? 无码国产精品一区二区免费模式,特级精品毛片免费观看

亚洲 a v无 码免 费 成 人 a v,性欧美videofree高清精品,新国产三级在线观看播放,少妇人妻偷人精品一区二区,天干天干天啪啪夜爽爽av

腫瘤學(xué)最新研究：人工智能實(shí)時(shí)輔助內(nèi)鏡早期診斷上消化道腫瘤

2019/10/18
導(dǎo)讀
通過(guò)采集上消化道癌患者和正常人群內(nèi)鏡圖像進(jìn)行大規(guī)模機(jī)器學(xué)習(xí)，徐瑞華教授團(tuán)隊(duì)利用和持續(xù)改進(jìn)以深度卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的圖像識(shí)別算法，成功研發(fā)出一套上消化道癌內(nèi)鏡AI智能診斷系統(tǒng)（GRAIDS），可大幅提高早期癌變的識(shí)別率和診斷的準(zhǔn)確性。

1


●  ●  ●




《柳葉刀-腫瘤學(xué)》（The Lancet Oncology）近日在線發(fā)表中山大學(xué)腫瘤防治中心徐瑞華教授團(tuán)隊(duì)領(lǐng)銜的一項(xiàng)人工智能輔助內(nèi)鏡上消化道癌早期診斷的最新研究。本研究是迄今為止最大樣本的人工智能輔助內(nèi)鏡下早期診斷上消化道癌的研究，成功研發(fā)出一套上消化道腫瘤內(nèi)鏡人工智能輔助診斷系統(tǒng)（GRAIDS）。該系統(tǒng)通過(guò)模擬醫(yī)生的思維和診斷推理，對(duì)內(nèi)鏡下腫瘤病變進(jìn)行智能識(shí)別和分析，可大幅提高早期癌變的識(shí)別率和診斷的準(zhǔn)確性。特別邀請(qǐng)作者團(tuán)隊(duì)對(duì)論文進(jìn)行深度解析。


作者介紹

2

徐瑞華

教授、博士生導(dǎo)師、醫(yī)學(xué)博士


中山大學(xué)腫瘤防治中心主任、院長(zhǎng)、所長(zhǎng)，華南腫瘤學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室主任，腫瘤醫(yī)學(xué)省部共建協(xié)同創(chuàng)新中心主任，國(guó)家新藥（抗腫瘤藥物）臨床試驗(yàn)中心主任，入選國(guó)家百千萬(wàn)人才工程，國(guó)務(wù)院政府特殊津貼專家，南粵百杰?，F(xiàn)任教育部科技委生物與醫(yī)學(xué)學(xué)部委員，中國(guó)抗癌協(xié)會(huì)第一屆靶向治療專委會(huì)主任委員，中國(guó)臨床腫瘤學(xué)會(huì)胃癌專家委員會(huì)主任委員，中國(guó)臨床腫瘤學(xué)會(huì)腸癌專家委員會(huì)候任主委。長(zhǎng)期從事消化道腫瘤早診、個(gè)體化治療及抗癌藥物研究。


本研究的主要研究單位包括中山大學(xué)腫瘤防治中心、江西省腫瘤醫(yī)院、梧州市紅十字會(huì)醫(yī)院、揭陽(yáng)市人民醫(yī)院、粵北人民醫(yī)院、普寧市人民醫(yī)院，徐瑞華教授為本文通訊作者，駱卉妍副教授、徐國(guó)良教授、李超峰工程師、賀龍君醫(yī)生、羅琳娜博士和王梓賢博士為本文的共同第一作者。


 論文介紹 




人工智能實(shí)時(shí)輔助內(nèi)鏡早期診斷上消化道腫瘤

一項(xiàng)多中心、病例對(duì)照、診斷性研究



上消化道癌，包括食管癌和胃癌，是全球最常見(jiàn)的惡性腫瘤和腫瘤相關(guān)死亡原因[1]。據(jù)中國(guó)國(guó)家癌癥中心統(tǒng)計(jì)數(shù)據(jù)顯示，全球約50%的上消化道癌發(fā)生在中國(guó)，其中超過(guò)85%的患者在確診時(shí)已為中晚期。早期上消化道癌患者五年生存率超過(guò)90%，而晚期患者的五年生存率則小于10%[2-4]。因此，上消化道癌的早期診斷、早期治療是提高療效的關(guān)鍵。目前，內(nèi)鏡檢查及活檢仍是上消化道癌早期診斷的金標(biāo)準(zhǔn)。但是我國(guó)的內(nèi)鏡醫(yī)生十分短缺，人才缺口巨大，遠(yuǎn)遠(yuǎn)不能滿足臨床實(shí)際需求；而另一方面，由于早期上消化道癌常缺乏典型的內(nèi)鏡下表征，極易漏診[5]，加之不同級(jí)別醫(yī)院的內(nèi)鏡醫(yī)生水平差異很大，導(dǎo)致我國(guó)早期上消化道癌的檢出率低，早診率不到10%，嚴(yán)重制約了療效的提高。




人工智能技術(shù)已經(jīng)在醫(yī)療領(lǐng)域展現(xiàn)了強(qiáng)大的應(yīng)用潛力[6-8]。其中最重要的一點(diǎn)，是可以自動(dòng)分析和推斷肉眼難以分辨的復(fù)雜微成像結(jié)構(gòu)（如粘膜病變的范圍和顏色強(qiáng)度的異常），并定量確定人眼無(wú)法察覺(jué)的像素級(jí)特征[9]。目前人工智能技術(shù)在上消化道內(nèi)鏡檢查中的主要用途是輔助區(qū)分腫瘤性和非腫瘤性病變，雖然已有一些初步的研究結(jié)果發(fā)表[10-12]，但都是單中心、小樣本的回顧性分析，臨床意義和實(shí)用價(jià)值有限。




徐瑞華教授團(tuán)隊(duì)的此項(xiàng)研究通過(guò)采集上消化道癌患者和正常人群內(nèi)鏡圖像進(jìn)行大規(guī)模機(jī)器學(xué)習(xí)，利用和持續(xù)改進(jìn)以深度卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的圖像識(shí)別算法，成功研發(fā)出一套上消化道癌內(nèi)鏡AI智能診斷系統(tǒng)（GRAIDS）。該系統(tǒng)通過(guò)模擬醫(yī)生的思維和診斷推理，對(duì)內(nèi)鏡下腫瘤病變進(jìn)行智能識(shí)別和分析，可大幅提高早期癌變的識(shí)別率和診斷的準(zhǔn)確性，其主要功能包含以下三方面：




一、GRAIDS可以準(zhǔn)確的診斷上消化道腫瘤并且實(shí)時(shí)指導(dǎo)內(nèi)鏡檢查操作




本研究總共納入了84,424例患者的1,036,908張內(nèi)鏡圖像，分別來(lái)自6家不同級(jí)別的醫(yī)院，包括中山大學(xué)腫瘤防治中心（SYSUCC）、粵北人民醫(yī)院（NGPH）、梧州市紅十字醫(yī)院（WCH）、江西省腫瘤醫(yī)院（JCH）、普寧市人民醫(yī)院（PPH）和揭陽(yáng)市人民醫(yī)院（JPH）。其中SYSUCC的圖片分別用于訓(xùn)練集、內(nèi)部驗(yàn)證集和前瞻性驗(yàn)證集，其他5家醫(yī)院的圖片用于外部驗(yàn)證集（圖1）。通過(guò)對(duì)上消化道癌患者和正常人群內(nèi)鏡圖像數(shù)據(jù)的識(shí)別和深度學(xué)習(xí)，并對(duì)GRAID系統(tǒng)不斷的進(jìn)行優(yōu)化和調(diào)整，該系統(tǒng)對(duì)上消化道癌的總體診斷準(zhǔn)確率可達(dá)90%以上，其中內(nèi)部數(shù)據(jù)驗(yàn)證診斷準(zhǔn)確率為95.5%，前瞻性數(shù)據(jù)驗(yàn)證診斷準(zhǔn)確率為92.7%，外部數(shù)據(jù)驗(yàn)證診斷準(zhǔn)確率為91.5%至97.7%（表1，圖2）。
 
1
?圖1. 上消化道癌內(nèi)鏡AI智能診斷系統(tǒng)（GRAIDS）的開(kāi)發(fā)與評(píng)價(jià)流程圖




1
?圖2. GRAIDS在不同數(shù)據(jù)驗(yàn)證集中的診斷ROC曲線




1
?表1. GRAIDS在不同驗(yàn)證集中的準(zhǔn)確性




該系統(tǒng)的速度非?？?，一臺(tái)配置單GPU卡的普通服務(wù)器即可達(dá)到每秒118張圖像的處理能力。該智能輔助系統(tǒng)具有實(shí)時(shí)活檢部位精確提示、內(nèi)鏡檢查智能質(zhì)控和自動(dòng)采圖等功能，在醫(yī)生進(jìn)行內(nèi)鏡檢查的同時(shí)自動(dòng)捕獲圖像并進(jìn)行云端AI分析，實(shí)時(shí)提示精確的可疑病灶區(qū)域，指導(dǎo)內(nèi)鏡醫(yī)生選擇活檢部位；在檢查過(guò)程中，該系統(tǒng)能對(duì)檢查時(shí)間和檢查部位進(jìn)行質(zhì)控，減少遺漏關(guān)鍵信息，提高檢查質(zhì)量；在臨床操作中，該系統(tǒng)還能夠依據(jù)指南要求自動(dòng)采圖存儲(chǔ)，減少醫(yī)生因“一心兩用”、“手腳并用”帶來(lái)遺漏關(guān)鍵信息的可能性。該系統(tǒng)的研究和應(yīng)用，相當(dāng)于一個(gè)經(jīng)驗(yàn)豐富的內(nèi)鏡專家在實(shí)時(shí)指導(dǎo)內(nèi)鏡檢查操作，極大的提高了內(nèi)鏡下活檢的陽(yáng)性率（圖3）。
 
1
?圖3. GRAIDS系統(tǒng)在內(nèi)鏡檢查中實(shí)時(shí)識(shí)別上消化道癌性病變




二、低年資內(nèi)鏡醫(yī)生在GRAIDS的幫助下可達(dá)到經(jīng)驗(yàn)豐富的內(nèi)鏡專家診斷水平




本研究從SYSUCC前瞻性驗(yàn)證數(shù)據(jù)集中隨機(jī)挑選出包括4,532張圖片的子集進(jìn)行GRAIDS與不同年資的內(nèi)鏡醫(yī)生判讀對(duì)比（表2）。GRAIDS的診斷準(zhǔn)確率為0.928 （95%CI 0.919-0.933）；而在三位不同年資經(jīng)驗(yàn)的內(nèi)鏡醫(yī)生中，專家（擁有超過(guò)10年內(nèi)鏡診治經(jīng)驗(yàn)的教授）的診斷準(zhǔn)確率最高，為0.967 （95%CI 0.961-0.973），高年資醫(yī)生（完成臨床及內(nèi)鏡?？婆嘤?xùn)、擁有5年以上內(nèi)鏡操作經(jīng)驗(yàn)的主治醫(yī)生）的準(zhǔn)確率為0.956 （95%CI 0.949-0.963），而低年資醫(yī)生（擁有2年內(nèi)鏡操作經(jīng)驗(yàn)的住院醫(yī)生）的準(zhǔn)確率最低，為0.886 （95%CI 0.875-0.752）。GRAIDS和醫(yī)生們的判讀特異度均高于90%，而靈敏度卻差異甚大，GRAIDS為0.942（95%CI 0.924-0.957），專家為0.945（95%CI 0.927-0.959），高年資醫(yī)生為0.858（95%CI 0.832-0.880），低年資醫(yī)生僅為0.772（95%CI 0.691-0.752）（圖4）。更重要的是，在GRAIDS的幫助下，可提升專家的診斷靈敏度至0.984，而低年資醫(yī)生的診斷靈敏度將提升到與專家獨(dú)自判讀時(shí)相當(dāng)?shù)男Ч?span style="margin: 0px; padding: 0px; max-width: 100%; font-size: 15px; color: rgb(127, 127, 127);">（0.964 [95%CI 0.949-0.975]）。




1
?表2. GRAIDS與不同年資醫(yī)生內(nèi)鏡診斷上消化道癌的準(zhǔn)確性比較
 
1
?圖4. GRAIDS與不同級(jí)別醫(yī)生內(nèi)鏡診斷上消化道癌的準(zhǔn)確性比較




三、構(gòu)建了基于云技術(shù)的多中心上消化道癌內(nèi)鏡AI診斷平臺(tái)




該云診斷平臺(tái)可以用于：1. 自動(dòng)捕獲內(nèi)鏡檢查圖像上傳至云端進(jìn)行AI分析，實(shí)時(shí)向操作者反饋提示可疑病灶區(qū)域，指導(dǎo)操作者更有針對(duì)性的選擇活檢部位，提高活檢陽(yáng)性率；2. 醫(yī)生可以復(fù)習(xí)并重新評(píng)估已存儲(chǔ)的圖片，通過(guò)模擬診斷積累經(jīng)驗(yàn)，提高技術(shù)水平，減少上消化癌的漏診率；3.通過(guò)公共網(wǎng)站（http://graids.sysucc.org.cn），提供對(duì)GRAID系統(tǒng)的免費(fèi)訪問(wèn)，臨床醫(yī)生和患者可根據(jù)提示自行上傳內(nèi)鏡圖片，重新評(píng)估已有診斷的準(zhǔn)確性；該網(wǎng)站還可通過(guò)內(nèi)置的開(kāi)放性大規(guī)模內(nèi)鏡圖像數(shù)據(jù)庫(kù)（存儲(chǔ)內(nèi)鏡圖片超過(guò)100萬(wàn)張），對(duì)初級(jí)醫(yī)生及研究者進(jìn)行內(nèi)鏡診斷培訓(xùn)（圖5）。
 
1
?圖5. 基于云的多中心人工智能的內(nèi)鏡輔助診斷云平臺(tái)




該上消化道癌內(nèi)鏡AI智能診斷系統(tǒng)的研發(fā)及應(yīng)用，是人工智能技術(shù)在腫瘤診療領(lǐng)域轉(zhuǎn)化應(yīng)用的又一成功范例，能夠明顯提高基層醫(yī)療機(jī)構(gòu)的腫瘤診斷水平，推動(dòng)不同級(jí)別醫(yī)院腫瘤診療水平的同質(zhì)化，解決醫(yī)療資源供需嚴(yán)重失衡以及地域分配不均等問(wèn)題，讓優(yōu)質(zhì)醫(yī)療資源下沉到基層，讓更多基層民眾享受到普惠醫(yī)療的好處。這對(duì)于提高我國(guó)上消化道腫瘤的早診早治水平、促進(jìn)腫瘤規(guī)范化治療、推動(dòng)分級(jí)診療的實(shí)現(xiàn)，將具有十分重大的意義。


參考文獻(xiàn)（上下滑動(dòng)查看）


1. Siegel RL, Miller KD, Jemal A. Cancer statistics, 2018. CA Cancer J Clin 2018; 68: 7–30.


2. Amin MB, Greene FL, Edge SB, et al. The Eighth Edition AJCC Cancer Staging Manual: Continuing to build a bridge from a population-based to a more “personalized” approach to cancer staging. CA Cancer J Clin 2017; 67: 93–99.


3. Sano T, Coit DG, Kim HH, et al. Proposal of a new stage grouping of gastric cancer for TNM classification: International Gastric Cancer Association staging project. Gastric Cancer 2017; 20: 217–25.


4. Rice TW, Ishwaran H, Hofstetter WL, et al. Recommendations for pathologic staging (pTNM) of cancer of the esophagus and esophagogastric junction for the 8th edition AJCC/UICC staging manuals. Dis Esophagus 2016; 29: 897–905.


5. Menon S, Trudgill N. How commonly is upper gastrointestinal cancer missed at endoscopy? A meta-analysis. Endosc Int Open 2014; 2: e46–50.


6. Li X ZS, Zhang Q, Wei X, et al. Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multicohort, diagnostic study. Lancet Oncol2019; 20: 193–201.


7. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature2017; 542: 115–18.


8. Liang H, Tsui BY, Ni H, et al. Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence. Nat Med 2019; 25: 433–38.


9. Trister AD, Buist DSM, Lee CI. Will machine learning tip the balance in breast cancer screening? JAMA Oncol 2017; 3: 1463–64.


10. Byrne MF, Chapados N, Soudan F, et al. Real-time differentiation of adenomatous and hyperplastic diminutive colorectal polyps during analysis of unaltered videos of standard colonoscopy using a deep learning model. Gut 2019: 68: 94–100.


11. 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.


12. Alagappan M, Brown JRG, Mori Y, Berzin TM. Artificial intelligence in gastrointestinal endoscopy: the future is almost here. World J Gastrointest Endosc 2018; 10: 239–49.




注：本文轉(zhuǎn)載自柳葉刀TheLancet。

參與討論
0 條評(píng)論
評(píng)論
暫無(wú)評(píng)論內(nèi)容
知識(shí)分子是由饒毅、魯白、謝宇三位學(xué)者創(chuàng)辦的移動(dòng)新媒體平臺(tái)，致力于關(guān)注科學(xué)、人文、思想。
訂閱Newsletter

我們會(huì)定期將電子期刊發(fā)送到您的郵箱

GO