利用深度学习从常规内镜图像中自动诊断幽门螺杆菌感染：一项开发与验证研究

《BMC Gastroenterology》：Automated diagnosis of Helicobacter pylori infection from routine endoscopic images using deep learning: a development and validation study

　　

摘要

背景

实时内镜诊断幽门螺杆菌感染仍然具有挑战性，通常需要通过活检检测，这会延迟治疗决策的制定。尽管深度学习方法展现出潜力，但大多数现有研究依赖于回顾性数据集或图像增强技术，因此难以应用于常规白光内镜检查。我们的目标是仅利用标准白光内镜图像，开发一种处于研究阶段的深度学习模型，并对其有效性进行前瞻性验证。

方法

在这项单中心前瞻性研究中，我们纳入了连续接受诊断性胃镜检查的成人患者。每位患者在标准白光内镜下拍摄6张标准化胃部图像。以胃窦和胃体活检的病理结果作为参考标准。我们基于EfficientNet-B0构建了一个深度学习模型，通过整合各图像层的预测结果来对患者的幽门螺杆菌感染状况进行分类。该模型的性能首先在开发组中通过五折交叉验证进行评估，随后在另一个独立的时间分离验证组中进行测试（开发组占70%，验证组占30%）。

结果

共有172名患者（1,000张图像）被纳入研究；其中94名患者（54.7%）检测出幽门螺杆菌阳性。在五折交叉验证中，该模型在患者层面的AUC值为0.901（95%置信区间：0.863–0.936），灵敏度为85.1%，特异性为81.4%。在另一个独立的时间分离验证组中（样本量n=52，感染率为48.1%），该模型的AUC值为0.889（95%置信区间：0.793–0.960），灵敏度为84.0%，特异性为85.2%。与单张图像分析相比，整合多张胃部图像的预测结果能提高诊断的准确性。

结论

在这项前瞻性研究中，基于常规白光内镜图像的深度学习模型在患者层面展现了良好的幽门螺杆菌检测能力，这一效果在独立的时间分离验证组中也得到了体现。目前，该模型应被视为一种研究和决策辅助工具，而非独立的诊断系统。在将其用于常规临床实践之前，还需要进行多中心外部验证以及基于视频的前瞻性研究。