微评论 开放获取
版权 ©2021年作者(年代)。 由白石登出版集团有限公司出beoplay app苹果系统下载版,版权所有。
世界J胃肠罗。 2021年9月21日; 27(35): 5908-5918
2021年9月21日在线发布。doi:10.3748/wjg.v27.i35.5908
使用卷积神经网络的大肠息肉的诊断光
Rawen Kader, Andreas V Hadjinicolaou, Fanourios Georgiades, Danail Stoyanov, Laurence B Lovat
罗文·卡德,丹尼尔·斯托亚诺夫,劳伦斯·B·洛瓦特,Wellcome/EPSRC介入和外科科学中心,伦敦大学学院,伦敦W1W 7TY,英国
罗文·卡德,劳伦斯·B·洛瓦特,伦敦大学伦敦大学学院手术与介入科学分工,伦敦W1W 7ty,英国
安德烈亚斯V Hadjinicolaou,英国剑桥大学消化内科MRC癌症研究组,剑桥CB2 0QQ
Fanourios Georgiades,英国剑桥大学外科,剑桥CB2 0QQ
Danail Stoyanov,伦敦大学学院计算机科学系,英国伦敦W1W 7TY
ORCID号码: Rawen就(0000-0001-9133-0838);Andreas V Hadjinicolaou (0000 - 0002 - 6520 - 443 - x);乔治亚法努里奥斯酒店(0000-0003-0440-2720);达内尔·斯托亚诺夫(0000-0002-0980-3227);劳伦斯·B·洛瓦特(0000-0003-4542-3915).
作者的贡献: Kader R, Hadjinicolaou AV和Georgiades F进行了文献综述并撰写了手稿;Stoyanov D和Lovat LB对手稿进行了修改;所有作者都已阅读并批准了最终稿。
利益冲突声明:Rawen Kader得到加州大学洛杉矶分校Wellcome/EPSRC介入和外科科学中心(WEISS)的支持;[203145Z/16/Z]。Danail Stoyanov拥有Odin Vision and Digital Surgery Ltd.的股份。Laurence B Lovat拥有Odin Vision的股份。其余作者声明没有利益冲突。
开放存取:这篇文章是一篇开放获取的文章,由内部编辑选择,完全由外部评审员同行评审。它是分布式依照创作共用署名非商业性(4.0 CC通过数控)许可证,允许别人分发,混音,适应,建立这个工作非商业化,和其派生作品在不同的条款进行许可,提供最初的工作是正确地引用和非商业使用。看到的:http://creativecommons.org/Licenses/by-nc/4.0/
相应的作者: Rawen Kader,医学博士,MBBS, MRCP,英国伦敦大学学院Wellcome/ EPSRC介入外科科学中心研究员,Charles Bell House, 43-45 Foley Street, Fitzrovia, London W1W 7TY。 r.kader@nhs.net
收到:2021年2月27日
同行评审开始: 2021年2月27日
第一个决定: 2021年4月18日
修改:2021年4月29日
接受:2021年8月24日
文章在新闻: 2021年8月24日
在线发布:2021年9月21日

摘要

结肠镜检查仍然是结直肠癌筛查的金标准调查,因为它提供了检测和切除癌前息肉和肿瘤性息肉的机会。尽管图像增强内窥镜技术已广泛应用,但光学诊断尚未纳入常规临床实践,主要原因是操作员之间存在显著差异。近年来,越来越多的研究表明卷积神经网络(CNN)在息肉光学诊断方面的潜力。数据表明,CNN的使用可能会减轻内窥镜医师之间的操作员差异,有可能实现“切除并丢弃”或“保留”“实时采用的策略。这将为医疗系统带来巨大的经济效益,避免对非肿瘤性息肉进行不必要的息肉切除,并提高结肠镜检查的效率。在这里,我们回顾CNN在结肠息肉光学诊断方面的进展,目前的局限性和未来的方向。

关键词: 人工智能深度学习卷积神经网络计算机辅助诊断光学诊断结直肠息肉

核心提示:卷积神经网络(CNN)是一种特定类型的人工智能深度学习。这些网络在未来几年中可能在辅助内窥镜师光学诊断结肠直肠息肉中发挥重要作用。CNN可以在内窥镜师之间减轻操作员间变异性,可能使“切断和丢弃”或“留在”策略中进行采用。这将提高结肠镜检查的效率,通过避免不必要的非肿瘤息肉切除,降低医疗成本并减少患者的不良事件。在本文中,我们扩展了该领域中最相关的研究,并讨论将确定在结直肠息肉的光学诊断中实现CNN潜力的局限性和未来方向。



介绍

结直肠癌(CRC)是全球第三大最常见的癌症[1]因此,这是全球医疗系统的一个重大负担。大多数CRC从突变累积的肿瘤性息肉,如腺瘤和无柄锯齿状病变(SSL)开始,以相对可预测的逐步序列发展[2]目前的循证社会指南明确接受结肠镜检查是筛查大肠癌的金标准工具[3.]结肠镜检查为发现和切除肿瘤性息肉提供了机会[4.]它的实施,特别是作为肠癌筛查项目的一部分,与大肠癌发病率和大肠癌相关死亡率的显著降低有关[5.].

超过90%的结肠镜检查发现的息肉是小的(6-9毫米)或小的(≤5毫米),这些实体被认为发展为结直肠癌的风险非常低[6.].此外,几乎一半的息肉在本质上是非肿瘤性的;和经常增生性7.].准确区分肿瘤息肉和非肿瘤性息肉,可避免不必要的切除,避免不划算的干预,并带来严重发病率的风险[8.].

近年来,在人工智能(AI),特别是卷积神经网络(CNN)的应用方面,出现了重大的研究活动,以光学诊断大肠息肉。该领域正获得越来越大的发展势头。本综述文章的目的是总结和批判性评价与CNN光学诊断大肠息肉进展相关的现有医学文献,并强调该领域的当前局限性和未来方向。

光学诊断

术语“光学诊断”指的是利用先进的成像技术进行实时、被检体内息肉特征及评估以指导治疗决定[9.].精确的光学诊断将有助于识别直肠乙状结肠区域的增生性息肉,这是它们最常见的地方,并允许内窥镜医生自信地采取“诊断后离开”的方法,而不是切除病变。同样,对于小腺瘤,精确的光学诊断会促使内镜医生当场切除病变并丢弃标本,而不需要进行组织学评估(“切除丢弃”策略)[9.].

美国胃肠内窥镜学会建立了有价值的内窥镜创新(PIVI)的保存和合并,以提供内窥镜技术所需的阈值,以便实施“切除和丢弃”(PIVI 1)和“诊断和离开”(PIVI 2)策略[9.].PIVI 1在息肉切除术后监测间隔时间内要求≥90%的一致性,当将小型腺瘤的光学诊断与所有其他息肉的组织病理学评估相结合,与仅基于所有已识别息肉的组织病理学评估的决定相比较时[10].PIVI 2需要一种技术来实现矫直物区域中腺瘤息肉的≥90%的负面预测值(NPV)[9.].

在图像增强内窥镜(IEE)中存在广泛的研究,例如窄带成像(NBI),以辅助光学诊断中的内窥镜师,以表征小息肉[11-13].使用IEE,学术中心的专家内窥镜师一直展示了超过PIVI阈值的光学诊断精度[14-16],然而,研究经常发现社区和非专业内窥镜医生达不到这些最低阈值[17].例如,多中心DISCARD-2研究使用NBI评估了28名社区内窥镜医生的光学诊断准确性。令人失望的是,内窥镜医师的光学诊断得出的结肠镜监测间隔仅匹配组织病理学得出的间隔的68% [18].虽然光学诊断技术已得到广泛应用,但还没有被纳入常规临床实践,其中一个主要障碍是内窥镜医生之间操作人员的可变性[19].

什么是卷积神经网络?

人工智能是指计算机执行传统上需要人类智能才能完成的任务的能力1) [20.].机器学习(ML)是AI,因此电脑不断地从数据学习没有明确的人编程的一个子集[21].这可以用来预测息肉的组织学。ML模型可以使用非监督或监督技术进行训练。无监督学习是指输入和输出数据没有配对。有监督的ML更加劳动密集型,因为它需要成对的输入和输出数据进行训练。用于光学诊断的监督ML模型的一个例子是注释息肉(输入数据)周围的边界框,通常称为感兴趣的区域,并用息肉的组织学标记它(输出数据)。该模型自动学习提取特征,使其能够区分息肉亚型,并输出基于其训练的组织学分类系统的诊断结果,但注释过程对临床医生来说是耗时的。

图1
图1卷积神经网络、深度学习、机器学习和人工智能之间的关系。

深度学习是ML的一个子集,算法在神经网络中使用多层[22],模仿人脑,以从输入数据中提取高级别功能。细胞神经网络在深学习应用光学诊断息肉最常用的网络。它们提供了客观的输出,绕过人类帧间和帧内运营商可变性,并且可以开发分类算法,而无需详尽的努力,因为它们不要求人为制作的特征提取或数据的广泛预处理[23].

构建CNN模型通常涉及三个独立的数据集:一个训练集、一个验证集和一个测试集[24].训练集用于开发模型,使其预测标签(例如(如腺瘤性息肉或增生性息肉),该方法基于算法本身从内镜图像中提取的特征。通过对模型的超参数进行微调,使用验证集来避免对训练数据集进行过拟合。最后,将测试集作为独立的数据集来评估CNN的泛化能力。对于较小的数据集,交叉验证可以用来评估模型的稳健性。在交叉验证中,数据被分成相等的部分(例如,4份)中,用作为验证数据集伸出一部分。这个过程被重复多次,每次分裂,最终汇集在一起​​的结果决定的模型是如何健壮[24].使用交叉验证评估的CNN仍应根据独立测试集进行评估,以检查其通用性[24].

卷积神经网络与光学诊断

仅仅在最近几年,cnn用于结肠息肉的光学诊断才被广泛研究,出现了各种各样的研究(见表)1).事实上,许多这类研究已经证明了cnn有能力超过PIVI 2的阈值,以支持直肠- s样增生性息肉的“离开”策略(见表)2).这首先是由陈勇军证明的[25他使用了2157个息肉的单中心、回顾性、静态图像数据集来训练CNN,当评估一组284个结肠和直肠小腺瘤和增生性息肉时,报告了识别腺瘤的敏感性为96.3%,特异性为78.1%,NPV为91.5%。由于难以获得大量的直肠乙状结肠小息肉数据集,使用结肠小息肉是一种常用的评估PIVI 2的策略。这项研究的一个重要限制是它使用了放大的窄带成像(NBI)数据。虽然随着时间的推移,它将会得到更广泛的应用,但这种最近发展起来的方法在大多数内窥镜科室还不容易使用。

表1卷积神经网络在结直肠息肉光学诊断中的研究综述。
Ref。
研究设计(培训/测试)
多中心研究
数据集
图像质量
分类系统
病变号(训练/测试)
SSL排除在外
内窥镜处理器
图像模式(训练)
实时功能
Komeda[37] 艺术家作品回顾展 视频 未指定 腺瘤/ non-adenoma 未指定/10 没有 未指定 " WLI, NBI chromoendoscopy 未指定
[25] 回顾/前瞻 仍然 总部 增生性/肿瘤 2157/284. 是的 奥林巴斯260 + 290 放大NBI 实时(约450毫秒)
伯恩[23] 回顾/前瞻 视频 所有图像 NICE Type 1/NICE Type 2 125分之220 是的 奥林匹斯山190 NBI-NF 实时(约50毫秒)
撒迦利亚[26] 预期的 两个 仍然 充分和总部 腺瘤性/锯齿状息肉 5278/634 没有 奥林巴斯190(90%),180(7%),宾得i10(3%) " WLI NBI,我扫描 实时(约13毫秒)
小泽[38] 回顾/前瞻 仍然 总部 增生性/腺瘤/ SSL / CRC / " WLI: 17566/783NBI:290分之2865 没有 奥林巴斯260 + 290 WLI,NBI. 实时(约20毫秒)
[31] 回顾/前瞻 仍然 总部 增生/腺瘤 2150/300 是的 奥林匹斯山290 NBI-NF 实时(约10毫秒)
歌曲[39] 回顾/前瞻 仍然 总部 锯齿状息肉/ MSM良性腺瘤/ /出发 624/545. 没有 奥林匹斯山290 NBI-NF 实时(约20-40毫秒)
罗德里格斯·迪亚兹[28] 回顾/前瞻 两个 仍然 未指定 肿瘤(腺瘤,CRC)/非肿瘤(增生,正常) 607/280 培训:是的测试:不 奥林匹斯山190 数字放大 实时(约100毫秒)
范德赞德[27] 回顾/前瞻 未指定 仍然 总部 良性(增生性)/癌前(腺瘤,SSL, T1 CRC) 398/60 没有 富士,宾得 " WLI BLI,我扫描 实时(约14.8 ms)
表2卷积神经网络算法用于结肠息肉光学诊断的每个息肉结果的研究总结(交叉验证结果不包括在内)。
Ref。
图像模态(测试)
灵敏度(%)
特异性(%)
PPV(%)
净现值(%)
瘤变准确率(%)
PIVI 1达到(%)
PIVI 2实现(%)
Komeda[37] 未指定 - - - - 70 - -
[25] 放大NBI 96.3 78.1 89.6 91.5 90.1 - 是的(91.5)
伯恩[23] NBI-NF 98. 83. 90. 97. 94. - 是的(97)
撒迦利亚[26] NBI - - - 96.5 93.1 是(98.3) 是(96.5)
WLI - - - 88.9 92.8 是(90.8) 否(88.9)
小泽[38]1 NBI 97. - 84. 88. - - -
WLI 98. - 85. 88. - - -
NBI-NF 83.3 91.7 93.3 78.6 86.7 - -
歌曲[39] NBI-NF(测试组1) 84.1 74. 88.3 67.7 - - -
NBI-NF(测试集2) 88.5 72.1 88.6 84.7 - - -
罗德里格斯·迪亚兹[28] NBI-NF(90%)+NBI(10%) 95. 88. - 93. - 是(94 (20/90 LC)) 是(98(6/68 LC))
范德赞德[27] " WLI + BLI 95.6 93.3 97.7 87.5 95.0 - 没有(87.5)

伯恩[23]通过训练CNN与NBI-near focus (NBI-NF)进一步推进了这一领域,NBI-NF在欧洲和北美更常用。该模型训练了220个息肉阳性视频,并与前瞻性收集的125个小息肉进行测试,该模型诊断了106个息肉,具有很高的可信度,实现了识别NBI国际结直肠内镜(NICE) 1型息肉的敏感性为98%,特异性为83%,NPV为97%。本研究中一个值得强调的新颖之处是使用视频图像,与回顾性静态图像相比,这种方法减少了选择偏差,因为内窥镜医生通常捕捉高质量的息肉视图,没有运动模糊和表面伪影。这个CNN的另一个优点是它简化了临床工作流程,因为它不需要捕获息肉的静态图像就能自动诊断息肉。该研究的局限性在于,ssl、正常组织和淋巴聚集体被排除在最终分析之外,用于训练和测试CNN的视频是由单一的内窥镜专家进行结肠镜检查时拍摄的,因此,可能对新手用户不太适用。

社区内窥镜医师最常用的成像方式是白光成像(WLI)和无放大的NBI。使用5278个息肉的大型回顾性静态图像训练集,并对634个息肉进行测试,Zachariah[26而美国有线电视新闻网(CNN)则未能做到皮维上尉NPV为90.8%,准确率为93.1%,而NBI在未放大的情况下达到阈值。这项研究推动了该领域的发展,因为它证明了cnn在标准NBI模式下光学诊断息肉的能力,并通过其数据集中的SSLs区分腺瘤和锯齿状息肉。

虽然大多数cnn已经使用奥林巴斯的数据进行了培训和测试,但正在使用其他制造商的数据进行研究。范德赞德[27[最近开发了一种CNN,使用富士的数据在高清晰度白光(HDWL)和蓝光成像(BLI)。当CNN使用一种独特的多模式成像方法时,与单一成像方式相比,它在决策过程中结合了相同息肉的HDWL和BLI图像,从而更加有效。当对60个预先收集的小息肉进行评估时,它没有达到皮维上尉2个阈值,NPV为87.5%,但确实达到了95%的光学诊断精度(鉴定恶性前息肉的灵敏度95.6%和特异性93.3%),并展示了人类基准测试中的专家和新手内窥镜手的优越性。

与PIVI 2相比,评估cnn与PIVI 1性能的研究较少。CNN在撒迦利亚报道[26]在正常放大的WLI和NBI中均达到PIVI 1阈值,90.9%和98.3%的患者分别与基于组织学的结肠镜监测时间间隔一致。Rodrigues-Diaz[28]使用单中心回顾性静态图像数据集对一个有607个息肉的CNN进行训练,并对90个小息肉进行测试,其中78%的病例获得了高置信度诊断,94%的病例与基于组织学的结肠镜监测间隔一致。对68个直肠乙状结肠息肉进行测试,该模型诊断88%的息肉具有高置信度h置信度,实现PIVI 2阈值,净现值为97%。

除了“切除抛弃”和“保留”策略外,还有可能扩大光学诊断cnn的使用。内镜与组织学诊断之间的差异,以及息肉组织碎裂的分类在标本提取过程中起着重要作用,这是一个使息肉切除术后监测时间间隔的发布复杂化的难题。Shahidi[29]的概念研究的证据所使用的CNN在息肉≤3毫米大小解决差异。测试针对900个息肉是≤3mm与光学诊断为由专家内镜腺瘤中,CNN诊断腺瘤以高置信度在644个息肉,256个息肉认为是次最佳的成像质量。然而,这些高可信度的诊断,病理学家诊断15.4%为正常黏膜,13.2%为增生性息肉和0.3%的SSL。在此背景下,CNN将有助于减轻对下监督的风险。

虽然CNN的诊断准确性在许多研究中都优于,但如果没有实时功能,它们将没有临床用途。在深度学习时代之前,计算机辅助诊断算法缺乏实时性,但大多数cnn不存在这个问题,通常处理数据的速度超过结肠镜检查过程视频记录的每秒25帧。鉴于cnn在体外研究中的出色表现和显示的实时能力,其在结肠镜检查中的整合前景广阔。

透明度卷积神经网络的

CNN模型决策过程的复杂性常被称为“黑盒子”,是临床医生和患者接受CNN模型的一个重要障碍[30.].打开“黑匣子”以显示通知CNN决定的原始特征对于透明度非常重要,尤其是从安全角度来看[28].透明度可以帮助患者损害的情况下,神经网络和援助根本原因分析中找出偏差,例如,如果肿瘤息肉是后来发展成CRC最初误诊为通过CNN模型非肿瘤性。

对于息肉的特征描述,已经采取了重要的步骤来打开黑匣子[31]开发了一个生成彩色热图的CNN,覆盖在息肉上,以帮助内窥镜医生理解有助于CNN预测的图像的具体方面(图2).这有助于内窥镜师决定哪些信息相关,哪些决策真正基于适当的图像分析。如果例如,热线图覆盖到正常的粘膜,则内窥镜师将迅速欣赏这一点并忽视CNN的诊断。

图2
图2彩色热图的插图,覆盖在息肉上,展示了最可能有助于卷积神经网络诊断的区域。 A,B,C,d:息肉的原始窄带成像(NBI);A,B,C,d:彩色热图覆盖在NBI图像上;红色:概率较高,该地区通报了卷积神经网络(CNN)的诊断;蓝色:概率较低,该地区通报了CNN的诊断。图像调整和从出版商许可修改[31].引用本文:Jin EH, Lee D, Bae JH, Kang HY, Kwak MS, Seo JY, Yang JI, Yang SY, Lim SH, yijy, Lim JH, Chung GE, Chung SJ, Choi JM, Han YM, Kang SJ, Lee J, Chan Kim H, Kim JS。利用卷积神经网络提高结肠息肉光学诊断的准确性。胃肠病学2020;158(8):2169至2179年。版权所有©出版由Elsevier的作者2020年。

最近,为了进一步提高CNN的透明度,罗德里格斯-迪亚兹[28]开发了一种颜色编码分割模型(图3.).在这个模型中,CNN将息肉分成不同的部分,让内窥镜医生识别图像中告知CNN决定的特定区域。CNN预测了分节息肉的每个子区域的组织学,红色为高置信肿瘤性诊断,绿色为高置信非肿瘤性诊断,黄色为低置信/不确定诊断,最终的预测结果来自所有分析区域的总和。最终的结果是息肉表面的详细空间彩色编码组织学图,内窥镜医生可以将其可视化,并纳入他们的决策过程[28,提高了CNN模型相对于其他模型的可解释性。然而,这个高级CNN的一个重要限制是,它目前缺乏以视频速率运行的能力。

图3
图3空间颜色编码的组织学图允许用户可视化息肉表面的子区域,这有助于卷积神经网络的决策过程。 增生性息肉;B:腺瘤性息肉;C:无柄锯齿状病变;红色:高置信度肿瘤诊断;绿色:高置信度非肿瘤诊断;黄色:诊断不确定或可信度低。改编自参考文献[28]引用:Rodriguez Diaz E,Baffy G,Lo WK,Mashimo H,Vidyarthi G,Mohapatra SS,Singh SK.基于实时人工智能的结直肠息肉组织学分类与增强可视化。胃内科医生2021;93: 662 - 670。版权所有©作者2021。由爱思唯尔出版。

需要进一步研究CNN模型的可解释性,以提高其可接受性[32并加快其向临床实践的转化。

局限性和未来方向

尽管cnn到目前为止显示出了希望,但重要的是要认识到,在它们成为内镜临床工作流程的一部分之前,有各种各样的限制需要克服。最显著的限制是对回顾性数据集的依赖[33],这是天生的选择偏差,缺乏前瞻性研究和随机对照试验[34].大多数研究训练和测试细胞神经网络使用息肉的高品质的图像,从“噪声”自由诸如运动模糊和息肉表面工件(例如如粘液、粪便或血液)。cnn的临床前结果在真实世界的环境中是可重复的,在那里经常遇到“噪音”,还有待观察。

据我们所知,还没有前瞻性随机对照临床试验评估光学诊断被检体内部分原因是临床试验耗时且昂贵,另一种实用方法可能是使用公开的外部数据集形式的基准测试来比较不同的CNN模型[35]。目前尚无此类息肉特征数据集,因此CNN模型的通用性仍不清楚。通用性是指CNN在不同内窥镜模型和临床设置下的表现,这些数据是为训练CNN而生成的。到目前为止,只有一项研究[36]已经评估了通用性,这仅限于使用两个单独的内窥镜制造商(奥林巴斯和富士胶片)从两个人群队列(澳大利亚和日本)获得的69张息肉图像的小测试集.尽管测试集较小,但本研究强调了对通用性的关注,因为曲线下的操作员面积从内部测试集的94.3%降至外部测试集(NBI和BLI)的84.5%和90.3%。

另一个重要的限制是,研究经常排除不是腺瘤或增生性息肉的息肉,这限制了cnn可能的分类输出。这反过来又限制了它们的临床应用,因为当分类系统建立时,由于cnn初始训练阶段的限制,诸如SSL和炎性息肉会被错误分类。

该领域的研究可能会继续扩大和未来的指示,以考虑:(1)指导标识CNN在临床工作流程中的作用,具体而言,是否是第二读者,并发阅读器或独立的提供者诊断[30.];(2)前瞻性多中心随机临床试验;(3)公开可用的外部数据集,用于基准测试和评估CNN模型在不同临床环境和人群队列中的通用性;(4)获取包含所有polyp子类型的数据集,以推进CNN分类系统。

结论

总之,这对内窥镜界来说是一个激动人心的时刻。cnn的诊断性能在体外研究和人体基准测试中表现出色。cnn很可能是光学诊断息肉的关键辅助设备,并重新乐观地认为“切除抛弃”和“保留”策略的实施是可行的,因为它有可能缓解内窥镜医生之间的操作差异。这将为医疗系统带来巨大的经济效益,避免不必要的非肿瘤性息肉切除,并提高结肠镜检查的效率。然而,需要前瞻性的多中心随机对照试验和公开可用的基准测试数据集来进一步评估cnn的有效性和泛化性。此外,随着这些模型现在出现在内窥镜单位,迫切需要制定指导方针,确立它们在临床工作流程中的作用。

脚注

稿件来源:特邀稿件

专业类型:胃肠病学和肝病学

原产国/地区:英国

同行评审报告的科学质量分类

A级(优秀):A

B级(非常好):0

C级(良好):0

d级(公平):0

e级(差):0

P-Reviewer: Cavdar SC S-Editor: Ma YJ L-Editor: A P-Editor: Li JH

参考文献
1. 布雷F,Ferlay J,Soerjomataram I,Siegel RL,Torre La,Jemal A.全球癌症统计数据2018:Globocan在185个国家的36个癌症全球发病率和死亡率的估计。CA癌症杂志. 2018;68.: 394 - 424。[PubMed][内政部][本文引用:][交叉引用人:28752][引用于f6出版:22253][文章的影响:9584.0][文献引用分析(0)]
2. 歌米, Emilsson L, Bozorg SR, Nguyen LH, Joshi AD, Staller K, Nayor J, Chan AT, Ludvigsson JF。息肉切除术后结直肠癌发病率和死亡率的风险:一项瑞典记录相关研究《柳叶刀》杂志.2020;5.:537-547。[PubMed][内政部][本文引用:][引自:Crossref: 23][引用by F6Publishing: 11][文章的影响:23.0][文献引用分析(0)]
3. 美国预防服务特别工作组.比宾斯-多明戈K,格罗斯曼,咖喱SJ,戴维森千瓦,epl JW Jr,加西亚,吉尔曼MW,哈珀DM, Kemper AR,案发啊,Kurth AE, Landefeld CS,曼卓林厘米,欧文斯DK,菲利普斯WR,菲普斯MG, Pignone MP, Siu AL .结直肠癌筛查:美国预防服务工作组建议声明。日本汽车制造商协会. 2016;315:2564-2575。[PubMed][内政部][本文引用:][引用于:975][引用于f6出版:600][文章的影响:195.0][文献引用分析(0)]
4. 鲁特MD,东J,里斯CJ,克里普斯N,多切蒂J,多尔瓦尼S,凯伊PV,莫纳汉KJ,诺维利MR,铅垂A,桑德斯BP,托马斯·吉布森S,托兰DJM,怀特S,邦宁顿S,Scope A,黄R,希伯特B,马什J,摩尔B,克罗斯A,夏普L.英国胃肠病学会/大不列颠及爱尔兰结肠直肠病学会/公共卫生英格兰邮政poly全结肠切除术和结直肠癌切除后监测指南。肠胃.2020;69.:201-223。[PubMed][内政部][本文引用:][引用于:62][引用by F6Publishing: 43][文章的影响:31.0][文献引用分析(0)]
5. Zauber AG), Winawer SJ, O'Brien MJ, Lansdorp-Vogelaar I, van Ballegooijen M, Hankey BF, Shi W, Bond JH, Schapiro M, Panish JF, Stewart ET, Waye JD。结肠镜下息肉切除术与结肠直肠癌死亡的长期预防英国医学杂志.2012;366: 687 - 696。[PubMed][内政部][本文引用:][交叉引用人:1597][F6Publishing引用人:565][第条影响:177.4][文献引用分析(0)]
6。 利伯曼D,Moravec M,Holub J,Michaels L,Eisen G.息肉尺寸和高级组织学在接受结肠镜检查的患者中:对CT上影的影响。胃肠病学.2008;135:1100-1105.[PubMed][内政部][本文引用:][引用编号:286][在F6Publishing中引用:217][文章影响:22.0][文献引用分析(0)]
7。 雷克斯DK,Overhiser AJ,Chen SC,Cummings OW,Ulbright TM。美国放射学会建议对高危腺瘤切除术后CT结肠造影报告的影响评估。美国胃肠病学杂志.2009;104: 149 - 153。[PubMed][内政部][本文引用:][引用于:92][引用于f6出版:71][文章的影响:7.7][文献引用分析(0)]
8。 萨尔瓦多Hajjar一,雷伊JF。人工智能在消化道内镜检查:一般概述。中华医学杂志.2020;133: 326 - 334。[PubMed][内政部][本文引用:][引自:Crossref: 15][引用by F6Publishing: 9][文章的影响:15.0][文献引用分析(0)]
9。 ASGE技术委员会.Abu Dayyeh Bk,Thosani N,Konda V,Wallace MB,Rex DK,Chauhan SS,Hwang JH,Komanduri S,Manfredi M,Maple JT,Murad FM,Siddiqui UD,Banerjee S. Asge技术委员会系统审查和荟萃分析评估用于采用实时内窥镜评估的ASGe PIVI阈值,其对结直肠息肉的组织学。胃内科医生.2015;81.:502.E1-502.E16。[PubMed][内政部][本文引用:][由十字架引用:162][F6Publishing引用人:117][文章的影响:27.0][文献引用分析(0)]
10. 雷克斯DK.我们可以用人工智能辅助的结肠息肉“光学活检”进行切除和丢弃吗?科技Gastrointest Endosc. 2019;150638.[PubMed][内政部][本文引用:][交叉引用:1][引用by F6Publishing][文章的影响:1.0][文献引用分析(0)]
11. Ignjatovic一,East JE,Suzuki N,Vance M,Guenther T,Saunders BP.在常规结肠镜检查中对小大肠息肉的光学诊断(检测-检查-表征切除和丢弃;丢弃试验):一项前瞻性队列研究。柳叶刀ONCOL.2009;10: 1171 - 1178。[PubMed][内政部][本文引用:][引用文献:243][引用于f6出版:73][文章影响:20.3][文献引用分析(0)]
12. Ignjatovic一,Thomas Gibson S,East JE,Haycock A,Bassett P,Bhandari P,Man R,Suzuki N,Saunders BP.关于窄带成像在鉴别小腺瘤和增生性大肠息肉中的应用的培训模块的开发和验证。胃内科医生.2011;73.:128-133。[PubMed][内政部][本文引用:][引用于:76][引用于f6出版:70][文章的影响:7.6][文献引用分析(0)]
13. Rastogi一, Keighley J, Singh V, Callahan P, Bansal A, Wani S, Sharma P.高精度无放大窄带成像实时表征息肉组织及其与高清白光结肠镜的比较:一项前瞻性研究。美国胃肠病学杂志.2009;104:2422年至2430年。[PubMed][内政部][本文引用:][交叉引用:125][F6Publishing引用人:106][第条影响:10.4][文献引用分析(0)]
14. Repici一,Hassan C,Radaelli F,Occhipinti P,De Agentis C,Romeo F,Paggi S,Saettone S,CisaròF,Spaander M,Sharma P,Kuipers EJ。窄带成像预测结肠镜检查监测间隔和远端小息肉组织学的准确性:多中心,前瞻性试验的结果。胃内科医生.2013;78.:106-114.[PubMed][内政部][本文引用:][引自:Crossref: 36][引用by F6Publishing: 33][文章影响:4.5][文献引用分析(0)]
15. 华莱士MB, Crook JE, Coe S, Ussui V, Staggs E, Almansa C, Patel MK, Bouras E, canemi J, Keaveny A, Picco M, rieger - johnson D.精度体内通过使用双焦点高清窄带成像结肠镜检查结肠息肉歧视。胃内科医生.2014;80:1072-1087.[PubMed][内政部][本文引用:][引用于:26][引用by F6Publishing: 20][条款影响:3.7][文献引用分析(0)]
16。 辛格R窄带双聚焦放大成像在结直肠癌鉴别诊断中的应用挖Endosc.2013;25增刊2: 16 - 20。[PubMed][内政部][本文引用:][引用于Crossref: 27][引用by F6Publishing: 18][第3.9条][文献引用分析(0)]
17。 里斯CJ, Rajasekhar PT, Wilson A, Close H, Rutter MD, Saunders BP, East JE, Maier R, Moorghen M, Muhammad U, Hancock H, Jayaprakash A, MacDonald C, Ramadas A, Dhar A, Mason JM。在常规临床实践中窄带成像光学诊断结肠小息肉:检测、检查特征、切除和丢弃2 (Discard 2)研究。肠胃.2017;66.: 887 - 895。[PubMed][内政部][本文引用:][引用于Crossref: 87][引用于f6出版:58][第17.4条][文献引用分析(0)]
18。 柯伊伯T,Marsman WA,詹森JM,面包车Soest的EJ,Haan的YC,巴克GJ,Fockens P,德克尔E.精度为在非学术性设置小大肠息肉的光学诊断。临床胃肠肝.2012;10:一○一六年至1020年;测验E79。[PubMed][内政部][本文引用:][引用于Crossref: 61][引用于f6出版:63][文章的影响:6.8][文献引用分析(0)]
19。 Ladabaum U,Fioritto A,Mitani A,Desai M,Kim JP,Rex DK,Imperiale T,Gunaratnam N.在社区实践中,结肠息肉的窄带成像实时光学活检尚未达到临床决策的关键阈值。胃肠病学.2013;144:81-91.[PubMed][内政部][本文引用:][交叉引用:138][F6Publishing引用人:114][文章的影响:15.3][文献引用分析(0)]
20 夏尔马P, Pante A, Gross SA。内窥镜中的人工智能。胃内科医生.2020;91.: 925 - 931。[PubMed][内政部][本文引用:][交叉引用:9][引用by F6Publishing: 7][文章影响:9.0][文献引用分析(0)]
21. Alagappan米, Brown JRG, Mori Y, Berzin TM。胃肠道内窥镜中的人工智能:未来就在眼前。世界胃肠内镜杂志. 2018;10: 239 - 249。[PubMed][内政部][本文引用:][交叉引用:69][引用by F6Publishing: 43][文章的影响:23.0][文献引用分析(0)]
22. Vakli P,就是Deák-MeszlényiRJ,赫尔曼P,VidnyánszkyZ.转移学习,提高了使用卷积神经网络休眠状态的功能连接模式分析。Gigascience. 2018;7.[PubMed][内政部][本文引用:][交叉引用:8][引用by F6Publishing: 5][文章的影响:2.7][文献引用分析(0)]
23. Byrne MF., Chapados N, Soudan F, Oertel C, Linares Pérez M, Kelly R, Iqbal N, Chandelier F, Rex DK。在使用深度学习模型分析标准结肠镜未改变视频时,腺瘤性和增生性小结直肠息肉的实时分化。肠胃. 2019;68.: 94 - 100。[PubMed][内政部][本文引用:][引用在Crossref: 249][引自f6出版:185][文章的影响:62.3][文献引用分析(0)]
24. van der sommen f, de Groof J, Struyvenberg M, van der Putten J, Boers T, Fockens K, Schoon EJ, Curvers W, de With P, Mori Y, Byrne M, Bergman JJGHM。机器学习在胃肠道内窥镜:如何解释一个新领域的实践指导。肠胃.2020;69.: 2035 - 2045。[PubMed][内政部][本文引用:][引用于Crossref: 20][引用by F6Publishing: 14][文章影响:20.0][文献引用分析(0)]
25. 陈PJ与小型结直肠息肉的计算机辅助分类比较。胃肠病学. 2018;154: 568 - 575。[PubMed][内政部][本文引用:][由十字架引用:175][引自f6出版:131][第条影响:43.8][文献引用分析(0)]
26. 撒迦利亚[R,Samarasena J,Luba D,Duh E,Dao T,Requa J,Ninh A,Karnes W.使用卷积神经网络预测息肉病理达到“切除和丢弃”阈值。美国胃肠病学杂志.2020;115: 138 - 144。[PubMed][内政部][本文引用:][引自:Crossref: 25][引用by F6Publishing: 14][文章的影响:25.0][文献引用分析(0)]
27. 范德赞德QEW, Schreuder RM, Fonollà R, Scheeve T, van der Sommen F, Winkens B, Aepli P, Hayee B, Pischel AB, Stefanovic M, Subramaniam S, Bhandari P, de With PHN, Masclee AAM, Schoon EJ。利用新开发的计算机辅助诊断系统(CADx)对结直肠息肉图像进行光学诊断。内窥镜检查.2020;。[PubMed][内政部][本文引用:][交叉引用:3][引用by F6Publishing: 3][文章影响:3.0][文献引用分析(0)]
28. Rodriguez-Diaz E,Baffy G,螺WK,直下H,Vidyarthi G,Mohapatra SS,辛格SK。实时人工智能为基础与增强可视化的大肠息肉的组织学分类。胃内科医生.2021;93.:662-670。[PubMed][内政部][本文引用:][交叉引用:8][引用by F6Publishing: 7][文章的影响:8.0][文献引用分析(0)]
29. Shahidi N, Rex DK, Kaltenbach T, Rastogi A, ghalehjh SH, Byrne MF。使用内镜印象,人工智能和病理学解释来解决内镜和小结肠息肉病理分析之间的差异。胃肠病学.2020;158: 783 - 785. - e1。[PubMed][内政部][本文引用:][引自:Crossref: 17][引用by F6Publishing: 12][文章的影响:8.5][文献引用分析(0)]
30. 艾哈迈德的,Mori Y,Misawa M,Kudo Se,Anderson JT,Bernal J,Berzin TM,Bisschops R,Byrne MF,陈PJ,East Je,Eelbode T,Elson DS,Gurudu SR,Histace A,Karnes We,Repici A,Singhr,valdastri p,wallace mb,王p,stoyanov d,lovat lb.建立关键研究问题,以实现结肠镜检查的人工智能:一种改进的德尔福方法。内窥镜检查.2021;53: 893 - 901。[PubMed][内政部][本文引用:][交叉引用:4][引用by F6Publishing: 2][文章影响:4.0][文献引用分析(0)]
31. jin eh.李德,裴建华,康熙,郭女士,徐俊杰,杨吉,杨西,林盛,严俊杰,林建华,钟葛,钟诗杰,蔡俊美,韩宇梅,康诗杰,李杰,陈金华,金俊。利用卷积神经网络和视觉解释提高大肠息肉光学诊断的准确性。胃肠病学.2020;158: 2169 - 2179. - e8。[PubMed][内政部][本文引用:][引自:Crossref: 24][引用by F6Publishing: 16][文章的影响:24.0][文献引用分析(0)]
32. 杨玉杰,爆炸CS。人工智能在胃肠病学中的应用。世界杂志. 2019;25: 1666 - 1683。[PubMed][内政部][本文引用:][交叉引用:74][引用by F6Publishing: 53][文章的影响:37.0][文献引用分析(0)]
33. Namikawa K, Hirasawa T, Yoshio T, Fujisaki J, Ozawa T, Ishihara S, Aoki T, Yamada A, Koike K, Suzuki H, Tada T.在内窥镜中的人工智能应用:临床医生指南。专家Rev Gastroenterol, Hepatol.2020;14: 689 - 706。[PubMed][内政部][本文引用:][交叉引用:4][引用by F6Publishing: 5][文章影响:4.0][文献引用分析(0)]
34. Pannala R., Krishnan K, Melson J, Parsi MA, Schulman AR, Sullivan S, Trikudanathan G, Trindade AJ, Watson RR, Maple JT, Lichtenstein DR.人工智能在胃肠道内镜中的应用。VideoGIE.2020;5.: 598 - 613。[PubMed][内政部][本文引用:][交叉引用:4][引用by F6Publishing: 4][文章影响:4.0][文献引用分析(0)]
35. 三泽米, Kudo SE, Mori Y, Hotta K, Ohtsuka K, Matsuda T, Saito S, Kudo T, Baba T, Ishida F, Itoh H, Oda M, Mori K.结肠镜计算机辅助检测系统的开发和公众可访问的大型结肠镜视频数据库(有视频)。胃内科医生.2021;93.: 960 - 967. - e3。[PubMed][内政部][本文引用:][引自:Crossref: 17][引用by F6Publishing: 10][文章影响:17.0][文献引用分析(0)]
36. 佐伦,程涛,濮立,Maicas G,Tian Y,Yamamura T,Nakamura M,Suzuki H,Singh G,Rana K,Hirooka Y,Burt Ad,Fujishiro M,Carneiro g,Singh R.计算机辅助诊断结直肠病变的表征:综合软件包括锯齿状病变的分化。胃内科医生.2020;92.: 891 - 899。[PubMed][内政部][本文引用:][交叉引用:9][引用by F6Publishing: 6][文章影响:9.0][文献引用分析(0)]
37. 小田, hana H, Watanabe T, Nomura T, Kitahashi M, Sakurai T, Okamoto A, Minami T, Kono M, Arizumi T, Takenaka M, Hagiwara S, Matsui S, Nishida N, Kashida H, Kudo M.基于卷积神经网络系统的计算机辅助诊断用于结直肠息肉分类:初步经验。肿瘤学.2017;93年增刊1: 34。[PubMed][内政部][本文引用:][引用于:96][引用于f6出版:67][文章的影响:24.0][文献引用分析(0)]
38. 小泽T石原S,藤城男,熊谷Y,七条S,多田T.自动内窥镜检测和使用卷积神经网络大肠息肉的分类。Therap副词杂志.2020;13: 1756284820910659。[PubMed][内政部][本文引用:][引自:Crossref: 25][引用by F6Publishing: 20][文章的影响:25.0][文献引用分析(0)]
39. 歌EM, Park B, Ha CA, Hwang SW, Park SH, Yang DH, Ye BD, Myung SJ, Yang SK, Kim N, Byeon JS。基于深度学习模型的大肠息肉内镜诊断和治疗计划。科学培训.2020;10:30.[PubMed][内政部][本文引用:][引自:Crossref: 17][引用by F6Publishing: 16][文章影响:17.0][文献引用分析(0)]