基于深度学习的肛门内超声良性肛肠病变分类：一项概念验证研究

《Scientific Reports》：Deep learning-based classification of benign anorectal lesions on endoanal ultrasound: a proof-of-concept study

　　

摘要

良性肛肠疾病——包括肛裂、撕裂伤和瘘管——十分常见，通常需要通过精准的影像学检查来明确诊断并制定手术方案。肛门内超声检查能够清晰显示括约肌结构，但由于对操作者技术要求高且操作复杂，目前应用并不广泛。人工智能或许有助于规范肛门内超声的检查结果解读，并提升诊断准确性。本研究旨在开发一种卷积神经网络，用于识别三维肛门内超声检查中的常见良性肛肠病变。研究分析了2022年4月至2024年1月期间进行的201例三维肛门内超声检查数据，共提取4722帧含有病变信息的匿名图像，这些图像被分为肛裂（n?=?573）、外源性撕裂伤（n?=?2133）、内源性撕裂伤（n?=?1778）、括约肌间瘘管（n?=?140）和括约肌外瘘管（n?=?98）几类。该研究采用基于边界框引导的注意力机制训练卷积神经网络，以便更精准地识别病变特征。其中90%的数据用于模型训练和验证，10%用于独立测试。在独立测试中，该模型在不同类型的病变上的表现有所差异：肛裂的敏感度和精确度均为96.5%，外源性撕裂伤分别为76.6%和95.9%，内源性撕裂伤分别为96.6%和77.5%，括约肌间瘘管的敏感度和精确度均为85.7%和100.0%，而括约肌外瘘管的敏感度和精确度分别为90.0%和81.8%。整体来看，模型的准确率、敏感度、特异性、精确度和平衡准确率分别为94.8%、89.1%、95.9%、90.3%和92.5%；加权平均数值则分别为90.0%、87.1%、92.3%、88.9%和89.7%。这项回顾性、基于单帧图像的概念验证研究表明，基于卷积神经网络的分析方法有望实现肛门内超声图像中良性肛肠病变的自动化分类，体现了人工智能在规范检查结果解读、提升高质量肛肠影像可及性方面的潜力。不过，这些研究结果仍处于初步阶段，尚不能表明该技术已具备临床应用条件。若要将其投入实际临床使用，还需进一步开展以患者或检查项目为分组单位的研究、利用更大规模的多中心数据集，并进行前瞻性外部验证。