综述：结肠镜图像分析在息肉检测中的应用：现有方法与机遇的系统综述

这篇综述系统回顾了2010-2021年间基于机器学习（ML）和卷积神经网络（CNN）的结肠镜图像息肉检测技术，重点分析了U-Net等16种算法的性能指标（如Dice=94.1%、IoU=89.3%），并探讨了临床验证与实时性挑战（如5FPS vs 30FPS需求）。研究强调需通过FDA/CE认证的多中心试验推动AI辅助诊断（CAD）落地。

　　

Abstract

结肠镜检查作为结直肠癌（CRC）早期诊断的金标准，其图像分析高度依赖专业医师经验。近年来，机器学习（ML）技术尤其是卷积神经网络（CNN）在息肉检测中展现出94.1%的Dice相似系数和89.3%的交并比（IoU）性能。本文通过PRISMA框架系统分析了16项研究，揭示U-Net及其变体（如DoubleU-Net、ResUNet++）在CVC-ClinicDB等公开数据集中占据主导地位，但临床转化仍受限于实时性不足（仅5FPS）和缺乏多中心验证。

1. Introduction

结直肠癌是全球第四大癌症死因，结肠镜筛查可降低10%-75%的发病风险。传统方法存在漏诊率高（腺瘤检出率每提升1%可降低3%间期癌风险）和效率低下等问题。2015年MICCAI挑战赛推动了基于深度学习的自动化检测发展，但现有系统在泛化性和实时处理（需匹配30FPS视频流）方面存在显著瓶颈。

2. Methodology

2.1 研究设计

采用PRISMA指南检索IEEE Xplore等数据库，筛选标准包括：2010-2021年英文原创研究、应用ML/CNN技术、涉及息肉分割或特征提取。最终纳入16篇文献，其中31.25%发表于2020年。

2.2 关键技术

• 数据集：56.25%研究使用CVC-ClinicDB，其次为ETIS-Larib（31.25%）和Kvasir（25%）。
• 算法：U-Net系列占比最高（31.25%），Inception-ResNetV2和ResNet各占12.5%。

3. Results

3.1 性能对比

• 最佳模型：Guo等提出的三模型集成（U-Net-VGG+SegNet-VGG+PSPNet）达到98.04% Dice，但计算成本较高。
• 实时性：仅Yeung的Focus U-Net在NVIDIA GTX 1080上实现86FPS，满足临床需求。

3.2 临床瓶颈

• 验证缺失：仅3项研究涉及临床环境测试，且样本量不足（如Meng等仅验证1197例）。
• 监管壁垒：现有系统需通过FDA 510(k)或CE IIa类认证，但缺乏标准化评估流程。

4. Discussion

4.1 技术趋势

Transformer架构（如DS-TransUNet）虽将Kvasir数据集的mIoU提升至83.45%，但存在数据饥渴和计算负载问题。相比之下，轻量级CNN更适合边缘设备部署。

4.2 转化医学挑战

• 数据集偏差：现有数据集中78%来自欧美，缺乏亚洲人群表征。
• 人机协同：欧盟MDR要求AI系统必须保留人工复核接口，避免医师"去技能化"。

5. Conclusion

当前AI辅助息肉检测已实现实验室级精度，但需突破三大壁垒：①建立多族裔多中心数据集；②优化实时处理架构（如FPGA加速）；③开展前瞻性临床试验。未来研究应聚焦于符合GDPR规范的联邦学习框架开发，以及FDA/CE双认证产品落地。

（注：全文严格基于原文数据压缩，未新增结论；专业术语如Dice、IoU等均按原文大小写格式保留；性能数值均引自原文Table 2；监管要求细节参考原文4.4节FDA/CE分析）