目的:开发一个基于人工智能的自动内镜下病灶尺寸测量系统，并测试其实时测量白光内镜下病灶尺寸的能力。方法:测量系统由3个模型组成：首先由模型1识别视频的连续图片中有无活检钳，有钳者标记钳叶轮廓；随后由模型2对有钳图片进行分类，分为张钳图片和未张钳图片；与此同时，模型3识别视频的连续图片中有无病灶，有病灶者标记边界；最后系统根据活检钳钳叶轮廓与病灶边界的像素对比，实时计算出病灶尺寸。数据集1由回顾性收集的武汉大学人民医院2017年1月1日—2019年11月30日4 835张图片组成，用于模型的训练和验证；数据集2由前瞻性收集的武汉大学人民医院内镜中心2019年12月1日—2020年6月4日检查拍摄的图片组成，用于测试模型分割活检钳边界和病灶边界的能力；数据集3由151个模拟病灶的302张图片组成，每个模拟病灶包括活检钳倾斜角度较大（与病灶垂直线夹角45°）和倾斜角度较小（与病灶垂直线夹角10°）情况下的图片各1张，用于测试模型在活检钳不同状态下测量病灶尺寸的能力；数据集4为视频测试集，由前瞻性收集的武汉大学人民医院内镜中心2019年8月5日—2020年9月4日检查拍摄的视频组成。以内镜医师复核后结果或内镜手术病理作为金标准，观察模型1识别有无活检钳的准确率、模型2分类活检钳状态（张钳或未张钳）的准确率和模型3识别有无病灶的准确率，用交并比（intersection over union，IoU）评价模型1的活检钳钳叶分割效果和模型3的病灶分割效果，用绝对误差和相对误差评价系统的病灶尺寸测量能力。结果:（1）数据集2共纳入1 252张图片，有钳图片821张（其中张钳图片401张、未张钳图片420张）、无钳图片431张；包含病灶图片640张、不包含病灶图片612张。模型1判断无钳图片433张（430张准确）、有钳图片819张（818张准确），识别有无活检钳的准确率为99.68%（1 248/1 252），以818张模型1准确判断有钳图片的数据统计模型1的活检钳钳叶分割效果，平均IoU为0.91（95% CI：0.90～0.92）。使用模型1准确判断的818张有钳图片评价模型2的活检钳状态分类准确率，模型2判断张钳图片384张（382张准确）、未张钳图片434张（416张准确），模型2的活检钳状态分类准确率为97.56%（798/818）。模型3判断包含病灶图片654张（626张准确）、不包含病灶图片598张（584张准确），识别有无病灶的准确率为96.65%（1 210/1 252），以626张模型3准确判断有病灶图片的数据统计模型3的病灶分割效果，平均IoU为0.86（95% CI：0.85～0.87）。（2）数据集3中：活检钳倾斜角度较小状态下系统病灶尺寸测量的平均绝对误差为0.17 mm（95% CI：0.08～0.28 mm），平均相对误差为3.77%（95% CI：0.00%～10.85%）；活检钳倾斜角度较大状态下系统病灶尺寸测量的平均绝对误差为0.17 mm（95% CI：0.09～0.26 mm），平均相对误差为4.02%（95% CI：2.90%～5.14%）。（3）数据集4共纳入59例患者的59个内镜检查视频的780张图片，系统病灶尺寸测量的平均绝对误差为0.24 mm（95% CI：0.00～0.67 mm），平均相对误差为9.74%（95% CI：0.00%～29.83%）。 结论:基于人工智能的自动内镜下病灶尺寸测量系统可以实现内镜下对病灶尺寸的准确测量，有望提高内镜医师对病灶尺寸估计的准确率。

人工智能;内窥镜检查，消化系统;病灶尺寸

王静;陈茜;吴练练;周巍;张晨霞;罗任权;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

中华消化内镜杂志

[1]王静;陈茜;吴练练;周巍;张晨霞;罗任权;于红刚-.基于人工智能的自动内镜下病灶尺寸测量系统（含视频）)[J].中华消化内镜杂志,2022(12):965-971

病灶尺寸

内镜下,尺寸测量,测量系统,实时测量,白光内镜,统由,活检钳,叶轮,无病,像素,实时计算,武汉大学,内镜中心,测试模型,模型分割,倾斜角度,垂直线,线夹,夹角,测试集,复核,内镜手术,手术病理,金标准,交并比,intersection,over,union,IoU,分割效果,病灶分割,评价系统,断无,统计模型,状态分类,分类准确率,平均绝对误差,平均相对误差,内镜检查,准确测量,内窥镜检查,消化系统

0.162434