基于Hill分级建立胃食管阀瓣功能自动评估的人工智能辅助系统OACSTPCD

目的利用深度学习技术开发基于Hill分级的人工智能模型,提升内镜医师对食管胃连接部形态的分类效率和准确性。方法本研究采集了4个数据集,包括总计1143张胃食管瓣膜(Gastroesophageal Flap Valve,GEFV)图像和17个胃镜视频,涵盖HillⅠ、Ⅱ、Ⅲ、Ⅳ级的GEFV图像。图像经过预处理和增强,利用基于卷积神经网络(Convolutional Neural Network,CNN)和Transformer架构的预训练模型进行迁移学习。评估模型性能时,考量准确度、精准度、召回率、F1得分等指标,并将其与内镜医师在不同阈值下的预测准确性进行对比。为增强模型透明度,采用多种可解释性分析技术,包括t-SNE、梯度加权分类激活映射(Grad-CAM)和SHAP技术。最终,模型被转化为开放神经网络交换(ONNX)格式,并部署到多种设备终端上,以实现GEFV形态的实时Hill分级。结果EfficientNet-Hill模型的性能表现超越了其他6种CNN和Transformer模型,在外部测试集上的准确度达83.32%,略低于高级内镜医师(86.51%),但高于初级内镜医师(75.82%)。另外,该模型在精准度、召回率和F1得分方面分别可达84.81%、83.32%和83.95%。模型在多终端设备部署后实现了超过50fps的实时自动Hill分级。结论利用深度学习构建EfficientNet-Hill人工智能模型,实现了针对GEFV形态的自动Hill分级,能够辅助内镜医师提升内镜下分级的诊断效率和准确性,促进Hill分级纳入常规内镜报告和全球胃食管反流病评估中。