習(xí)算法在鑒別上消化道癌癥患者與正常人的診斷能力。通過改變預(yù)測概率閾值，繪制真陽性病例比例（敏感性）與假陽性病例比例（1-特異性）的ROC曲線。ROC曲線下面積越大，診斷效果越好。所有統(tǒng)計檢驗均為雙側(cè)，顯著性水平為0.05。用3.5.1版r軟件進行統(tǒng)計分析。
結(jié)果
2009年1月12日至2017年9月30日期間，從Sysucc的上消化道內(nèi)窺鏡成像數(shù)據(jù)庫獲得了來自20352名參與者的314 726張圖像（圖1）。因病理診斷不明確，病理報告不清，排除1587例（7.8%）。在質(zhì)量控制評估后，178282張圖像中有21075張（11.8%）被丟棄，因為它們是質(zhì)量差的非內(nèi)窺鏡圖像，或者在解剖位置上與病理報告不一致。對于癌癥患者，僅包括癌癥病變的圖像（n=39462）被納入研究。對于沒有癌癥的參與者，117745張圖片被用作對照組（圖1）。對于前瞻性驗證數(shù)據(jù)集，在2018年7月21日至2018年11月20日期間，在Sysucc前瞻性收集并標記4317張癌癥圖像和62433張對照圖像。
在其他五個參與醫(yī)院，在2018年7月21日和2018年11月20日之間，從粵北人民醫(yī)院獲得了2439張癌癥和73015張對照圖像，從梧州紅十字醫(yī)院獲得5244張癌癥和197588張對照圖像，從江西腫瘤醫(yī)院獲得9712張癌癥和112185張對照圖像，從普寧市人民醫(yī)院獲得7095張癌癥和286095張對照圖像，從揭陽市人民醫(yī)院獲得4173張癌癥和114993張對照圖像。
總體而言，來自84424個人的1036496張內(nèi)窺鏡圖像被用來開發(fā)和測試GRAIDS。
上消化道腫瘤的患病率在訓(xùn)練組為50.2%（15040名患者中7557名），在內(nèi)部驗證組為51.0%（1839名患者中938名），在內(nèi)部驗證組為50.8%（1886名患者中959名），在前瞻性驗證組為32.0%（1794名患者中574名）。江西腫瘤醫(yī)院外部驗證組9.2%（8634例中794例），粵北人民醫(yī)院9.5%（4109患者中390例 ），梧州紅十字醫(yī)院4.8%（17239患者中830例），普寧市人民醫(yī)院3.8%（26143患者中993例），揭陽市人民醫(yī)院7.2%（7686名患者中有552名）（表1）。上消化道腫瘤的詳細分期信息僅在前瞻性驗證集可見。
在176個epochs（整個訓(xùn)練集的迭代）之后，由于兩個任務(wù)的準確性和交叉熵損失以及第二個任務(wù)中IOU都沒有進一步的提高，訓(xùn)練過程結(jié)束。GRAIDS對上消化道癌病變的預(yù)測區(qū)域與內(nèi)窺鏡醫(yī)師的標記區(qū)域有高度一致性。在內(nèi)部驗證集中，IOU中位數(shù)為0.737（IQR 0.579–0.848）。
GRAIDS在7個全部驗證集中都準確地識別了上消化道腫瘤患者（表2）。在內(nèi)部sysucc驗證數(shù)據(jù)集中診斷準確度為0.955（95%ci 0.952-0.957），在前瞻性sysucc驗證數(shù)據(jù)集中0.927（0.925-0.929，）。外部驗證集中準確率分別為：江西腫瘤醫(yī)院0.915（95% CI 0.913-0.917），粵北人民醫(yī)院0.949（0.947-0.951）,梧州市紅十字會醫(yī)院0.977（0.977-0.978），普寧市人民醫(yī)院0.970（0.969-0.971），揭陽市人民醫(yī)院0.947（0.946-0.948）。在各驗證集中g(shù)raids的敏感性、特異性和npv均高于0.90。ppv的變化范圍為從粵北人民醫(yī)院的0.384（95%ci 0.372-0.396）到sysucc的0.889（0.878-0.899）（表2），但在所有驗證數(shù)據(jù)集中，假陽性的比例不到10%。在Sysucc的內(nèi)部驗證隊列和前瞻性隊列中，最常見的假陽性原因是正常的解剖結(jié)構(gòu)（賁門、幽門和角落）以及蠕動期間胃壁的抬高。
同樣，在五個外部驗證數(shù)據(jù)集中AUC值也較高（范圍從0.966 [0.965–0.967]到0.990 [0.990–0.991]；圖2）。
Graids和內(nèi)窺鏡醫(yī)師從前瞻性驗證集中區(qū)分4532張圖像子集（1102張[24.3%]癌癥圖像和3430張[75.7%]對照圖像）的測試結(jié)果如表3所示。GRAIDS對上消化道腫瘤的診斷準確率為0.928（95%ci 0.919-0.937）。內(nèi)窺鏡檢查中，專家級內(nèi)窺鏡檢查的準確度在0.967（95%ci 0.961-0.973；p<0.0001）顯著高于graids，而內(nèi)窺鏡普通醫(yī)師的準確度為0.956（0.949-0.963；p<0.0001），內(nèi)窺鏡實習(xí)醫(yī)師的準確度為0.886（0.875-0.897；p<0.0001）。三類不同級別醫(yī)師和GRAIDS的特異性均大于0.90。
相比之下，不同級別內(nèi)窺鏡醫(yī)師的靈敏度差異很大，GRAIDS的靈敏度與內(nèi)窺鏡專家相似（0.942 [95%ci 0.924-0.957]vs 0.945 [0.927-0.959]；p=0.692），明顯高于內(nèi)窺鏡普通醫(yī)師的靈敏度（0.858 [0.832-0.880]；p<0.0001）和實習(xí)醫(yī)師（0.722 [0.691-0.752]；p<0.0001）。
GRAIDS的ppv為0.814（95%ci 0.788-0.838），顯著低于內(nèi)鏡專家(0.932 [0.913–0.948]; p<0．0001) 以及內(nèi)鏡普通醫(yī)師(0.974 [0.960–0.984]; p<0．0001)。但與實習(xí)內(nèi)窺鏡醫(yī)師相似（0.824 [0.795–0.850]；p=0.580）。與GRAIDS聯(lián)合應(yīng)用時，專家、普通和實習(xí)內(nèi)鏡醫(yī)師的ppvs均顯著下降（0.793 [95%ci 0.768-0.818]、0.812 [0.786-0.835]、0.747 [0.720-0.772]，所有p<0.0001）。NPV均較高，分別為：GRAIDS 0.978 [95%ci 0.971-0.984]），內(nèi)窺鏡專家0.980 [0.974-0.985]， 內(nèi)窺鏡普通醫(yī)師0.951 [0.942-0.959]，內(nèi)窺鏡實習(xí)醫(yī)師0.904 [0.893-0.916]）及其組合（表3）。
然而，GRAIDS能夠識別大多數(shù)被內(nèi)窺鏡醫(yī)師錯誤分類的癌癥圖像（內(nèi)窺鏡專家醫(yī)師61張中43張[70.5%]、內(nèi)窺鏡普通醫(yī)師157張中133張[84.7%]、內(nèi)窺鏡實習(xí)醫(yī)師306張中266張[86.9%]；圖3）。當與GRAIDS結(jié)合使用時，專家的靈敏度明顯在數(shù)值上有所提高（0.984 [95% ci 0.973–0.991]，p<0.0001）。內(nèi)窺鏡普通醫(yī)師和內(nèi)窺鏡實習(xí)醫(yī)師的敏感度明顯提高，升至與專家相似的水平（內(nèi)窺鏡普通醫(yī)師0.978 [0.966-0.987]，P<0.0001；內(nèi)窺鏡實習(xí)醫(yī)師0.964 [0.949-0.975]，P<0.0001）。
我們開發(fā)的GRAIDS算法能夠每秒分析多達118幅圖像（每張圖像8毫秒），并在進行實時視頻分析時每秒處理至少25幅圖像，延遲小于40毫秒。
此外，我們開發(fā)了一個計算機輔助檢測（CAD）系統(tǒng)，試圖實時識別上消化道癌性病變，用于常規(guī)內(nèi)鏡檢查。安裝CAD系統(tǒng)的計算機直接連接到內(nèi)窺鏡裝置上，從而允許在內(nèi)窺鏡檢查期間提供全自動診斷協(xié)助。
圖S5B和視頻1-4展示了在內(nèi)鏡檢查期間實時識別癌變的CAD系統(tǒng)示例。如圖所示，當GRAIDS識別出一個惡性病變時，CAD系統(tǒng)會分割病變的邊界，如藍色所示，并在屏幕右上角警告內(nèi)窺鏡醫(yī)師有可能出現(xiàn)惡性病變。當病變從屏幕上消失時，分割和警告信號同時停止。
我們?yōu)樾枰舷纼?nèi)窺鏡檢查的患者構(gòu)建了一個基于云的多機構(gòu)人工智能平臺。該平臺提供了兩個關(guān)鍵的臨床應(yīng)用：第一，在內(nèi)鏡手術(shù)過程中實時檢測上消化道腫瘤，以幫助加速圖像檢測，并幫助提高惡性病變識別的準確性。第二，存儲靜態(tài)圖像，以便在檢查后對可疑病例進行重新評估，從而有助于降低誤診和漏診的惡性腫瘤的風險。
此外，我們還提供了一個網(wǎng)站，免費訪問GRAIDS。臨床醫(yī)生和患者可以上傳內(nèi)窺鏡圖像，GRAIDS進行二次審查。網(wǎng)站上還提供了一個開放存取的內(nèi)窺鏡圖像數(shù)據(jù)庫，這將是內(nèi)窺鏡醫(yī)師進行培訓(xùn)以及內(nèi)窺鏡-人工智能輔助醫(yī)學(xué)成像領(lǐng)域研究人員的有用資源。
在這項研究中，我們使用一個深度學(xué)習(xí)語義分割模型來構(gòu)建一個基于人工智能的上消化道腫瘤診斷系統(tǒng)。該系統(tǒng)通過來自84424個人的1036496張內(nèi)鏡圖像進行訓(xùn)練和驗證。六家醫(yī)院中有不同數(shù)量的上消化道腫瘤患者接受內(nèi)鏡診斷。Graids在歷史存儲圖像和前瞻性圖像檢測上消化道腫瘤過程中均具有較高的的準確性、敏感性和特異性。
上消化道腫瘤的內(nèi)鏡診斷是主觀性的，很大程度上依賴于醫(yī)生的技能和經(jīng)驗。窄帶成像、共焦激光內(nèi)窺鏡檢查和藍色激光成像在鑒別癌性和非癌性病變之間具有潛力，但是由于光學(xué)圖像判讀所需的大量培訓(xùn)和專業(yè)知識，其臨床應(yīng)用受到了限制。
與此相反，GRAIDS不需要額外的培訓(xùn)，而且可以提高內(nèi)窺鏡非專家級別醫(yī)師的能力（普通醫(yī)師從0.858到0.978,實習(xí)生從0.722到0.964），使其提高到接近專家水平（0.967）。因此，對于中國或資源有限的發(fā)展中國家，在城鄉(xiāng)醫(yī)療資源分布不平衡的情況下，GRAIDS可以幫助彌補國家級醫(yī)院和初級保健醫(yī)院之間的癌癥診斷水平的差距。
GRAIDS的ppv低于專家和普通內(nèi)窺鏡醫(yī)師，GRAIDS與三種不同級別的內(nèi)窺鏡醫(yī)師結(jié)合可以降低ppv。在當前的實時內(nèi)鏡檢查中，GRAIDS將檢測沒有由內(nèi)鏡專家醫(yī)師勾畫輪廓的可疑癌癥病變，這可能會進一步增加假陽性的風險。然而，GRAIDS假陽性的主要原因是幽門、胃角、粘液等正常結(jié)構(gòu)或成分，以及蠕動時胃壁的抬高的誤診。由于這些正常的結(jié)構(gòu)或改變很容易被內(nèi)窺鏡檢查者識別，因此在實踐中可以避免誤診。
因此，我們推測在實時內(nèi)窺鏡檢查中，內(nèi)窺鏡醫(yī)師使用GRAIDS進行檢查時，假陽性病例的比例將低于計算值。此外，因GRAIDS的敏感度高，可以降低漏診癌癥病變的風險，從而可以早期診斷癌癥，并且它還可以降低治療上消化道癌癥的高支出。
現(xiàn)有的上消化道內(nèi)鏡研究由于回顧性、小樣本量、單病種調(diào)查和同等級醫(yī)院的單一機構(gòu)研究等缺點而停滯不前。通過比較，GRAID是一個使用百萬以上的圖像隊列進行開發(fā)和驗證的，數(shù)據(jù)來自不同級別醫(yī)院，在六個回顧性驗證集中顯示了檢測上消化道腫瘤的高準確性（0.915–0.977）。這有力地表明了該系統(tǒng)在真實場景下的通用性。此外，小于40毫秒的成像延遲也使得它比現(xiàn)有的模型在圖像檢測方面更為有效（每秒118圖像vs 41×425和每秒48×926圖像）。
基于GRAIDS檢測上消化道腫瘤的準確性和有效性，我們構(gòu)建了一個基于云的多機構(gòu)人工智能平臺，在內(nèi)鏡手術(shù)和術(shù)后成像檢測中提供快速準確的實時幫助。
我們還建立了一個用戶友好型網(wǎng)站，為患者和臨床醫(yī)生提供免費的遠程醫(yī)療幫助，以加速內(nèi)窺鏡圖像的檢測。截至2017年7月19日，中國南方腫瘤聯(lián)盟（ccsca）成立，旨在消除國家級醫(yī)院與基層醫(yī)院在腫瘤管理方面的差距。
目前，GRAIDS正在sysucc及其篩查中心的內(nèi)鏡臨床工作流程中常規(guī)使用，并進行實時評估，ccsca的其他合作醫(yī)院很快將實施GRAIDS，為人工智能輔助上消化道腫瘤篩查和診斷提供免費通道。
盡管取得了這些顯著的成果，GRAIDS還有一些局限性值得強調(diào)。
首先，這項研究只使用白光圖像，因為這類圖像用于常規(guī)檢查和資源有限的地區(qū)。
其次，對訓(xùn)練集和外部驗證集進行回顧性標注，這可能會導(dǎo)致一定程度的選擇偏差，但前瞻性驗證集表明，這種限制可能并不突出。
第三，我們沒有使用特定的方法來處理來自同一視頻序列的不同位置的圖像，這可能會產(chǎn)生一些偏差。盡管如此，GRAIDS在參與醫(yī)院中顯示出令人滿意的準確性，從而證明了該系統(tǒng)的普遍適用性。
第四，訓(xùn)練集和驗證集中只采用高質(zhì)量內(nèi)窺鏡圖像來研究GRAIDS的診斷效果。
第五，在臨床應(yīng)用中，GRAIDS通過一個大型中國隊列進行訓(xùn)練和驗證，但在其他人群中的療效尚待調(diào)查。
總之，我們開發(fā)了一個基于人工智能的系統(tǒng)，該系統(tǒng)使用了來自不同層次醫(yī)院的多種內(nèi)鏡圖像，能夠?qū)ι舷腊┌Y進行高準確度的診斷，其靈敏度接近內(nèi)鏡專家醫(yī)師，優(yōu)于內(nèi)鏡普通醫(yī)師。GRAIDS可以輔助內(nèi)鏡非專家醫(yī)師，將其診斷準確度提高到與專家接近的水平。此外，GRAIDS可以改進上消化道腫瘤診斷與篩查的有效性。雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
