基于胃镜图像的深度学习与影像组学融合模型辅助幽门螺杆菌感染的智能化诊断研究

《European Journal of Medical Research》：Integrating deep learning and handcrafted radiomics features for Helicobacter pylori infection identification on multi?region gastroscopic images: a comparative study

　　## 摘要### 背景*幽门螺杆菌*（*H. pylori*）感染是慢性胃炎、消化性溃疡和胃癌的主要致病因素。早期无创筛查具有重要的临床意义。传统胃镜诊断高度依赖内镜医师的经验，主观性较强。本研究旨在基于胃镜图像开发深度学习与影像组学融合的模型，实现*幽门螺杆菌*感染的智能化、客观化和精准化识别。### 方法回顾性收集深圳市龙岗中心医院151例患者的6235张胃镜图像。根据胃体、胃底、胃窦、胃角以及四区域联合数据集分别构建数据集。采用五种CNN模型（包括AlexNet和DenseNet121），结合迁移学习和五折交叉验证进行训练。建立深度学习–影像组学双分支融合框架，并通过准确率、AUC等指标评估模型性能。### 结果ResNet50和DenseNet121是表现最优的单模型，其中ResNet50在胃体区域的AUC达到0.8563。整合影像组学特征后，部分区域的分类性能得到提升，但获益程度因区域而异；DenseNet121融合模型在胃底区域取得了最高的融合AUC为0.8184。尽管单区域样本量未完全平衡，四区域联合数据集的性能与最优单区域子集相当，支持了模型对区域间适度异质性的鲁棒性。在50例患者的独立外部队列中，胃体和胃底仍为表现最优区域（单模型最高AUC为0.7836，融合模型最高AUC为0.7085），但整体外部性能一般，仍需更大规模的多中心研究进一步验证。### 结论深度学习与影像组学的结合可有效提高基于胃镜图像诊断*幽门螺杆菌*感染的性能。胃体和胃底是最有价值的区域。该无创且具有可解释性的方法可为常规胃镜检查提供实时智能辅助，具有广阔的临床应用前景。