人工智能通过内窥检测上消化道癌症

上消化道癌(包括食道癌和胃癌)是全世界最常见的癌症。使用深度学习算法的人工智能平台在医学成像方面取得了显着进步，但它们在上消化道癌中的应用受到限制。我们旨在通过分析临床内镜检查的影像数据来开发和验证用于上消化道癌诊断的胃肠道人工智能诊断系统(GRAIDS)。

方法

这项多中心，病例对照，诊断性研究是在中国的六家不同级别(即市，省和国家级)医院中进行的。从所有参与调查的医院中检索未曾接受过内窥镜检查的18岁或18岁以上连续参与者的图像。经组织学证实为恶性肿瘤的所有上消化道癌病变(包括食道癌和胃癌)患者均符合本研究的条件。只有具有标准白光的图像才被认为是合格的。来自中山大学癌症中心的图像被随机分配(8：1：1)用于发展GRAIDS的训练和内在验证数据集，以及用于评估GRAIDS性能的内部验证数据集。使用中山大学癌症中心(一家国立医院)的内部和前瞻性验证集以及来自五家初级保健医院的其他外部验证集对它的诊断性能进行了评估。还将GRAIDS的表现与具有三级专业知识的内镜医师进行了比较：专家，主管和受训者。通过使用Clopper-Pearson方法计算95%CI，评估了GRAIDS和内镜医师对癌性病变的诊断准确性，敏感性，特异性，阳性预测值和阴性预测值。主管和实习生。通过使用Clopper-Pearson方法计算95%CI，评估了GRAIDS和内镜医师对癌性病变的诊断准确性，敏感性，特异性，阳性预测值和阴性预测值。主管和实习生。通过使用Clopper-Pearson方法计算95%CI，评估了GRAIDS和内镜医师对癌性病变的诊断准确性，敏感性，特异性，阳性预测值和阴性预测值。

发现

使用来自84 424个个体的1 036 496个内窥镜图像来开发和测试GRAIDS。在内部验证集中，识别上消化道癌的诊断准确性为0·955(95%CI 0·952-0·957)，在前瞻性集中为0·927(0·925-0·929)，范围为在五个外部验证集中，从0·915(0·913-0·917)到0·977(0·977-0·978)。GRAIDS实现了与专家内镜医师相似的诊断敏感性(0·942 [95%CI 0·924-0·957]vs0·945 [0·927-0.959];p = 0·692)和灵敏度(0·858 [0·832-0·880]，p <0·0001)和受训者(0·722 [0·691-0·752]，p < 0·0001)内镜医师。GRAIDS的阳性预测值为0·814(95%CI 0·788-0·838)，专家内镜医师的阳性预测值为0·932(0·913-0·948)，0·974(0·960-0··主管内镜医师为984)，受训内镜医师为0·824(0·795-0·850)。GRAIDS的阴性预测值为0·978(95%CI 0·971-0·984)，专家内窥镜专家的阴性预测值为0·980(0·974-0·985)，0·951(0·942-0· 959)(主管内窥镜检查员)和0·904(0·893-0·916)(受训内窥镜检查员)。