文献速递基于卷积神经网络的人工智能在

文章题目：Applicationofartifcialintelligenceusingaconvolutionalneuralnetworkfordetectinggastriccancerinendoscopicimages

研究人员：ToshiakiHirasawaet,al

发表时间：.7

期刊名称：GastricCancer

影响因子：5.

[1]核心亮点

1.Basedontheaccumulatedclinicalfeatures，machinescandiagnosenewlyacquiredclinicalimagesprospectively.

基于累积的临床特征，机器可以对新获得的临床图像进行前瞻性诊断。

2.Allimagesofgastriccancerlesionsweremarkedmanuallybyanauthor(TH)whoisanexpertongastriccancerandaboard-certifedtrainerattheJapanGastroenterologicalEndoscopySociety.

所有胃癌病变的图像都是由一位作者(TH)手工标记的，他是一位胃癌专家，也是日本胃肠病学内镜学会认证的培训师。

[2]思路与方法

1.建立了一个基于CNN的胃癌诊断系统，该系统基于单点多盒检测器结构，并对张胃癌内镜图像进行了训练。

2.为了评估诊断的准确性，我们将收集自69个连续77个胃癌病灶的张胃图像的独立测试集应用于构建的CNN。

[3]摘要

Imagerecognitionusingartificialintelligencewithdeeplearningthroughconvolutionalneuralnetworks(CNNs)hasdramaticallyimprovedandbeenincreasinglyappliedtomedicalfieldsfordiagnosticimaging.WedevelopedaCNNthatcanautomaticallydetectgastriccancerinendoscopicimages.TheCNNrequired47stoanalyzetestimages.TheCNNcorrectlydiagnosed71of77gastriccancerlesionswithanoverallsensitivityof92.2%,andnon-cancerouslesionsweredetectedasgastriccancer,resultinginapositivepredictivevalueof30.6%.Seventyofthe71lesions(98.6%)withadiameterof6mmormoreaswellasallinvasivecancerswerecorrectlydetected.Allmissedlesionsweresuperficiallydepressedanddifferentiated-typeintramucosalcancersthatweredifficulttodistinguishfromgastritisevenforexperiencedendoscopists.Nearlyhalfofthefalse-positivelesionsweregastritiswithchangesincolortoneoranirregularmucosalsurface.TheconstructedCNNsystemfordetectinggastriccancercouldprocessnumerousstoredendoscopicimagesinaveryshorttimewithaclinicallyrelevantdiagnosticability.Itmaybewellapplicabletodailyclinicalpracticetoreducetheburdenofendoscopists.

利用卷积神经网络（CNNs）进行深度学习的人工智能图像识别得到了极大的改进，并越来越多地应用于医学诊断成像领域。我们开发了一种能在内镜图像中自动检测胃癌的CNN。CNN需要47秒来分析张测试图像。CNN对77例胃癌病变中71例诊断正确，总敏感度为92.2%，对例非癌病变检出胃癌，阳性预测值为30.6%。71个直径大于等于6mm的病灶中，70个（98.6%）及所有浸润性癌均被正确检出。所有漏诊病灶均为浅表凹陷型和分化型粘膜内癌，即使是经验丰富的内镜医师也难以与胃炎区分。几乎一半的假阳性病变是胃炎，颜色改变或粘膜不规则表面构建的CNN胃癌检测系统能够在很短的时间内处理大量存储的内镜图像，具有临床相关的诊断能力。它可以很好地应用于日常临床实践，以减轻内镜医师的负担

[4]图表

图1CNN的输出。a在身体中部的小弯处有一个略带红色和脂肪的胃癌病变。bCNN标记黄色矩形框为可能的病变，显示疑似胃癌病变的范围。

Figure1OutputoftheCNN.aAslightlyreddishandfatlesionofgastriccancerappearsonthelessercurvatureofthemiddlebody.bTheyellowrectangularframewasmarkedbytheCNNasapossiblelesionandtoindicatetheextentofasuspectedgastriccancerlesion.

图2肿瘤病变在多幅图像中呈现。

Figure2Cancerlesionpresentedinmultipleimages.

图3CNN漏掉了六个病灶。绿色矩形框显示的是CNN错过的胃癌。

Figure3SixlesionsmissedbytheCNN.ThegreenrectangularframesshowgastriccancermissedbytheCNN.

表1测试图像集中的患者和病变特征

Table1Patientandlesioncharacteristicsinthetestimageset

表2基于肿瘤大小和深度的敏感性

Table2Sensitivitybasedontumorsizeanddepth

[5]不足

1.Weusedonlyhigh-qualityendoscopicimagesforthetrainingandtestimagesets.Ifthereislessinsufationofair,post-biopsybleeding,halation,blur,defocus,ormucus,theCNNwillmakeamistakeinjudgme

我们只使用高质量的内窥镜图像作为训练和测试图像集。如果空气吸入、活检后出血、停止、模糊、散焦或粘液减少，CNN将在判断时出错。

2.WecollectedavastnumberoftrainingsetimagesfromthebeginningtoestablishagoodaccuracyoftheCNN,butdidnottryothernumbersoftrainingsetimages.

我们从一开始就收集了大量的训练集图像，建立了CNN良好的准确性，但没有尝试其他数量的训练集图像。

[6]启发

1.不仅使用胃癌病例作为测试图像集。胃镜检查中胃癌的发生率极低。

2.由于个假阳性病变未经组织学证实，隐匿性癌性病变可能包括在内。

参考文献

Applicationofartifcialintelligenceusingaconvolutionalneuralnetworkfordetectinggastriccancerinendoscopicimages,ToshiakiHirasawaet,al,.7,GastricCancer.

采编：杨航审核：谢茜荣

转载请注明：http://www.shijichaoguyj.com/wxjq/5691.html