Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình học sâu có thể cải thiện tỷ lệ chẩn đoán viêm dạ dày teo mãn tính nội soi: một nghiên cứu đoàn hệ tiềm năng
Tóm tắt
Viêm dạ dày teo mãn tính (CAG) là một dạng tiền ung thư của ung thư dạ dày. Tuy nhiên, với chẩn đoán bệnh lý là tiêu chuẩn vàng, độ nhạy của chẩn đoán nội soi teo chỉ đạt 42%. Chúng tôi đã phát triển một mô hình chẩn đoán video giám sát thời gian thực dựa trên học sâu (DL) cho viêm dạ dày teo mãn tính nội soi và tiến hành một nghiên cứu đoàn hệ tiềm năng để xác minh liệu mô hình chẩn đoán này có thể cải thiện tỷ lệ chẩn đoán viêm dạ dày teo mãn tính nội soi so với mức chẩn đoán của các bác sĩ nội soi hay không. Một mạng U-NET được sử dụng để xây dựng mô hình chẩn đoán video giám sát thời gian thực cho viêm dạ dày teo mãn tính nội soi dựa trên DL. Chúng tôi đã lựa chọn 431 bệnh nhân đã được nội soi dạ dày từ ngày 1 tháng 10 năm 2020 đến ngày 1 tháng 12 năm 2020. Để giữ cho dữ liệu cơ bản của bệnh nhân đã tham gia đồng nhất và kiểm soát các yếu tố gây nhiễu, chúng tôi đã áp dụng thiết kế cặp và bao gồm cùng một bệnh nhân trong cả nhóm DL và nhóm bác sĩ nội soi. Mô hình DL đã cải thiện tỷ lệ chẩn đoán viêm dạ dày teo mãn tính nội soi so với bác sĩ nội soi. So với chẩn đoán của các bác sĩ nội soi, tỷ lệ CAG vừa và nặng trong bệnh nhân teo được chẩn đoán bởi mô hình DL có sự gia tăng đáng kể, tỷ lệ CAG “type O” cũng lớn hơn một cách đáng kể, số lượng vị trí teo tìm thấy đã tăng lên đáng kể, và số lượng sinh thiết đã giảm đi một cách đáng kể. So với chẩn đoán của các bác sĩ nội soi, trong các tổn thương teo được chẩn đoán bởi mô hình DL, tỷ lệ teo nặng và chuyển sản ruột nặng đã gia tăng một cách đáng kể. Nghiên cứu của chúng tôi cho thấy mô hình DL có thể cải thiện tỷ lệ chẩn đoán viêm dạ dày teo mãn tính nội soi so với bác sĩ nội soi. Đăng ký thử nghiệm: ChiCTR2100044458, 18/03/2020.
Từ khóa
#viêm dạ dày teo mãn tính #học sâu #nội soi #chẩn đoán #nghiên cứu đoàn hệ tiềm năngTài liệu tham khảo
Zhuan L, Tao S, Hao W, Fan Y, Wenbing Z. Consensus on early gastric cancer screening and endoscopic diagnosis and treatment in China (2014, Changsha). Chin J Digest. 2014;31:361–77. https://doi.org/10.3760/cma.j.issn.0254-1432.2014.07.001.
Jingyuan F, Yiqi Du, Wenzhong L, et al. Consensus on chronic gastritis in China (2017, Shanghai). Chin J Digest. 2017;37:721–38. https://doi.org/10.3760/cma.j.issn.0254-1432.2017.11.001.
Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60–88. https://doi.org/10.1016/j.media.2017.07.005.
Shengbing Z, Wei Q, Yu B, Zhaoshen L. Advances in the application of artificial intelligence in the diagnosis and treatment of digestive endoscopy. Chin J Digest Endosc. 2019;66:293–6. https://doi.org/10.3760/cma.j.issn.1007-5232.2019.04.017.
Suqin L, Shan H, Yiyun C, Xiaoyu Z, Xia L, Honggang Y. Advances in the application of artificial intelligence in digestive endoscopy. Chin J Digest Endosc. 2020;37:146–9. https://doi.org/10.3760/cma.j.issn.1007-5232.2020.02.018.
Junxiang L, Yan C, Bin L, Yangang W. Consensus on the diagnosis and treatment of chronic atrophic gastritis with Integrated Traditional Chinese and Western Medicine (2017). Chin J Integr Tradit West Med Digest. 2018;26:121–31. https://doi.org/10.3969/j.issn.1671-038X.2018.02.03.
Mori Y, Kudo SE, Mohmed HEN, et al. Artificial intelligence and upper gastrointestinal endoscopy: current status and future perspective. Digest Endosc. 2019;31:378–88. https://doi.org/10.1111/den.13317.
Li D, Chen C, Li J, Wang L. Dense gate network for biomedical image segmentation. Int J Comput Ass Rad. 2020;15:1247–55. https://doi.org/10.1007/s11548-020-02138-7.
Tang P, Liang Q, Yan X, et al. Efficient skin lesion segmentation using separable-Unet with stochastic weight averaging. Comput Meth Prog Bio. 2019;178:289–301. https://doi.org/10.1016/j.cmpb.2019.07.005.
Ibtehaz N, Rahman MS. MultiResUNet: rethinking the U-Net architecture for multimodal biomedical image segmentation. Neural Netw. 2020;121:74–87. https://doi.org/10.1016/j.neunet.2019.08.025.
Sugano K, Tack J, Kuipers EJ, et al. Kyoto global consensus report on Helicobacter pylori gastritis. Gut. 2015;64:1353–67. https://doi.org/10.1136/gutjnl-2015-309252.
Chen L, Papandreou G, Kokkinos I, Murphy K, Yuille AL. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE T Pattern Anal. 2018;40:834–48. https://doi.org/10.1109/TPAMI.2017.2699184.
Itoh T, Kawahira H, Nakashima H, Yata N. Deep learning analyzes Helicobacter pylori infection by upper gastrointestinal endoscopy images. Endosc Int Open. 2018;06:E139–44. https://doi.org/10.1055/s-0043-120830.
Luo H, Xu G, Li C, et al. Real-time artificial intelligence for detection of upper gastrointestinal cancer by endoscopy: a multicentre, case-control, diagnostic study. Lancet Oncol. 2019;20:1645–54. https://doi.org/10.1016/S1470-2045(19)30637-0.
Hirasawa T, Aoyama K, Tanimoto T, et al. Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images. Gastric Cancer. 2018;21:653–60. https://doi.org/10.1007/s10120-018-0793-2.
Zhang X, Hu W, Chen F, et al. Gastric precancerous diseases classification using CNN with a concise model. PLoS ONE. 2017;12: e185508. https://doi.org/10.1371/journal.pone.0185508.
Guimarães P, Keller A, Fehlmann T, Lammert F, Casper M. Deep-learning based detection of gastric precancerous conditions. Gut. 2019;69:4–6. https://doi.org/10.1136/gutjnl-2019-319347.
Zhang Y, Li F, Yuan F, et al. Diagnosing chronic atrophic gastritis by gastroscopy using artificial intelligence. Digest Liver Dis. 2020;52:566–72. https://doi.org/10.1016/j.dld.2019.12.146.
Horiuchi Y, Aoyama K, Tokai Y, et al. Convolutional neural network for differentiating gastric cancer from gastritis using magnified endoscopy with narrow band imaging. Digest Dis Sci. 2020;65:1355–63. https://doi.org/10.1007/s10620-019-05862-6.
Li L, Chen Y, Shen Z, et al. Convolutional neural network for the diagnosis of early gastric cancer based on magnifying narrow band imaging. Gastr Cancer. 2020;23:126–32. https://doi.org/10.1007/s10120-019-00992-2.
Hongbo W, Yunjie L, Yao C, Wenfeng P, Guiyong P. Research of medical practicing status of digestive endoscopy physicians in chongqing. Prog Mod Biomed. 2015;15:3570–3.
Marques-Silva L, Areia M, Elvas L, Dinis-Ribeiro M. Prevalence of gastric precancerous conditions. Eur J Gastroen Hepat. 2014;26:378–87. https://doi.org/10.1097/MEG.0000000000000065.
Pimentel-Nunes P, Libânio D, Marcos-Pinto R, et al. Management of epithelial precancerous conditions and lesions in the stomach (MAPS II): European Society of Gastrointestinal Endoscopy (ESGE), European Helicobacter and Microbiota Study Group (EHMSG), European Society of Pathology (ESP), and Sociedade Portuguesa de Endoscopia Digestiva (SPED) guideline update 2019. Endoscopy. 2019;51:365–88. https://doi.org/10.1055/a-0859-1883.
Banks M, Graham D, Jansen M, et al. British Society of Gastroenterology guidelines on the diagnosis and management of patients at risk of gastric adenocarcinoma. Gut. 2019;68:1545–75. https://doi.org/10.1136/gutjnl-2018-318126.
Yue H, Shan L, Bin L. The significance of OLGA and OLGIM staging systems in the risk assessment of gastric cancer: a systematic review and meta-analysis. Gastric Cancer. 2018;21:579–87. https://doi.org/10.1007/s10120-018-0812-3.
Castro R, Esposito G, Libânio D, et al. A single vial is enough in the absence of endoscopic suspected intestinal metaplasia—less is more! Scand J Gastroentero. 2019;54:673–7. https://doi.org/10.1080/00365521.2019.1613443.
Waddingham W, Graham D, Banks M, Jansen M. The evolving role of endoscopy in the diagnosis of premalignant gastric lesions. F1000 Research. 2018;7:715. https://doi.org/10.12688/f1000research.12087.1.
Tytgat GN. The Sydney System: endoscopic division. Endoscopic appearances in gastritis/duodenitis. J Gastroenterol Hepatol. 1991;6:223–34. https://doi.org/10.1111/j.1440-1746.1991.tb01469.x.