基于YOLOv5的新型人工智能模型的开发与验证，用于胃黏膜病变检测

《Surgical Endoscopy》：Development and validation of a novel YOLOv5-based artificial intelligence model for gastric mucosal lesion detection

　　

摘要

背景与目的

人工智能（AI）已广泛应用于内镜诊断领域；然而，目前仍缺乏能够全面诊断弥漫性和局灶性病变的AI模型。本研究旨在开发一种基于AI的内镜分析系统Endosmart，该系统利用YOLOv5框架实现弥漫性和局灶性胃部病变的同步检测。

方法

本研究从两家三级医院收集了共计34,979张胃镜图像。通过准确率、敏感性、特异性和F1分数来评估Endosmart的诊断性能。同时使用ROC曲线和AUC来评价模型的诊断效果。此外，还对953张胃镜图像进行了外部验证，这些图像由Endosmart和四位经验丰富的内镜医师独立评估。此外，还评估了Endosmart与经验丰富的内镜医师在病变分类方面的一致性。

结果

Endosmart在独立验证和外部验证数据集中均表现出稳健的性能。在独立验证中，该模型的总体AUC为0.965，所有黏膜病变类型的AUC均超过0.950。在外部验证中，Endosmart在各种病变类型上的诊断准确性均较高。对于局灶性低风险病变，准确率为0.960（94.8–97.3%），敏感性为0.957（94.1–97.2%），特异性为0.966（94.4–98.6%）；对于局灶性高风险病变，准确率为0.965（95.4–97.7%），敏感性为0.924（87.6–96.7%），特异性为0.972（96.1–98.3%）；对于弥漫性病变，准确率为0.990（98.2–99.5%），敏感性为0.987（96.6–1.000），特异性为0.990（98.3–99.6%）。值得注意的是，与经验丰富的内镜医师相比，Endosmart在不同病变类型上的诊断性能更为稳健（p < 0.05）。具体而言，在局灶性低风险病变方面，Endosmart在所有评估指标上的表现均更优；对于局灶性高风险病变，Endosmart的准确率、敏感性及阴性预测值（NPV）更高，而特异性和阳性预测值（PPV）与内镜医师相当；对于弥漫性病变，Endosmart的准确率更高，而内镜医师的特异性和PPV更优。

结论

Endosmart能够高效且同时地诊断上消化道内镜检查中的弥漫性和局灶性病变。