基于深度学习的自动化分类技术：利用宫腔镜图像对体外受精（IVF）患者子宫内膜病变进行分类

《Scientific Reports》：Deep learning-based automated classification of endometrial lesions in IVF patients using hysteroscopic images

　　

摘要

子宫内膜健康是女性生育能力和妊娠成功的关键因素，因此准确诊断子宫内膜病变对于辅助生殖技术的成功至关重要。虽然宫腔镜检查仍是评估子宫腔的金标准，但其解读结果可能因临床医生的专业水平而异。为了解决这一问题，我们开发了一个基于深度学习的临床决策支持系统，该系统能够将高分辨率（4K）视频中的宫腔镜图像分为三类：正常子宫内膜、子宫内膜息肉和子宫内膜炎。子宫内膜炎的分类依据是宫腔镜下显示的炎症特征；未进行组织病理学确认。我们使用了来自200个临床视频的1500张由专家标注的图像数据集，对四种架构（VGG-16、VGG-19、DenseNet-121和EfficientNet-B0）进行了迁移学习。研究结果显示，这些模型的分类准确率在85%到89%之间，其中DenseNet-121的表现最为出色，其在息肉检测方面的敏感性达到93%，AUC为98.8%，子宫内膜炎的检测精度为90%。此外，Grad-CAM可视化技术证实这些模型关注的是具有临床意义的形态学特征，从而提高了模型的可解释性。这些发现表明，深度学习可以作为辅助临床医生进行宫腔镜分析的工具，但还需在外部数据集上进行验证，并确保标签的病理学准确性。