目的:比较随机裁剪图片深度卷积神经网络识别模型(DCNN-C)和整张图片深度卷积神经网络识别模型(DCNN-W)2种基于不同训练方法的人工智能系统在染色放大内镜下辅助识别早期胃癌的能力。方法:回顾性收集武汉大学人民医院内镜中心窄带成像和蓝激光成像2种染色放大内镜模式下的早期胃癌或非癌图片和视频片段，用于DCNN-C和DCNN-W的训练集和测试集。比较DCNN-C和DCNN-W在图片测试集中，以及DCNN-C、DCNN-W和3名高年资内镜医师(平均水平)在视频测试集中识别早期胃癌的能力。统计学方法采用配对卡方检验和卡方检验。观察者间的一致性以Cohen′s Kappa统计系数(Kappa值)表示。结果:在图片测试集中，DCNN-C诊断早期胃癌的准确度、灵敏度、特异度、阳性预测值分别为94.97%(1 133/1 193)、97.12%(202/208)、94.52%(931/985)、78.91%(202/256)，分别高于DCNN-W的86.84%(1 036/1 193)、92.79%(193/208)、85.58%(843/985)、57.61%(193/335)，差异均有统计学意义( χ2＝4.82、4.63、61.04、29.69， P＝0.028、＝0.035、<0.001、<0.001)。在视频测试集中，高年资内镜医师诊断早期胃癌的准确度、特异度和阳性预测值分别为67.67%、60.42%、53.37%，分别低于DCNN-C的93.00%、92.19%、87.18%，差异均有统计学意义( χ2＝20.83、16.41、11.61， P<0.001、<0.001、＝0.001)；DCNN-C诊断早期胃癌的准确度、特异度和阳性预测值分别高于DCNN-W的79.00%、70.31%、64.15%，差异均有统计学意义( χ2＝7.04、8.45、6.18， P＝0.007、0.003、0.013)；高年资内镜医师诊断早期胃癌的准确度、特异度、阳性预测值与DCNN-W比较差异均无统计学意义(均 P>0.05)；高年资内镜医师、DCNN-W和DCNN-C诊断早期胃癌的灵敏度分别为80.56%、94.44%、94.44%，差异均无统计学意义(均 P>0.05)。一致性分析结果显示，高年资内镜医师与金标准的一致性一般至中等(Kappa值＝0.259、0.532、0.329)，DCNN-W与金标准的一致性中等(Kappa值＝0.587)，DCNN-C与金标准的一致性极高(Kappa值＝0.851)。 结论:当训练集相同时，DCNN-C识别早期胃癌的能力优于DCNN-W和高年资内镜医师，DCNN-W与高年资内镜医师水平相当。

早期胃癌;人工智能;染色放大内镜;卷积神经网络

朱益洁;吴练练;何鑫琦;李艳霞;周巍;张军;蒋逍达;于红刚

武汉大学人民医院消化内科　消化系统疾病湖北省重点实验室　湖北省消化疾病微创诊治医学临床研究中心，武汉　430060

中华消化杂志

[1]朱益洁;吴练练;何鑫琦;李艳霞;周巍;张军;蒋逍达;于红刚-.基于不同训练方法的2种人工智能系统在染色放大内镜下识别早期胃癌的能力比较)[J].中华消化杂志,2022(07):433-438

心窄

训练方法,人工智能系统,染色放大内镜,内镜下,早期胃癌,随机裁剪,深度卷积神经网络,识别模型,DCNN,整张,武汉大学,内镜中心,窄带成像,蓝激光成像,或非,训练集,测试集,高年资,平均水平,统计学方法,卡方检验,观察者,Cohen,Kappa,统计系,阳性预测值,一致性分析,金标准

0.156177