典型文献
基于U-Net深度学习慢性萎缩性胃炎模型的应用与研究
文献摘要：
目的 评估基于深度学习技术中的图像分割模型U-Net构建的慢性萎缩性胃炎诊断模型的诊断性评价指标及其与病理诊断的一致性.方法 选取2019年8月1日至2020年8月1日于首都医科大学宣武医院行胃镜检查的慢性萎缩性胃炎患者1711例的胃镜检查胃部图片,利用计算机产生的随机数字方法,选取高质量图片5290张进入研究.根据萎缩严重程度应用分层随机法将70％的图片(3703张)纳入训练集,30％的图片(1587张)纳入测试集.模型方面,采用U-Net网络结构作为基线模型和内部参数初始权重,通过训练集对模型进行重新训练以调整权重,通过测试集检验模型重新训练后的灵敏度、特异度、正确率等指标.结果 模型对慢性萎缩性胃炎诊断的灵敏度、特异度、正确率分别为92.73％、92.24％、92.63％,AUC为0.932(95％CI:0.916～0.948)(P<0.001),其与病理诊断的一致性Kappa值为0.796(P<0.001).测试识别图片中假阳性26张(1.6％),假阴性91张(5.7％).结论 本研究建立了基于U-Net深度学习的慢性萎缩性胃炎诊断模型,并通过回顾性研究发现该诊断模型对慢性萎缩性胃炎的诊断性评价指标良好,并且与病理诊断有较高的一致性.
文献关键词：
人工智能;深度学习;U-Net;胃镜检查;慢性萎缩性胃炎
中图分类号：
作者姓名：
赵曲川;池添雨
作者机构：
首都医科大学宣武医院消化科,北京 100053
文献出处：
引用格式：
[1]赵曲川;池添雨-.基于U-Net深度学习慢性萎缩性胃炎模型的应用与研究)[J].胃肠病学和肝病学杂志,2022(06):656-661
A类：
B类：
Net,慢性萎缩性胃炎,应用与研究,深度学习技术,图像分割,分割模型,诊断模型,诊断性评价,病理诊断,首都医科大学,宣武医院,胃镜检查,胃部,利用计算机,数字方法,质量图,训练集,测试集,基线模型,新训,检验模型,Kappa,识别图,假阳性,假阴性,回顾性研究
AB值：
0.225121
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
