深度学习在内镜下内痔诊断及危险分级中的应用

目的 建立内镜下内痔诊断及危险分级的深度学习模型，探讨人工智能辅助内镜下内痔诊疗的可行性。方法 收集该院内镜中心的肛齿状线上倒镜图片，分为内痔组和正常组（A任务）；根据LDRf分级标准，将内痔组进一步分为Rf0组、Rf1组和Rf2组（B任务）。选取基于卷积神经网络（CNN）框架的Xception、ResNet和EfficientNet，以及基于Transformer框架的ViT和ConvMixer等5个神经网络，建立针对A、B两项计算机视觉任务的深度学习模型。模型评价指标包括准确率、召回率、精确度、F1值和读片时间。将深度学习模型的读片表现与两位不同年资内镜医生进行比较。结果 5种深度学习模型在A与B任务测试集中皆展现出较好的准确性。其中，最优模型为ConvMixer，准确性最高（0.961和0.911），其次为EfficientNet (0.956和0.901)，均优于高年资内镜医生（0.952和0.881）和低年资内镜医生（0.913和0.832）。同时，所有深度学习模型在验证集中读片用时均<10 s，速度快于内镜医生（均> 300 s）。此外，笔者采用梯度加权分类激活...

Deep learning in the diagnosis and risk stratification of internal hemorrhoids in endoscopy