Anwendung künstlicher Intelligenz in der endoskopischen Bildanalyse zur Diagnose eines Magenkrebserregers

Scientific Reports Band 13, Artikelnummer: 13380 (2023) Diesen Artikel zitieren

436 Zugriffe

4 Altmetrisch

Details zu den Metriken

Eine Infektion mit Helicobacter pylori (H. pylori) ist die Hauptursache für chronische Gastritis, Magengeschwüre, Zwölffingerdarmgeschwüre und Magenkrebs. In der klinischen Praxis ist die Diagnose einer H. pylori-Infektion anhand der endoskopischen Bilder eines Gastroenterologen ungenau und kann nicht für die Behandlung von Magen-Darm-Erkrankungen verwendet werden. Das Ziel dieser Studie war die Entwicklung eines Klassifizierungssystems mit künstlicher Intelligenz für die Diagnose einer H. pylori-Infektion durch Vorverarbeitung endoskopischer Bilder und Methoden des maschinellen Lernens. Für die Ableitung und Validierung eines Klassifizierungssystems für künstliche Intelligenz wurden endoskopische Bilder des Magenkörpers und des Antrums von 302 Patienten erhalten, die eine Endoskopie mit Bestätigung des H. pylori-Status durch einen Urease-Schnelltest im An Nan Hospital erhielten. Der H. pylori-Status wurde vom Convolutional Neural Network (CNN) und dem Concurrent Spatial and Channel Squeeze and Excitation (scSE)-Netzwerk in Kombination mit verschiedenen Klassifizierungsmodellen für Deep Learning von Magenbildern als positiv oder negativ interpretiert. Die umfassende Beurteilung des H. pylori-Status durch scSE-CatBoost-Klassifizierungsmodelle für Körper- und Antrumbilder derselben Patienten erreichte eine Genauigkeit von 0,90, eine Sensitivität von 1,00, eine Spezifität von 0,81, einen positiven Vorhersagewert von 0,82 und einen negativen Vorhersagewert von 1,00 Fläche unter der Kurve von 0,88. Die Daten legen nahe, dass ein Klassifizierungsmodell mit künstlicher Intelligenz, das scSE-CatBoost Deep Learning für endoskopische Magenbilder verwendet, den H. pylori-Status mit guter Leistung unterscheiden kann und für die Untersuchung oder Diagnose einer H. pylori-Infektion in der klinischen Praxis nützlich ist.

Helicobacter pylori (H. pylori) infiziert die Epithelschleimhaut des Magens und ist die Hauptursache für chronische Gastritis, Magengeschwüre und Magenkrebs1. Die Eradikation von H. pylori ist zur Standardtherapie zur Heilung von Magengeschwüren geworden1. In Regionen mit einer hohen Inzidenz von Magenadenokarzinomen wird die Eradikation von H. pylori empfohlen, um die Entwicklung von Magenkrebs zu verhindern2.

Zur Erkennung einer H. pylori-Infektion wurden mehrere Diagnosemethoden entwickelt, die invasive oder nicht-invasive Techniken mit unterschiedlicher Empfindlichkeit und Spezifität nutzen. Invasive Methoden, einschließlich Urease-Schnelltest, Histologie und Kultur, erfordern eine Endoskopie mit Biopsien von Magengewebe3. Der Urease-Schnelltest basiert auf der Produktion des Urease-Enzyms durch H. pylori-Bakterien. Die Empfindlichkeit des Tests ist bei Patienten mit Darmmetaplasie und auch bei Patienten mit Magengeschwürblutungen deutlich geringer4,5,6. Darüber hinaus kann die Behandlung mit Protonenpumpenhemmern, Antibiotika und Wismutverbindungen auch zu falsch-negativen Ergebnissen führen, da diese Wirkstoffe die Produktion von Urease durch H. pylori verhindern können3. Darüber hinaus weisen mehrere Organismen wie Klebsiella pneumoniae, Staphylococcus aureus, Proteus mirabilis, Enterobacter cloacae und Citrobacter freundii in der Mundhöhle oder im Magen ebenfalls Ureaseaktivität auf und können zu falsch positiven Ergebnissen führen6. Die Histologie ist teurer als der Urease-Schnelltest. Viele Faktoren beeinflussen die diagnostische Genauigkeit der histologischen Untersuchung, wie z. B. die Anzahl und der Ort des gesammelten Biopsiematerials, die Erfahrungen der Pathologen, die Färbetechniken, PPIs oder der Einsatz von Antibiotika sowie das Vorhandensein anderer Bakterienarten4, jedoch mit struktureller Ähnlichkeit zu Helicobacter7 .

Mehrere Studien haben gezeigt, dass die Beurteilung einer H. pylori-Infektion durch konventionelle Weißlichtendoskopie auf dem Vorhandensein einer diffusen Rötung, einer Rugalhypertrophie oder dickem und weißlichem Schleim basieren könnte8. Die Diagnose durch den Abdruck eines Gastroenterologen anhand endoskopischer Bilder ist jedoch ungenau und kann nicht für die Behandlung von Magen-Darm-Erkrankungen in der klinischen Praxis verwendet werden8.

In jüngster Zeit haben neue Studien die Anwendung künstlicher Intelligenz bei der Diagnose von Magen-Darm-Erkrankungen hervorgehoben9,10,11. Beispielsweise wurde die Anwendung von Deep Learning auf endoskopische Bilder durch ein Convolutional Neural Networks (CNN) zur Erkennung von Dünndarm- oder Dickdarmläsionen12 und zur Beurteilung der Invasionstiefe von Magenkrebs13,14,15 eingesetzt. Deep Learning mit der computergestützten Analyse endoskopischer Bilder mittels CNN wurde auch für die Diagnose einer H. pylori-Infektion entwickelt10,16,17. Allerdings wurden in mehreren Studien, in denen künstliche Intelligenz bei der Diagnose einer H. pylori-Infektion eingesetzt wurde, unzureichende Tests als Goldstandards für die Diagnose verwendet, wie z. B. Serum-H. pylori-Antikörper10,16 und Urin-H. pylori-Antikörper17. Tatsächlich weist ein positiver Test auf H. pylori-Antikörper im Serum oder Urin darauf hin, dass die getesteten Probanden entweder eine aktive oder eine frühere H. pylori-Infektion haben. Daher könnten diese Studien, die Antikörpertests als Goldstandards für eine aktive H. pylori-Infektion verwenden, bei Personen mit einer früheren H. pylori-Infektion zu einem falsch positiven Ergebnis führen, und der unzureichende Goldstandard würde die diagnostische Genauigkeit des entwickelten KI-Systems für H. pylori beeinträchtigen Diagnose. Darüber hinaus schlossen einige dieser Studien Patienten mit Magengeschwüren und Magenkrebs aus der untersuchten Population aus18. Der Ausschluss dieser wichtigen Zielpopulationen könnte die Generalisierbarkeit des CNN-Entscheidungssystems für die Diagnose einer H. pylori-Infektion einschränken.

Im Hinblick auf die Technologie der künstlichen Intelligenz bei der Diagnose von Magen-Darm-Erkrankungen haben Liu et al. schlug zwei Teilnetze vor: O-Stream und P-Stream. Das Originalbild wurde als O-Stream verwendet. Die Eingabeextraktfarbe, die globalen Merkmale und das vorverarbeitete Bild wurden als Eingabe des P-Streams verwendet, um Textur und detaillierte Merkmale zu extrahieren19. Sobri et al. schlug eine Computervisualisierungstechnologie vor, um Merkmale aus Textur und Farbe zu extrahieren und Merkmale der Graustufen-Kookkurrenzmatrix (GLCM) aus dem Wavelet-transformierten Bild zu extrahieren. Sie verwendeten eine diskrete Wavelet-Transformation für das endoskopische Bild, klassifizierten das endoskopische Gastritis-Bild mit Bildmerkmalen und kombinierten dann die Textur- und Farbmomentmerkmale, um ein Klassifikationsmodell, SVM20, zu entwickeln. Viele Vorverarbeitungsartikel verwenden diskrete Wavelet-Transformation, GLCM und Farbraumkonvertierungsmethoden, um Texturmerkmale zu extrahieren.

Das hierarchische Feature-Engineering in hochdimensionalen gelernten Kerneln aus der komplexen Verbindung von Parametern und nichtlinearen Aktivierungsfunktionen sorgt dafür, dass die gelernten Features im CNN gut agieren, mit dem Vorteil der Übersetzungsinvarianz. Allerdings verwendeten viele Methoden in der Vergangenheit separate Module mit Deep Learning, um Bildmerkmale zu extrahieren, die sich auf die Art des zugrunde liegenden Problems beziehen. Jain et al. schlugen ein CNN-basiertes WCENet-Modell für die Erkennung und Positionierung von Anomalien in WCE-Bildern (Wireless Capsule Endoscopy) vor21. Zhang et al. schlug eine auf einem dichten CNN-Netzwerk basierende Stereo-Matching-Methode mit Multiskalen-Feature-Verbindungen als Dense-CNN vor. Mithilfe von Dense-CNN wurde ein neues dichtes Verbindungsnetzwerk mit mehrskaligen Faltungsschichten aufgebaut. Die umfangreichen Bildmerkmale wurden extrahiert und die kombinierten Multiskalenmerkmale mit Kontextinformationen wurden verwendet, um die Kosten des Stereo-Matchings abzuschätzen. Die experimentellen Ergebnisse mit der vorgeschlagenen neuen Verlustfunktionsstrategie wurden verwendet, um die Parameter neuronaler Netzwerke sinnvoller zu lernen, was die Leistung des vorgeschlagenen Dense-CNN-Modells bei der Disparitätsberechnung verbessern kann22. Mehrere frühere Studien haben gezeigt, dass ein kognitiver visueller Aufmerksamkeitsmechanismus, der die CNN-Netzwerkarchitektur ergänzt, wichtigere Merkmale aus dem Originalbild extrahieren und die Leistung künstlicher Intelligenz verbessern kann.

Derzeit erfordert die Diagnose einer H. pylori-Infektion während der Endoskopie Magenbiopsien mit Urease-Schnelltest, Histologie oder Kultur in der klinischen Praxis. Magenbiopsien mit den oben genannten Tests erfordern jedoch Biopsieinstrumente und Kosten für einen Urease-Schnelltest, eine Histologie und eine Kultur. Darüber hinaus sind die histologische Untersuchung und Kultur von H. pylori zeitaufwändig. Darüber hinaus kann eine Magenbiopsie bei Patienten, die Thrombozytenaggregationshemmer oder Antikoagulanzien einnehmen, sowie bei Patienten mit Koagulopathie zu Blutungen führen. Wenn ein neuartiges künstliches Intelligenzsystem, das endoskopische Bilder in Echtzeit verwendet, eine ähnliche oder sogar höhere diagnostische Genauigkeit für H. pylori-Infektionen aufweist wie die oben genannten Biopsiemethoden, kann es diese diagnostischen Modalitäten ersetzen und außerdem medizinische Kosten einsparen, eine sofortige Diagnose ermöglichen und eine Biopsie vermeiden. induzierte Blutungen bei Patienten mit Blutungsneigung.

In dieser Studie stellten wir die Hypothese auf, dass die Lerntechnologie der künstlichen Intelligenz den H. pylori-Status anhand endoskopischer Bilder genau beurteilen kann, und zielten darauf ab, ein neuartiges Klassifizierungssystem der künstlichen Intelligenz für die Diagnose einer H. pylori-Infektion durch CNN und gleichzeitige räumliche und kanalbezogene Kompression und Anregung zu entwickeln (scSE)-Netzwerk, kombiniert mit verschiedenen Klassifizierungsmodellen für Deep Learning von Magenbildern. Um die Generalisierbarkeit des Klassifizierungssystems der künstlichen Intelligenz zu erhöhen, haben wir Probanden mit und ohne schwere Erkrankungen des oberen Gastrointestinaltrakts wie Magengeschwüre und Magenkrebs einbezogen. Darüber hinaus verwendeten wir in dieser Studie eine genaue Methode, den Urease-Schnelltest, als Goldstandard für die Diagnose einer H. pylori-Infektion. Darüber hinaus nutzte die aktuelle Studie das CNN-Modell und die Aufmerksamkeitstechnologie, die die Körper- und Antrumbilder mit einem besseren Klassifizierungseffekt verbessern könnten.

Patienten, die im An Nan Hospital (Tainan, Taiwan) von Oktober 2020 bis Dezember 2021 eine Endoskopie mit Magenbiopsien für einen Urease-Schnelltest erhielten, wurden retrospektiv durchsucht. Zu den Ausschlusskriterien gehörten (1) eine frühere Eradikationsbehandlung einer H. pylori-Infektion, (2) eine Gastrektomie in der Vorgeschichte, (3) der Einsatz von Antibiotika innerhalb der letzten 4 Wochen, (4) der Einsatz von Protonenpumpenhemmern innerhalb von 2 Wochen vor der Endoskopie (5 ) das gleichzeitige Vorliegen einer schwerwiegenden Begleiterkrankung (z. B. dekompensierte Leberzirrhose, Urämie und Malignität) und (6) Blutungen im oberen Gastrointestinaltrakt. Die Patienten wurden in 5 gleiche Untergruppen aufgeteilt, und jede Untergruppe umfasste etwa 60 Patienten. Die endoskopischen Bilder der ersten drei Untergruppen von Patienten (n = 182), die zwischen Oktober 2020 und Juni 2021 eine Endoskopie erhielten, wurden der Ableitungsgruppe zur Erstellung eines Klassifizierungssystems mit künstlicher Intelligenz bei der Diagnose einer H. pylori-Infektion zugeordnet. Die endoskopischen Bilder der anderen beiden Untergruppen von Patienten (n = 120), die zwischen Juli 2021 und Dezember 2021 eine Endoskopie erhielten, wurden der Validierungsgruppe zugeordnet, um die Genauigkeit des abgeleiteten Klassifizierungssystems der künstlichen Intelligenz zu bewerten. Das Studienprotokoll wurde vom Institutional Review Board des An Nan Hospital der China Medical University (TMANH109-REC008) genehmigt. Das Institutional Review Board verzichtete auf die Einwilligungspflicht der Studie, da es sich um eine retrospektive Arbeit handelte.

Die obere Endoskopie wurde mit einem Standardendoskop (GIF-Q260J; Olympus, Tokio, Japan) durchgeführt. Magenbilder, die während einer hochauflösenden Weißlichtuntersuchung des Antrums (vorwärts) und des Körpers (vorwärts und retroflex) aufgenommen wurden, wurden sowohl für die Ableitung als auch für die Validierungsdatensätze verwendet. Für den Urease-Schnelltest wurden eine antrale Magenbiopsie und eine Körperbiopsie entnommen. Der H. pylori-Status wurde anhand der Ergebnisse eines Urease-Schnelltests (Delta West Bentley, WA, Australien)23 bestimmt. Archivierte Magenbilder, die während der Standard-Weißlichtuntersuchung aus der endoskopischen Datenbank gewonnen wurden, wurden extrahiert. Zwei Endoskopiker überprüften unabhängig voneinander Bilder und schlossen Bilder aus, deren Qualität nicht optimal war (z. B. verschwommene Bilder, übermäßiger Schleim, Speisereste, Blutungen und/oder unzureichende Luftinsufflation). Die repräsentativen Bereiche wurden dann unabhängig voneinander von zwei Endoskopikern nach Standardauswahlkriterien ausgewählt. Zu den Standardkriterien für die repräsentative Bildauswahl gehörten (1) klare Bilder, (2) keine Blasen, Blut oder Speisereste, (3) kein Reflexlicht und (4) keine spezifischen Läsionen (z. B. Erosion, Geschwür oder Tumor). Für die Auswahl repräsentativer Gebiete wurde kein spezielles Tool verwendet. Tabelle 1 zeigt die Anzahl der Patienten und Bilder in den Ableitungs- und Validierungsgruppen. Zu den wichtigsten Magen-Darm-Erkrankungen, an denen die Patienten litten, gehörten gastroösophageale Refluxkrankheit (n = 69), nicht-ulzeröse Dyspepsie (n = 199), Magengeschwür (n = 20), Zwölffingerdarmgeschwür (n = 12) und Magenkrebs (n =). 2).

Abbildung 1 zeigt das gesamte Forschungsflussdiagramm. Für die Ableitung eines Klassifizierungssystems mit künstlicher Intelligenz wurden endoskopische Bilder des Magenkörpers und des Antrums von Patienten erhalten, die eine Endoskopie mit Bestätigung des H. pylori-Status durch einen Urease-Schnelltest erhielten. Das CNN- und scSE-Netzwerk, kombiniert mit verschiedenen Klassifizierungsmodellen für Deep Learning von Magenbildern. Die Merkmale der Probenbilder wurden effektiv extrahiert, und das Klassifizierungsmodell nutzte die gastroskopischen Bilder aus der Kieferhöhle oder dem Körper, um eine umfassende Bewertung und Diagnose durchzuführen. Alle Methoden wurden in Übereinstimmung mit den relevanten Richtlinien und Vorschriften durchgeführt. Die Gesamtzahl der Patienten, die endoskopische Bilder lieferten, betrug 302, davon waren 136 H. pylori-negativ und 166 H. pylori-positiv. Tabelle 1 zeigt die Anzahl der Patienten und Bilder in den Ableitungs- und Validierungsdatensätzen. Die endoskopischen Bilder wurden vom Magenantrum und vom Magenkörper aufgenommen (Abb. 2). Der H. pylori-Status in den beiden Magenabschnitten wurde mithilfe des Klassifizierungsmodells der künstlichen Intelligenz in positive oder negative Kategorien eingeteilt.

Gesamtforschungsflussdiagramm.

(a) Endoskopische Bilder des Körpers und (b) Endoskopische Bilder des Antrums.

Da das ursprüngliche Eingabebild die Genauigkeit des Ausgabeergebnisses beeinträchtigte, wurden unnötige Feature-Informationen entfernt. Wie in Abb. 3 dargestellt, wurde der repräsentative Bereich von den Endoskopikern für die Bildaufnahme ausgewählt. Da die herkömmliche Bildvorverarbeitungsmethode möglicherweise die ursprünglichen wichtigen Merkmale des Bildes zerstört und die Genauigkeit der Klassifizierung durch maschinelles Lernen nicht verbessern kann, haben wir in dieser Studie keine herkömmliche Bildvorverarbeitungstechnologie verwendet. Zwei neuronale Deep-Learning-Netzwerkmodelle, CNN und scSE, wurden direkt zum Extrahieren der Bildmerkmale verwendet, um die anschließende Analyse von Bildmerkmalen durch verschiedene Klassifizierungsmethoden des maschinellen Lernens zu erleichtern.

(a) Körper- und (b) Antrum-Bildaufnahme.

Das Problem bei herkömmlichen Deep-Learning-Modellen besteht darin, dass sie dreidimensionale Informationen wie die horizontalen, vertikalen und Farbkanäle der Daten ignorieren. Bei CNN24 durchläuft jedes Bild im Zug- und Testbildsatz eine Reihe von Schichten, einschließlich der Faltungs-, Pooling- und vollständig verbundenen Schichten. Unter diesen können die Faltungs- und Pooling-Schichten ihre Formeigenschaften beibehalten, um einen starken Anstieg der Parameter zu vermeiden, während die vollständig verbundene Schicht extrahiert wird. Die Bildfunktion nutzt die Verbindung zwischen jedem Neuron und dem oberen Neuron, um die endgültige Klassifizierung durchzuführen25. Da CNN über eine gemeinsame Gewichtsarchitektur und Übersetzungsinvarianzfunktionen verfügt sowie während des Trainings gleichzeitig Merkmalsextraktion und -klassifizierung generiert werden kann, kann das Netzwerk parallel effektiver lernen26 und erzielt hervorragende Ergebnisse bei der Bilddatenverarbeitung27.

Für das scSE-Netzwerk28 wurden die Modelle Spatial Squeeze and Channel Excitation Block (cSE) und Channel Squeeze and Spatial Excitation Block (sSE) zur Anpassung der Netzwerkfunktionen verwendet und als wichtige effektive Feature-Maps oder Feature-Kanäle angesehen. Gewicht wurde verwendet, um die Auswirkungen unwichtiger Merkmale zu beschweren und zu reduzieren. Daher erhielten nützliche Informationen ein höheres Gewicht, während ungültige Informationen ein niedrigeres Gewicht erhielten29. Wie in Abb. 4 gezeigt, wurde im cSE-Modell der C × B × H-Merkmalsvektor der Merkmalskarte durch globales Durchschnittspooling in C × 1 × 1 konvertiert und anschließend zwei 1 × 1 × 1-Merkmalsinformationen verwendet Verarbeitung, um C-dimensionale Merkmalsinformationen zu erhalten, mit der Sigmoid-Aktivierungsfunktion normalisiert und schließlich kanalweise multipliziert, um die Merkmalskarte von cSE30 zu erhalten. Wie in Abb. 5 gezeigt, handelt es sich beim sSE-Modell um einen räumlichen Aufmerksamkeitsmechanismus, der hauptsächlich eine 1 × 1-Faltung verwendet, um die ursprüngliche Merkmalskarte zu komprimieren, um eine Änderung von C × B × H auf 1 × B × H und dann Sigmoid zu bilden Die Funktionsschicht normalisierte die Merkmalsinformationen von 0 auf 1, erhielt die Merkmalskarte der räumlichen Aufmerksamkeit und fügte sie schließlich direkt zur ursprünglichen Merkmalskarte hinzu, um die Kalibrierung der räumlichen Informationen abzuschließen31. Wie in Abb. 6 dargestellt, bestand das scSE hauptsächlich aus einer Parallelschaltung zweier Module, cSE und sSE. Nachdem die ursprüngliche Feature-Map die sSE- und cSE-Modelle durchlaufen hatte, wurden zwei Module hinzugefügt, um eine genauere und kalibrierte Feature-Map32 zu erhalten.

Kanalaufmerksamkeitsmechanismus des cSE-Architekturmodells.

Räumlicher Aufmerksamkeitsmechanismus des sSE-Architekturmodells.

Ein scSE-Architekturmodell, bestehend aus cSE und sSE.

Die endoskopischen Bilder von 182 Patienten wurden für tiefes maschinelles Lernen verwendet. Klassifizierung ist der Prozess der Vorhersage der Kategorie eines bestimmten Datenpunkts und gehört zur Kategorie des überwachten Lernens, bei dem dem Ziel auch Eingabedaten bereitgestellt werden33,34,35. Für die Notwendigkeit, eine H. pylori-Infektion vorherzusagen, ist es besser, Klassifizierungsalgorithmen zur Klassifizierung zu verwenden. Wie in Abb. 7 dargestellt, wurden die Schichten des Merkmalsextraktionsnetzwerks von ursprünglich zwei auf vier gestapelt, und schließlich wurde die letzte Schicht verwendet, um die Eingabe des Klassifizierungsmodells wie KNN, SVM, RF, GBDT, AdaBoost abzugleichen , XGBoost, LGBoost, CatBoost. Die Ausgabe des Netzwerks wurde global gemittelt und die ursprünglichen 8 × 8 × 256-Dimensionen wurden zu eindimensionalen Daten komprimiert, um dem Klassifizierungsmodell die Klassifizierung zu ermöglichen.

Faltungsnetzwerk kombiniert mit Klassifizierungsmodell.

Endoskopische Bilder von 120 Patienten wurden verwendet, um die Leistung des abgeleiteten Diagnosesystems mit künstlicher Intelligenz zu bewerten. Für jedes maschinelle Lernmodell gibt es unterschiedliche Bewertungsindexmethoden, und viele Bewertungsindizes können verwendet werden, um die Leistung des Klassifizierungsmodells oder der Vorhersage zu messen. Die Anpassung von Parametern und die Funktionsauswahl verschiedener Modelle werden typischerweise verwendet, um eine bessere Bewertungsleistung zu erzielen und die Situation zu überwachen und zu bewerten, um geeignete Feinabstimmungsparameter und Optimierungsziele festzulegen36. In dieser Studie wurden sechs Bewertungsmetriken verwendet, um die Leistung jedes Klassifizierungsmodells zu beurteilen: Genauigkeit, positiver Vorhersagewert (PPV), negativer Vorhersagewert (NPV), Sensitivität, Spezifität und Fläche unter der Kurve (AUC). Tabelle 2 zeigt die Verwirrungsmatrix für die binäre Klassifizierung. Die Verwirrungsmatrix in der prädiktiven Analyse bestand aus richtig negativ (TN, das vorhergesagte Ergebnis war negativ und wahr war auch negativ), falsch negativ (FN, vorhergesagtes Ergebnis war negativ; das tatsächliche Ergebnis war jedoch positiv), falsch positiv (FP). , vorhergesagtes Ergebnis war positiv, aber das tatsächliche Ergebnis wurde als negativ interpretiert) und richtig positiv (TP, vorhergesagtes Ergebnis war positiv, aber das tatsächliche Ergebnis war ebenfalls positiv)37. Die Leistung des Diagnosesystems mit künstlicher Intelligenz für ein einzelnes Magenbild wurde bewertet. Der Chi-Quadrat-Test wurde verwendet, um die Leistung der verschiedenen Modelle zu vergleichen. Unterschiede wurden bei P < 0,05 als statistisch signifikant angesehen. Da die Verteilung von H. pylori auf der Magenoberfläche im Antrum und Körper des Magens heterogen ist, haben wir auch die Leistung des scSE-CatBoost-Diagnosemoduls für die repräsentativen Bilder aus dem Antrum und dem Körper derselben Patienten bewertet.

Alle Autoren haben das Manuskript bestätigt und der Veröffentlichung des Manuskripts zugestimmt.

Eine Erklärung zur Bestätigung, dass alle Versuchsprotokolle vom Human Body Experiment Committee der An Nan Hospital Medical Foundation genehmigt wurden.

Jedes maschinelle Lernmodell kann effektiv dabei helfen, die Leistung des Modells für die Bewertungsergebnisse zu verstehen. Daher nutzte diese Studie den Aufmerksamkeitsmechanismus und eine Kombination von Klassifizierungsmodellen, um positiv und negativ zu klassifizieren und die beiden mit H. pylori infizierten Körperteile und das Antrum zu bewerten und zu vergleichen. Die Klassifizierungsmethoden von K-Nearest Neighbor (KNN)38, Support Vector Machine (SVM)39, Adaptive Boosting (AdaBoost)40, Random Forest (RF)41, Gradient Boosting Decision Tree (GBDT)42, eXtreme Gradient Boosting (XGBoost) 43, Light Gradient Boosting (LGBoost)44 und Categorical Boosting (CatBoost)45 wurden auf den CNN- und scSE-Modellen verwendet. Die Leistung jedes Modells wurde anhand von sechs Parametern bewertet, darunter Genauigkeit, Sensitivität, Spezifität, PPV, NPV und AUC.

Tabelle 3 zeigt die Leistung von CNN in Kombination mit verschiedenen Klassifizierungsmodellen für die Diagnose einer H. pylori-Infektion anhand endoskopischer Bilder aus dem Magenkörper. Das CNN-CatBoost-Klassifizierungsmodell zeigte mit einer Genauigkeit von 88 %, einer Sensitivität von 93 %, einer Spezifität von 80 % und einer AUC von 0,87 die beste Leistung. Tabelle 4 zeigt die Leistung von scSE in Kombination mit verschiedenen Klassifizierungsmodellen für die Diagnose einer H. pylori-Infektion anhand endoskopischer Bilder aus dem Magenkörper. Das scSE-LGBoost-Klassifizierungsmodell erzielte die beste Leistung mit einer Genauigkeit von 90 %, einer Sensitivität von 93 %, einer Spezifität von 83 % und einer AUC von 0,88.

Tabelle 5 listet die Leistung von CNN in Kombination mit verschiedenen Klassifizierungsmodellen für die Diagnose einer H. pylori-Infektion anhand endoskopischer Bilder aus dem Antrum des Magens auf. CNN-LGBoost zeigte die beste Leistung mit einer Genauigkeit von 87 %, einer Sensitivität von 89 %, einer Spezifität von 86 % und einer AUC von 0,87. Tabelle 6 zeigt die Leistung von scSE in Kombination mit verschiedenen Klassifizierungsmodellen für die Diagnose einer H. pylori-Infektion anhand endoskopischer Bilder des Magenantrums. Sowohl scSE-KNN als auch scSE-CatBoost erzielten die beste Leistung mit einer Genauigkeit von 89 %, einer Sensitivität von 90 %, einer Spezifität von 88 % und einer AUC von 0,89.

Tabelle 7 zeigt die Ergebnisse der umfassenden Beurteilung des H. pylori-Status durch das scSE-CatBoost-Klassifizierungsmodell mit endoskopischen Bildern sowohl des Körpers als auch des Antrums derselben Patienten. In diesem umfassenden Klassifizierungsmodell wurde der H. pylori-Status als negatives Ergebnis beurteilt, wenn sowohl das Körperbild als auch das Antrumbild vom scSE-CatBoost-Klassifizierungsmodell als negatives Ergebnis klassifiziert wurden. Wenn entweder das Körper- oder Antrumbild durch das scSE-CatBoost-Klassifizierungsmodell als positives Ergebnis eingestuft wurde, wurde der H. pylori-Status in der umfassenden Beurteilung als positives Ergebnis beurteilt. Die umfassende Bewertung mit dem scSE-CatBoost-Klassifizierungsmodell unter Verwendung endoskopischer Bilder aus dem Antrum und dem Körper derselben Patienten erbrachte eine gute Leistung mit einer Genauigkeit von 90 %, einer Sensitivität von 100 %, einer Spezifität von 81 % und einer AUC von 0,88.

In dieser Studie haben wir ein neuartiges Klassifizierungssystem mit künstlicher Intelligenz für die Diagnose einer H. pylori-Infektion durch endoskopische Bilder unter Verwendung der CNN- und scSE-Netzwerke und maschineller Lernmethoden entwickelt. Die Sensitivität, Spezifität und Genauigkeit für die Vorhersage des H. pylori-Status durch das scSE-CatBoost-Klassifizierungsmodell unter Verwendung endoskopischer Bilder sowohl vom Antrum als auch vom Körper betrugen 100 %, 81 % bzw. 90 %. Die Ergebnisse zeigen, dass das scSE-CatBoost-Klassifizierungsmodell eine hohe Genauigkeit für die Diagnose einer H. pylori-Infektion mit endoskopischen Weißlichtbildern erreichen kann. Es ist wichtig zu beachten, dass der negative Vorhersagewert unseres H. pylori-Diagnosesystems mit künstlicher Intelligenz 100 % betrug. Die Wahrscheinlichkeit eines positiven H. pylori-Status bei Patienten, die eine Endoskopie erhalten, ist äußerst gering, wenn unser Bilddiagnosesystem ein negatives Ergebnis des H. pylori-Status anzeigt. Daher ist es nicht erforderlich, während der Endoskopie eine weitere Biopsie zur Überprüfung des H. pylori-Status durchzuführen. Die Vermeidung unnötiger Biopsien für H. pylori-Tests hat klinische Auswirkungen, da sie die medizinischen Kosten senken, Endoskopiezeit sparen und biopsiebedingte Blutungen bei Patienten mit Blutungsneigung verhindern kann. Derzeit empfehlen wir den Endoskopikern immer noch, eine Biopsie mit Urease-Schnelltest oder Histologie durchzuführen, um die Diagnose einer H. pylori-Infektion bei Patienten mit positiven Vorhersagen durch unser Diagnosesystem mit künstlicher Intelligenz zu bestätigen, da der positive Vorhersagewert unseres Diagnosesystems nicht optimal ist (82 %). ). Vor der Verabreichung einer Eradikationstherapie muss die Diagnose einer H. pylori-Infektion weiter bestätigt werden. Dennoch kann die Genauigkeit unseres Diagnosesystems mit künstlicher Intelligenz in Zukunft durch Deep Learning von mehr endoskopischen Bildern und den Einsatz neuer Lerntechnologien weiter verbessert werden. Wenn es keine Unterschiede in der Genauigkeit zwischen unserem Diagnosesystem mit künstlicher Intelligenz und dem Urease-Schnelltest oder der Histologie gibt, hat unser Bilddiagnosesystem ein großes Potenzial, aktuelle biopsieabhängige Methoden für H. pylori-Tests zu ersetzen.

Die aktuelle Studie weist mehrere innovative Verbesserungen bei der Diagnose einer H. pylori-Infektion durch CNN- und scSE-Netzwerke auf. Zunächst untersuchten wir die Leistung von CNN- und scSE-Netzwerken in Kombination mit verschiedenen Klassifizierungsmodellen für die Diagnose einer H. pylori-Infektion. Die Ergebnisse zeigten, dass scSE-CatBoost-Klassifizierungsmodelle eine sehr hohe Genauigkeit für die Diagnose einer H. pylori-Infektion erreichen konnten. Zweitens haben wir endoskopische Bilder ausgewertet, die mit einem Weißlicht-Endoskopiesystem gewonnen wurden, das in der täglichen Praxis in endoskopischen Einheiten häufig verwendet wird. Einige Studien verwendeten blaue Laser- oder verknüpfte Farbbilder, um ein Bildklassifizierungssystem für die Diagnose einer H. pylori-Infektion zu entwickeln. Diese Bilder sind in den meisten endoskopischen Einheiten nicht verfügbar. Drittens schlossen einige Diagnosesysteme mit künstlicher Intelligenz die endoskopischen Bilder von Patienten mit Magengeschwüren und Magenkrebs aus der untersuchten Population aus und schränkten die Generalisierbarkeit ihres Bilddiagnosesystems bei Patienten mit wichtigen Magen-Darm-Erkrankungen ein. In die aktuelle Studie haben wir Probanden mit und ohne schwere Erkrankungen des oberen Gastrointestinaltrakts in den Entwicklungsprozess des Bilddiagnosesystems mit künstlicher Intelligenz einbezogen. Daher kann unser Klassifizierungssystem mit künstlicher Intelligenz für die Diagnose einer H. pylori-Infektion bei Patienten mit Magengeschwüren und Magenkrebs eingesetzt werden. Darüber hinaus verwendeten einige frühere Diagnosesysteme mit künstlicher Intelligenz unzureichende Tests (H. pylori-Antikörpertests im Urinserum) als Goldstandard für die Diagnose einer H. pylori-Infektion10,16. In der aktuellen Studie verwendeten wir den Urease-Schnelltest als Goldstandard für die Diagnose einer H. pylori-Infektion in dieser Studie. Der Urease-Schnelltest ist ein zuverlässiger Test für eine H. pylori-Infektion mit einer Sensitivität von 90–95 % und einer Spezifität von 95–100 %3.

Diese Studie verwendete Deep Learning in Kombination mit Klassifizierungsmodellen für Datensätze endoskopischer Bilder aus dem Magenkörper und dem Antrum. Bei der Bewertung des Modells werden hauptsächlich CNN und scSE zur Bewertung und zum Vergleich verwendet. Die experimentellen Ergebnisse zeigten, dass die Verwendung von scSE einen höheren Bewertungseffekt hatte, entweder anhand von Bildern des Magenkörpers oder des Antrums. Der Hauptgrund besteht darin, dass das scSE-Modell Gewichtungsoperationen an Informationskanälen durchführen kann, um effektive Informationen zu verbessern und ungültige Informationen zu unterdrücken. Nach dem Hinzufügen des scSE-Modells weist es eine höhere Nichtlinearität für das gesamte Netzwerk auf, wodurch die komplexe Korrelation zwischen Kanälen besser angepasst werden kann, was nicht nur die Effektivität der Merkmalsextraktion erhöht, sondern auch die Anzahl der Parameter und Berechnungen erheblich reduziert.

Unsere Daten zeigten, dass die umfassende Bewertung durch scSE-CatBoost-Klassifizierungsmodelle mit endoskopischen Bildern sowohl des Körpers als auch des Antrums eine gute Leistung bei der Bestimmung des H. pylori-Status erbrachte. Die Leistung des H. pylori-Status durch scSE-CatBoost-Klassifizierungsmodelle konnte eine Genauigkeit von 0,90, eine Sensitivität von 1,00, eine Spezifität von 0,81 und eine AUC von 0,88 erreichen.

Unsere Studie weist mehrere Einschränkungen auf. Erstens erfolgte die Auswertung endoskopischer Bilder nicht in Echtzeit. In der klinischen Praxis ist es wichtig für die Echtzeitbeurteilung einer H. pylori-Infektion während der Live-Endoskopie. Zweitens haben wir nur Patienten ohne vorherige H. pylori-Eradikationstherapie eingeschlossen. Es bleibt unklar, ob das durch künstliche Intelligenz unterstützte Bilddiagnosesystem für die Beurteilung des H. pylori-Status nach der Eradikation eingesetzt werden kann. Drittens handelte es sich bei dieser Studie um eine retrospektive Arbeit. Unser durch künstliche Intelligenz unterstütztes Bilddiagnosesystem bedarf noch einer prospektiven Validierung in anderen Populationen.

In der klinischen Praxis ist die Beurteilung einer H. pylori-Infektion aufgrund der endoskopischen Bilder durch Gastroenterologen oft ungenau. Durch die umfassende Beurteilung endoskopischer Magenbilder durch das scSE-CatBoost-Klassifizierungsmodell und Deep Learning können gute Leistungen bei der Bestimmung des H. pylori-Status erzielt werden. Die aktuelle Studie legt nahe, dass ein auf maschinellem Lernen basierendes Bilderkennungssystem zur Unterscheidung des H. pylori-Status eingesetzt werden kann und großes Potenzial für den Einsatz bei der Untersuchung oder Diagnose einer H. pylori-Infektion während der Endoskopie hat.

Die während der aktuellen Studie generierten und analysierten Datensätze sind aus Datenschutz- oder ethischen Gründen nicht öffentlich zugänglich, können jedoch auf begründete Anfrage beim entsprechenden Autor angefordert werden.

Abadi, ATB & Kusters, JG Management von Helicobacter pylori-Infektionen. BMC Gastroenterol. 16, 1–4 (2016).

Artikel Google Scholar

Liou, J.-M. et al. Screening und Eradikation von Helicobacter pylori zur Magenkrebsprävention: der globale Konsens von Taipeh. Gut 69, 2093–2112 (2020).

Artikel PubMed Google Scholar

Sabbagh, P. et al. Diagnosemethoden für eine Helicobacter-pylori-Infektion: Ideale, Optionen und Einschränkungen. EUR. J. Clin. Mikrobiol. Infizieren. Dis. 38, 55–66 (2019).

Artikel CAS PubMed Google Scholar

Braden, BJB Diagnose einer Helicobacter pylori-Infektion. BMJ 344, e282 (2012).

Artikel Google Scholar

Lewis, JD, Kroser, J., Bevan, J., Furth, EE & Metz, DCJ Urease-basierte Tests für Helicobacter pylori-Gastritis: Genaue Diagnose, aber schlechte Korrelation mit der Schwere der Erkrankung. J. Clin. Gastroenterol. 25, 415–420 (1997).

Artikel CAS PubMed Google Scholar

Lee, J., Breslin, N., Fallon, C. & Omorain, CJT Urease-Schnelltests sind bei der Helicobacter pylori-Diagnose nicht sensitiv, wenn Magengeschwüre mit Blutungen einhergehen. Bin. J. Gastroenterol. 95, 1166–1170 (2000).

Artikel CAS PubMed Google Scholar

Patel, SK et al. Pseudomonas fluorescens-ähnliche Bakterien aus dem Magen: Eine mikrobiologische und molekulare Studie. Welt J. Gastroenterol. 19, 1056 (2013).

Artikel PubMed PubMed Central Google Scholar

Glover, B., Teare, J., Ashrafian, H. & Patel, N. Die endoskopischen Prädiktoren des Helicobacter pylori-Status: Eine Metaanalyse der diagnostischen Leistung. Dort. Adv. Magen-Darm-Test. Endosz. 13, 263177 (2020).

Google Scholar

Ikenoyama, Y. et al. Früherkennung von Magenkrebs: Vergleich zwischen der diagnostischen Fähigkeit von Faltungs-Neuronalen Netzen und der von Endoskopikern. Graben. Endosz. 33, 141–150 (2021).

Artikel PubMed Google Scholar

Itoh, T., Kawahira, H., Nakashima, H. & Yata, N. Deep Learning analysiert Helicobacter pylori-Infektionen anhand von Endoskopiebildern des oberen Gastrointestinaltrakts. Endosz. Int. Offen 6, E139–E144 (2018).

Artikel PubMed PubMed Central Google Scholar

Ueyama, H. et al. Anwendung künstlicher Intelligenz unter Verwendung eines Faltungs-Neuronalen Netzwerks zur Diagnose von Magenkrebs im Frühstadium auf der Grundlage einer Vergrößerungsendoskopie mit Schmalbandbildgebung. J. Gastroenterol. Hepatol. 36, 482–489 (2021).

Artikel PubMed Google Scholar

Togashi, K. Anwendungen künstlicher Intelligenz in der Endoskopiepraxis: Die Sicht der Japan Digestive Disease Week. Wiley 31, 270–272 (2019).

Google Scholar

Jia, X. & Meng, MQ-H. Ein tiefes Faltungs-Neuronales Netzwerk zur Blutungserkennung in Bildern der drahtlosen Kapselendoskopie. im Jahr 2016, 38. jährliche internationale Konferenz der IEEE Engineering in Medicine and Biology Society (EMBC), 639–642.

Urban, G. et al. Deep Learning lokalisiert und identifiziert Polypen in Echtzeit mit einer Genauigkeit von 96 % bei der Screening-Koloskopie. Gastroenterology 155, 1069–1078 (2018).

Artikel PubMed Google Scholar

Zhu, Y. et al. Anwendung eines Faltungs-Neuronalen Netzwerks bei der Diagnose der Invasionstiefe von Magenkrebs basierend auf konventioneller Endoskopie. Magen-Darm-Test. Endosz. 89, 806–815 (2019).

Artikel PubMed Google Scholar

Nakashima, H., Kawahira, H., Kawachi, H. & Sakaki, NJ Künstliche Intelligenz-Diagnose einer Helicobacter-pylori-Infektion mittels blauer Laserbildgebung – helle und verknüpfte Farbbildgebung: Eine prospektive Single-Center-Studie. Ann. Gastroenterol. 31, 462 (2018).

PubMed PubMed Central Google Scholar

Shichijo, S. et al. Anwendung konvolutioneller neuronaler Netze bei der Diagnose einer Helicobacter-pylori-Infektion auf der Grundlage endoskopischer Bilder. EBioMedicine 25, 106–111 (2017).

Artikel PubMed PubMed Central Google Scholar

Zheng, W. et al. Hohe Genauigkeit des Faltungs-Neuronalen Netzwerks zur Beurteilung einer Helicobacter-pylori-Infektion basierend auf endoskopischen Bildern: Vorläufige Erfahrungen. Klin. Übers. Gastroenterol. 10, 12 (2019).

Artikel Google Scholar

Liu, G. et al. Automatische Klassifizierung von Ösophagusläsionen in endoskopischen Bildern mithilfe eines Faltungs-Neuronalen Netzwerks. Ann. Übers. Med. 8, 7 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Sobri, Z. & Sakim, HAM Extraktion von auf Textur- und Farbfusion basierenden Merkmalen für die Klassifizierung endoskopischer Gastritisbilder. Int. J. Comput. Elektr. Ing. 4, 674–678 (2012).

Artikel ADS Google Scholar

Jain, S. et al. Ein tiefes CNN-Modell zur Erkennung und Lokalisierung von Anomalien in Bildern der drahtlosen Kapselendoskopie. Berechnen. Biol. Med. 137, 104789 (2021).

Artikel PubMed Google Scholar

Zhang, C. et al. Dense-CNN: Dichtes Faltungs-Neuronales Netzwerk für Stereo-Matching unter Verwendung einer Multiscale-Feature-Verbindung. Signalprozess. Bildkommun. 95, 116285 (2021).

Artikel Google Scholar

Hsu, P.-I. et al. Eine zehntägige Vierfachtherapie bestehend aus Protonenpumpenhemmer, Wismut, Tetracyclin und Levofloxacin ist wirksamer als die Standard-Dreifachtherapie mit Levofloxacin bei der Zweitlinienbehandlung einer Helicobacter-pylori-Infektion: Eine randomisierte kontrollierte Studie. Marmelade. College-Gastroenterol. 112, 1374–1381 (2017).

Artikel CAS Google Scholar

Wu, J. Einführung in Faltungs-Neuronale Netze. Natl. Schlüssellabor. Neuartige Softw. Technol. 5, 495 (2017).

Google Scholar

Kim, P. Convolutional Neural Network 121–147 (Springer, 2017).

Google Scholar

Radzi, SA & Khalil-Hani, M. Zeichenerkennung von Nummernschildern mithilfe eines Faltungs-Neuronalen Netzwerks. in International Visual Informatics Conference, 45–55.

Albawi, S., Mohammed, TA & Al-Zawi, S. Verständnis eines Faltungs-Neuronalen Netzwerks. im Jahr 2017 International Conference on Engineering and Technology (ICET), 1–6.

Roy, AG, Navab, N. & Wachinger, C. Gleichzeitige räumliche und Kanalquetschung und -anregung in vollständig Faltungsnetzwerken. in International Conference on Medical Image Computing and Computer-Assisted Intervention, 421–429.

Li, X., Su, H. & Liu, G. Isolatordefekterkennung basierend auf globaler Erkennung und lokaler Segmentierung. IEEE Access 8, 59934–59946 (2020).

Artikel Google Scholar

Liu, Z., Wang, H., Lei, W. & Wang, G. CSAF-CNN: Schichtübergreifendes räumliches Aufmerksamkeitskarten-Fusionsnetzwerk für die Segmentierung gefährdeter Organe in Kopf- und Hals-CT-Bildern. im Jahr 2020 IEEE 17. Internationales Symposium für biomedizinische Bildgebung (ISBI), 1522–1525.

Yan, H. & Chen, A. Eine neuartige verbesserte Methode zur Segmentierung von Hirntumoren unter Verwendung eines Deep-Learning-Netzwerks. J. Phys. Konf. Ser. 1, 01.2011 (2021).

Artikel Google Scholar

Roy, AG, Navab, N. & Wachinger, C. Neukalibrierung vollständig Faltungsnetzwerke mit räumlichen und kanalbezogenen „Squeeze and Excitation“-Blöcken. IEEE Trans. Med. Bildgebung 38, 540–549 (2018).

Artikel Google Scholar

Guillaumin, M., Verbeek, J. & Schmid, C. Multimodales halbüberwachtes Lernen zur Bildklassifizierung. Im Jahr 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 902–909.

Learned-Miller, EG Einführung in überwachtes Lernen (Department of Computer Science, University of Massachusetts, 2014).

Google Scholar

Murray, RF Klassifizierungsbilder: Ein Rückblick. J. Vis. 11, 2–2 (2011).

Artikel PubMed Google Scholar

Chen, N. & Blostein, D. Eine Übersicht über die Klassifizierung von Dokumentenbildern: Problemstellung, Klassifikatorarchitektur und Leistungsbewertung. IJDAR 10, 1–16 (2007).

Artikel CAS Google Scholar

Lever, J. Klassifizierungsbewertung: Es ist wichtig zu verstehen, was eine Klassifizierungsmetrik ausdrückt und was sie verbirgt. Nat. Methoden 13, 603–605 (2016).

Artikel CAS Google Scholar

Fix, E. Diskriminatorische Analyse: Nichtparametrische Diskriminierung, Konsistenzeigenschaften Bd. 1, 14 (USAF School of Aviation Medicine, 1985).

Google Scholar

Cortes, C. & Vapnik, V. Support-Vektor-Netzwerke. Mach. Lernen. 20, 273–297 (1995).

Artikel MATH Google Scholar

Freund, Y. & Schapire, RE Eine entscheidungstheoretische Verallgemeinerung des Online-Lernens und eine Anwendung auf Boosting. J. Comput. Syst. Wissenschaft. 55, 119–139 (1997).

Artikel MathSciNet MATH Google Scholar

Ho, TK Zufällige Entscheidungswälder. in Proceedings of 3rd International Conference on Document Analysis and Recognition, 278–282.

Friedman, JH Greedy-Funktionsnäherung: eine Gradientenverstärkungsmaschine. Ann. Stat. 29, 1189–1232 (2001).

Artikel MathSciNet MATH Google Scholar

Chen, T. & Guestrin, C. Xgboost: Ein skalierbares Baum-Boosting-System. in Proceedings of the 22nd ACM Sigkdd International Conference on Knowledge Discovery and Data Mining, 785–794.

Ke, G. et al. Lightgbm: Ein hocheffizienter Entscheidungsbaum zur Gradientenverstärkung. Adv. Neuronal. Inf. Verfahren. Syst. 30, 1–10 (2017).

Google Scholar

Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, AV & Gulin, A. CatBoost: Unbiased Boosting with Categorical Features (2017). arXiv:1706.09516.

Referenzen herunterladen

Die Studie wurde vom An Nan Hospital der China Medical University finanziert (Fördernummern: ANHRF119-7, ANHRF112-8 und ANHRF 112-45).

Die Studie wurde vom An Nan Hospital (Fördernummern: ANHRF109-13, AHRF 109-38, AHRF110-18, AHRF 110-43 und AHRF112-08) und dem Ministerium für Wissenschaft und Technologie, Executive Yuan, Taiwan, ROC (MOST) finanziert Zuschussnummern: MOST Zuschussnummern: 110-2221-E-992 -011 -MY2, 110-2221-E-992 -005 -MY2 und 111-2221-E-992 -016 -MY2).

Diese Autoren trugen gleichermaßen bei: Chih-Hsueh Lin und Ping-I Hsu.

Abteilung für Elektrotechnik, Nationale Kaohsiung-Universität für Wissenschaft und Technologie, Kaohsiung, 80778, Taiwan

Chih-Hsueh Lin, Chin-Dar Tseng, Pei-Ju Chao, Shen-Hao Lee, Jia-Hong Ren und Tsair-Fwu Lee

Medizinisches Physik- und Informatiklabor für Elektrotechnik, Nationale Kaohsiung-Universität für Wissenschaft und Technologie, Kaohsiung, 80778, Taiwan

Chih-Hsueh Lin, Chin-Dar Tseng, Pei-Ju Chao, Shen-Hao Lee, Jia-Hong Ren und Tsair-Fwu Lee

Abteilung für Gastroenterologie, Abteilung für Medizin, An Nan Hospital, China Medical University, Tainan, Taiwan

Ping-I Hsu, I-Ting Wu und Chang-Bih Shie

Abteilung für Bildung und Forschung, An Nan Hospital, China Medical University, Tainan, Taiwan

Supratip Ghose

Abteilung für Gastroenterologie und Hepatologie, Abteilung für Innere Medizin, Antai Medical Care Corporation, Antai Tian-Sheng Memorial Hospital, Donggan, Kreis Pingtung, Taiwan

Chih-An Shih

Abteilung für Krankenpflege, Meiho-Universität, Neipu, Landkreis Pingtung, Taiwan

Chih-An Shih

Abteilung für Radioonkologie, Linkou Chang Gung Memorial Hospital und Chang Gung University College of Medicine, Linkou, Taiwan

Shen-Hao Lee

Abteilung für medizinische Bildgebung und radiologische Wissenschaften, Kaohsiung Medical University, Kaohsiung, 80708, Taiwan

Tsair-Fwu Lee

PhD-Programm in Biomedizintechnik, Kaohsiung Medical University, Kaohsiung, 80708, Taiwan

Tsair-Fwu Lee

School of Dentistry, College of Dental Medicine, Kaohsiung Medical University, Kaohsiung, 80708, Taiwan

Tsair-Fwu Lee

Sie können diesen Autor auch in PubMed Google Scholar suchen

CH.L. und P.-IH führten das Experiment durch. C.-DT hat das Manuskript mit Unterstützung von P.-JCI-TW geschrieben und Supratip Ghose hat die Probe hergestellt. C.-AS und S.-HL halfen bei der Betreuung des Projekts. J.-HR und C.-BS hatten die ursprüngliche Idee. T.-FL betreute das Projekt.

Korrespondenz mit Chin-Dar Tseng oder Tsair-Fwu Lee.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Lin, CH., Hsu, PI., Tseng, CD. et al. Anwendung künstlicher Intelligenz in der endoskopischen Bildanalyse zur Diagnose einer Magenkrebserreger-Helicobacter-pylori-Infektion. Sci Rep 13, 13380 (2023). https://doi.org/10.1038/s41598-023-40179-5

Zitat herunterladen

Eingegangen: 21. April 2023

Angenommen: 06. August 2023

Veröffentlicht: 17. August 2023

DOI: https://doi.org/10.1038/s41598-023-40179-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.