【论文阅读笔记】人工智能胃镜在盲区检测和自主采图中的应用

作者：李夏/吴练练/于红刚

小结

  盲区检测的意思，实际上在算法的需求定义上，就是部位识别。
  胃肠镜检查中，按照不同的规范，有不同应该观察到的地方。当医生知道哪些部位比较容易出病灶的情况下，就容易忽视出病灶较少的部位，从而导致一个较为奇怪的现象：资质越长的医师，越容易漏检部位。比如胃癌多好发于胃窦，所以内镜医师在检查时会重点关注。
  自主图像采集，即在镜检的过程中对关键部位进行图像留底。作者也对此功能进行了与真人留底的对比，来验证必要性。

摘要

  数据来源;是武汉大学人民医院消化内镜中心数据库选取的$38522$张胃镜图像，和$91$个视频资料来训练胃镜精灵。

  对比目标;，是两位水平相当的胃镜医师，一位使用胃镜精灵，另一位不使用胃镜精灵。比较2位内镜医师使用胃镜精灵前后胃镜检查部位覆盖率。

  对比结果：
  胃镜精灵的部位识别总准确度为$85.125\%$。盲区检测实验中内镜医生使用胃镜精灵后胃镜检查部位覆盖率分别（$87.325\pm 7.065$）%，高于使用胃镜精灵前和对照组；
  采图实验中，机器采图的胃镜检查部位覆盖个数为（$20.956\pm 3.406$）个，部位覆盖率为（$77.613\pm 12.613$）%，明显高于人工采图。从后文看，这个总准确率的意思是$27$个部位的准确率平均，实际有效指标应该是部位覆盖率。

内容

  数据都是白光/非放大模式下拍摄的，这样更具有普遍性。使用的胃镜是OLYMPUS公司的260和290系列以及FUJINON公司的580和590系列。$38522$张胃镜图像中，有$14143$张被作者认为是不合格的模糊图，剩余$24379$张合格的胃镜图像。所谓的不合格模糊图，指的是内镜医师在镜身不稳拍摄的图像。

  $24379$张合格数据的分类标注，是由两名操作经验大于$5$年的内镜医师进行标注、分类。

部位分类

  联合日本胃镜检查部位的$22$分类和欧洲胃镜检查部位的$10$分类，作者将图像分为食管(近端和远端)、贲门、胃底(倒镜前壁、后壁、大弯、小弯侧)、胃体中上部(正镜前壁、后壁、大弯、小弯侧)、胃体中上部(倒镜前壁、后壁、小弯)、胃体下部(正镜前壁、后壁、小弯、大弯侧)、胃角(倒镜后壁、前壁、小弯侧)、胃窦(前壁、后壁、小弯、大弯侧)、十二指肠(球部和降部)等$27$个部位。

算法

  算法模型本身没啥能说的，使用的是VGG16模型，说是使用了$38522$张图像训练。

  算法模型指标是通过十折交叉验证得到的：将数据分为$10$份，每个子样本验证$1$次，将诊断准确率、敏感度、特异度和诊断时间作为模型评判标准，平均$10$次的结果。

部位识别功能展示

  展示的效果，和下图中的文字是一样的，与图像不符。实际上，会有预设的一个食管、胃部类3D渲染图，当识别出来某个部位的时候， 就将渲染图对应的部位染色展示。

采图功能展示

  采图功能展示如下图所示，没有识别出来的部位，使用"?"展示，部位是按国际标准操作顺序进行排列的。

盲区检测功能提高内镜医师操作水平

  将$91$个视频分为前后$45$个视频，两个医师均对前后视频组进行检查。

  下表是两个医师使用内镜精灵前后的部位覆盖率。医生$1$在后$45$个视频中使用了内镜精灵，使用内镜精灵后提升了$10\%$以上覆盖率。

  下表是机器自主采图和人工采图覆盖率的对比。