Была установлена более высокая эффективность модели глубокого обучения U-Net в диагностике хронического атрофического гастрита по сравнению с эндоскопистами за счет более высокой чувствительности и точности, а также лучшей согласованности с определением стадии с помощью системы OLGA и патоморфологическим диагнозом.
В рамках проспективного когортного исследования методом «случай — контроль» было установлено, что применение модели глубокого обучения может помочь эндоскопистам в быстрой диагностике хронического атрофического гастрита (ХАГ) во время гастроскопии. Одновременно была подтверждена эффективность модели в выявлении пациентов из группы высокого риска с III и IV стадией согласно оперативной системе оценки гастрита (OLGA). Цель исследования, проведенного Quchuan Zhao и соавт., состояла в оценке эффективности системы видеомониторинга в режиме реального времени при определении стадии гастрита по системе OLGA и диагностике ХАГ. Авторы использовали глубокое обучение U-Net в качестве основы для своей модели и разработали дизайн исследования для оценки показателей диагностической оценки.
В исследование были включены в общей сложности 1306 участников, разделенных на две группы: группу пациентов с ХАГ и группу пациентов с хроническим неатрофическим гастритом на основании результата патоморфологического исследования. Затем в каждой группе оценивали показатели диагностической оценки. Модель автоматически маркировала каждое атрофическое поражение и оценивала его тяжесть. Чтобы устранить потенциальную систематическую ошибку отбора, исследователи использовали сопоставление показателей предрасположенности. Была установлена большая эффективность модели с точки зрения показателей диагностической оценки и лучшая согласованность диагнозов, полученных с ее помощью, со стадированием по системе OLGA по сравнению с эндоскопистами (см. таблицу 1).
Используя патоморфологический диагноз в качестве эталона, было подтверждено лучшее соответствие с определением стадии по системе OLGA и более высокие показатели диагностической оценки модели видеомониторинга в режиме реального времени для эндоскопической диагностики ХАГ, в которой использовали модель глубокого обучения U‑Net, по сравнению с диагностикой эндоскопистами.
Therapeutic Advances in Gastroenterology
U-Net deep learning model for endoscopic diagnosis of chronic atrophic gastritis and operative link for gastritis assessment staging: a prospective nested case–control study
Quchuan Zhao и соавт.
Комментарии (0)