利用人工智能通过磁控胶囊内镜检测幽门螺杆菌感染

《Surgical Endoscopy》：Application of artificial intelligence for detection of Helicobacter pylori infection by magnetically controlled capsule endoscopy

磁控胶囊内镜（MCCE）图像中H. pylori感染的AI辅助诊断系统研究，通过构建包含71阳性及71阴性样本的数据集（训练/验证/测试比例80/10/10），比较MobileNetV2、DenseNet264、ShuffleNetV2和ResNet50四种卷积神经网络模型性能，发现ShuffleNetV2在准确率（95.7%）、灵敏度（98.5%）、特异度（93.1%）及单图处理时间（0.00588秒）综合表现最优，为临床诊断提供高效AI解决方案。

　　

摘要

背景

人工智能（AI）在磁控胶囊内镜检查（MCCE）中的应用日益增多。本研究的目的是开发一种能够自动检测MCCE图像中幽门螺杆菌（H. pylori）感染的AI系统，并评估该系统的诊断性能。

方法

本研究在2022年4月至2023年3月期间前瞻性地招募了已知幽门螺杆菌感染状态的受试者进行MCCE检查。收集并准备了MCCE图像数据（80%用于训练，10%用于验证，10%用于测试）。分别使用四种卷积神经网络模型（MobileNetV2、DenseNet264、ShuffleNetV2和ResNet50）构建AI系统。我们通过计算每种模型的准确性、敏感性、特异性以及每张图像的平均处理时间来评估其诊断性能，并确定最优模型。

结果

共有142名受试者参与研究，其中71人为幽门螺杆菌阳性，71人为阴性。训练集、验证集和测试集中的图像数量分别为25,985张（114名患者）、2,767张（14名患者）和3,027张（14名患者）。各CNN模型的准确性、敏感性、特异性以及每张图像的平均处理时间如下：MobileNetV2模型分别为95.7%、98.1%、93.3%和0.01176秒；DenseNet264模型分别为95.3%、98.5%、92.2%和0.04572秒；ShuffleNetV2模型分别为95.7%、98.5%、93.1%和0.00588秒；ResNet50模型分别为95.1%、95.8%、94.5%和0.01110秒。

结论

基于ShuffleNetV2模型的AI系统表现更佳，显示出其在未来辅助临床医生检测MCCE中幽门螺杆菌感染方面的潜力。

图形摘要