2023-02-09
2023/2/7 研究成果见刊 2023年2月7日，《世界胃肠病学杂志（WJG）》刊发了上海交通大学医学院附属瑞金医院邹多武、王立夫、褚晔教授团队与金山科技团队共同完成的一项研究成果——《基于CNN分割网络在小肠血管畸形病灶图像识别中应用》。该研究表明，金山科技研发的人工智能辅助阅片系统能更准确、更快速识别和分割小肠血管畸形，在实际临床检查中辅助内镜医师提高检出率，提升诊断水平。
此次研究，是自去年7月14日，《小肠胶囊内镜检查人工智能阅片模型的开发与验证》研究结果登上《美国医学会杂志（JAMA）》子刊《JAMA Network Open》后，又一篇获得发表的关于金山科技人工智能阅片技术研究成果的SCI论文。
【解决行业难题】 研究团队开展CNN分割模型研究 不明原因的消化道出血大多发生在小肠，而小肠出血最常见的原因是小肠血管畸形。胶囊内窥镜作为诊断小肠血管畸形主要手段，存在人工阅片非常耗时，准确性欠缺等问题。使用人工智能（简称 AI）辅助诊断可提高小肠血管畸形的检测率，实现自动检测疾病，缩短胶囊内镜阅读时间。 图·：金山科技CNN分割模型自动识别小肠血管畸形病灶类别，并勾画病灶轮廓
目前深度学习模型和胶囊内镜诊断方式相结合的主流网络结构是分类网络和目标检测网络，很少有基于深度学习的语义分割网络，对胶囊内镜中小肠血管畸形病灶进行分割识别。金山科技提出一种能够自动识别胶囊内镜下小肠血管畸形类别并对病灶轮廓进行勾画的改进的 CNN 语义分割网络模型（编者注：CNN，即“卷积神经网络”，是一种特殊的深层的神经网络，广泛应用于视觉图像识别领域），帮助提高小肠血管畸形病灶人工诊断水平。
【对比研究结果】 CNN分割模型优于业界主流分割网络模型
研究团队引入深度学习中的分割网络，对小肠血管畸形病灶进行分割与识别，完成对小肠血管畸形病灶的像素级分割任务，通过构造训练集和测试集，设计对比实验。
研究结果1 准确率高达99% 图·：四个模型对胶囊内镜小肠数据血管畸变病灶分割识别效果对比 研究团队做了对比实验，发现金山科技研究改进和优化后的分割网络模型效果要优于其他模型。业界主流的分割网络模型 PSPNet、DeeplabV3+、UperNet 对于小肠血管畸形病灶像素级识别分割准确率分别为98%、89%、98%，而金山科技研发的模型则能达到99%的准确率！ 研究结果2 识别分割一张图片仅需0.6秒 图·：四个模型性能对比 不仅病灶检出准确率更高，图片识别分割速度也更快。研究发现，PSPNet、DeeplabV3+、UperNet这三个模型的分割识别图片耗时分别为0.9秒/张、0.95秒/张、0.9秒/张，而金山科技研发的模型仅需0.6秒便能完成一张图片识别分割！
【成果临床应用】 助力小肠血管疾病诊断水平提升
研究团队表示，该模型可以直接从图像大数据中对最有预测性的特征进行自动学习并对图像进行分类识别和像素级分割，数据量越大，深度学习的优势更能够发挥，识别精度也越高。
金山科技将此模型应用在胶囊内镜人工智能阅片系统上，辅助胶囊内镜医师对小肠血管畸形病灶进行高质量诊断。既消除人为阅片的误差，减少医生工作量，提高诊断效率，又为基层胶囊内镜医师获得跟资深专家同等的诊断效果提供助力，推动解决当下医疗资源分配不均、基层胶囊内镜医师技术水平参差不齐等问题。
渝公网安备 50011202501458号
