社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

结直肠病变诊断迎来 “AI 火眼金睛”!吉林大学第一医院内镜中心团队《自然·通讯》:EC-NBI + 深度学习精准识别三类病变

BioMed科技 • 1 年前 • 299 次点击  

“医生,我这肠道里的疙瘩到底是良性还是恶性啊?” 在消化内镜诊室里,类似的疑问每天都在上演。结直肠病变的早期诊断,不仅关乎患者是否需要手术,更直接影响生存期。如今,这一诊断难题迎来了新解法—— 吉林大学相关团队联合攻关,将深度学习与先进内镜技术-细胞内镜(endocytoscopy,EC)结合,开发出能精准区分结直肠病变的“AI 助手”,相关成果发表于国际顶刊《Nature Communications》(2025 年第 16 期),通讯作者为张楠,徐红和张志诚教授。

一、医生的“诊断烦恼”:错综复杂的微血管,经验不够难判断

提到肠镜检查,很多人会联想到“痛苦”,但对医生而言,更棘手的是 “看得清却辨不明”。传统内镜虽能发现肠道病变,但要区分 “非肿瘤性病变”“腺瘤(癌前病变)” 和 “浸润性癌”,往往需要依赖病变表面的微血管形态,然而,放大倍数不够、经验不足都会直接影响诊断准确性。

 “以前的内镜,放大倍数最多100 倍左右,想看清微血管细节很困难;随着WEC联合窄带成像技术 (EC-NBI ),放大倍数能到520 倍,不需要染色,便可观察到高倍放大的微血管,诊断准确率提升不少。” 张志诚教授解释,可新问题又来了:EC-NBI 的诊断高度依赖医生经验,新手医师的学习周期长,“有时候两张血管图看起来差不多,资深医生能看出细微差异,新手就容易判断错”。

更关键的是,此前临床用的AI 辅助诊断模型(CAD)多是 “二分类”—— 只能分清 “非肿瘤性” 和 “肿瘤性”,却没法进一步区分 “腺瘤” 和 “浸润性癌”。“腺瘤是癌前病变,及时切掉就行;浸润性癌可能需要外科手术,甚至化疗。这一步错了,对患者的治疗方案影响太大了。” 张志诚教授团队意识到,必须开发一款能 “三分类” 的 AI 模型,帮医生把好诊断 “精准关”。

二、AI 的 “学习之路”:48 万张内镜图当 “教材”,三阶段训练练出 “火眼金睛”

要让AI 学会 “看病变”,首先得给它足够多的 “教材”。团队回顾性收集了 2023 年 6 月至 2024 年 10 月期间,吉林大学第一医院和梅河口市中心医院的 813 例患者、1056 个病变的近 3.5 万张 EC-NBI 图像 —— 这些图像涵盖了不同大小、不同位置的结直肠病变,甚至包括新手最难判断的 “平坦型病变”。

“AI 的‘老师’是掩码自编码器(MAE),就像教孩子先认轮廓、再辨细节。” 团队成员介绍,AI 的训练分了三个阶段:

1. 第一阶段:“广撒网” 学基础:用48 万张不同类型的内镜图像(包括胃镜、结肠镜)给 AI “打基础”,让它学会从模糊图像中恢复细节 —— 比如故意挡住 75% 的图像,让 AI 猜被挡住的部分是什么,以此锻炼它的特征提取能力;

2. 第二阶段:“针对性” 练专长:专门用8615 张 EC-NBI 图像让 AI “刷题”,重点学习结直肠病变的微血管特征,相当于 “专科培训”;

3. 第三阶段:“精细化” 学分类:给AI 加了个 “分类器”,还融入了 “监督深度聚类” 技术 —— 就像老师告诉 AI“这类是腺瘤,血管特点是 XX;这类是癌,血管特点是 YY”,让同类病变在 AI 的 “脑海里” 更集中,不同病变更分明。

三、AI 的 “成绩单”:AUC 最高 0.969,还能帮新手医生 “涨经验”

经过多轮训练,这款AI 模型交出了亮眼的 “成绩单”:

1. 在图像水平 :内部验证时,识别“浸润性癌” 的 AUC(诊断准确性指标,越接近 1 越准)高达 0.969,相当于 100 张癌性图像能准确判断 96.9 张;即使在不同医院的外部验证中,识别三类病变的 AUC 均保持在 0.8 以上,远超此前的二分类模型;

2. 在病变水平:通过“投票机制”(同一病变多张图像综合判断),AI 的准确性进一步提升,轮廓系数(特征区分度指标)从图像水平的 0.4724 提升到 0.6914,意味着它能更精准地给病变 “贴标签”;

3. 更惊喜的是人机协作效果:4 名不同经验的医生(从上往下分别是1年,3年,7年和9年经验的内镜医师)在AI 辅助下,诊断准确性得到了大幅提升,从以下雷达图中我们看到,年资越低的医生,AI对齐辅助作用越大。

人机对抗和人机协同性能对比

“我们用 Grad-CAM 技术看了 AI 的‘关注点’,发现它重点看的血管区域和临床医生的判断高度一致。” 张志诚教授说,这意味着 AI 不是 “瞎猜”,而是真的学会了 “按医学逻辑判断”,未来能成为医生的 “得力助手”,尤其是在基层医院,帮助解决 “经验不足” 的难题。

模型的关注点

全文总结

本文基于回顾性研究,开发了基于深度学习的窄带成像内镜计算机辅助诊断模型,用于结直肠病变(非肿瘤性病变、腺瘤、浸润性癌)的三分类预测。研究首先针对现有EC 诊断依赖医生经验、传统机器学习模型多为二分类且性能有限的问题,借鉴大规模语言模型的多阶段预训练策略,设计了包含三阶段的训练流程:第一阶段用近 48 万张公开内镜图像进行无监督通用预训练,第二阶段用未标记的 EC-NBI 数据继续无监督预训练以提升特征提取能力,第三阶段结合监督深度聚类和期望最大化方法进行监督微调。研究数据集来自吉林大学第一医院和梅河口市中心医院,通过图像级和病灶级评估显示,该模型在内部验证集中非肿瘤性病变、腺瘤、浸润性癌的 AUC 分别为 0.939、0.917、0.969,外部验证集 AUC 分别为 0.837、0.827、0.908,且病灶级性能因投票机制略高于图像级;与主流深度学习模型相比,该模型综合性能更优,在人机对比中准确率超过内镜医生,辅助医生时能提升其诊断表现。此外,通过 Grad-CAM 和 SHAP 分析增强模型可解释性,发现模型主要关注血管区域,不同病变类型对应不同血管特征,同时指出研究存在数据来源局限(仅东北两家医院)、无法区分浅表与深层黏膜下浸润癌、缺乏前瞻性验证等不足,未来需扩大多中心数据集并推进临床转化。

相关信息

论文标题:Development of deep learning-based narrow-band imaging endocytoscopic classifi cation for predicting colorectal lesions from a retrospective study

链接:https://www.nature.com/articles/s41467-025-63812-5 

发表期刊:Nature Communications(2025, 16)

第一作者:Jie Wang(汪杰),Mingqing Liu (刘明庆)

通讯作者:Nan Zhang (张楠),Hong Xu(徐红), Zhicheng Zhang(张志诚)

「BioMed科技」关注生物医药×化学材料交叉前沿研究进展!交流、合作,请添加杨主编微信!

原文链接:
https://www.nature.com/articles/s41467-025-63812-5
来源:课题组供稿
声明:仅代表作者个人观点,作者水平有限,如有不科学之处,请在下方留言指正!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/187224