基于注意力机制多尺度CNN(AM-Net)的窄带成像下散发性结肠错构瘤与腺瘤智能鉴别研究

来自三级医院的研究人员针对窄带成像(NBI)下散发性结肠错构瘤缺乏光学诊断标准的临床难题，创新性开发了集成多尺度残差网络(MRN)与并行注意力模块(PAM)的AM-Net模型。该研究利用45名患者的1706帧NBI息肉图像，实现了86.97%的准确率和0.95的AUC值，为结肠镜检查中"诊断留置"策略的精准实施提供了AI解决方案。

　　

在结肠镜诊疗领域，散发性结肠错构瘤(Sporadic colonic hamartomas)作为良性息肉，目前缺乏基于窄带成像(Narrow Band Imaging, NBI)的光学诊断标准。由于NBI影像中错构瘤与其他类型息肉（特别是腺瘤）形态相似，临床鉴别诊断面临重大挑战。这项突破性研究创新性地提出了注意力机制多尺度卷积神经网络(Attention based Multi-scale CNN, AM-Net)，通过多尺度残差网络(Multi-scale Residual Network, MRN)捕捉局部多尺度特征，配合并行注意力模块(Parallel Attention Module, PAM)实现通道与空间维度的双重注意力机制，精准识别"关注区域"和"关键特征"。研究团队从三级医院收集了45例患者的1706帧NBI息肉图像（含761帧错构瘤和945帧腺瘤），证实AM-Net能以86.97%的准确率、82.84%的精确度、87.75%的F1值和0.95的AUC值，显著优于现有CNN架构。该模型通过解析息肉黏膜模式、纹理特征和边界结构等细节特征，为结肠镜检查中"诊断留置(diagnose and leave)"或"切除弃置(resect and discard)"策略的精准实施提供了可靠的AI决策支持。