《Journal of the Canadian Association of Gastroenterology》:A framework for evaluating data quality and generalizability in artificial intelligence for gastrointestinal endoscopy
编辑推荐:
**背景**
近年来,受深度学习(deep learning, DL)架构以及大规模图像和视频数据集可用性的推动,胃肠道(gastrointestinal, GI)内镜人工智能(artificial intelligence, AI)系统发展迅速。这些
**背景**
近年来,受深度学习(deep learning, DL)架构以及大规模图像和视频数据集可用性的推动,胃肠道(gastrointestinal, GI)内镜人工智能(artificial intelligence, AI)系统发展迅速。这些进展使自动息肉检测、病变特征描述和疾病活动度评分成为可能。当代研究越来越多地报告在数十万甚至数百万张内镜图像和视频帧上训练的模型。然而,数据集规模本身并不能保证稳健性或临床泛化性。
**方法**
在这篇叙述性综述中,研究人员审查了用于开发GI内镜AI系统的数据集特征,并讨论了数据集结构如何影响模型性能和泛化性。
**结果**
研究人员重点阐述了关键挑战,包括采集异质性、标签噪声和不恰当的数据划分。研究还探讨了新兴基础模型(foundation model, FM)和大规模预训练策略对内镜影像的意义。最后,研究人员概述了解读数据集声明时的实践注意事项,并提出了内镜AI数据质量与泛化性(data quality and generalizability in endoscopy AI, DQG-EAI)框架,用于评估所报告数据集是否适合构建临床稳健的AI系统。
**结论**
随着AI迈向常规临床部署,理解数据集设计与模型性能之间的关系至关重要。强调数据多样性、透明报告和严格验证,对于开发能够在不同临床环境中可靠泛化的内镜AI系统至关重要。
### 论文解读文章
**研究背景与目的**
近年来,深度学习(deep learning, DL)推动胃肠道(gastrointestinal, GI)内镜人工智能(artificial intelligence, AI)快速发展,自动息肉检测、病变特征描述、疾病活动度评分等任务接近专家水平。大量研究以数十万甚至百万级图像和视频帧训练模型,并报告出色的内部验证指标。然而,数据集规模本身并不能保证稳健性或临床泛化性;单一中心、单一设备厂商或狭窄患者队列的大规模数据集可能无法推广至其他医疗系统、设备平台或人群,标注不一致或噪声也会制约模型可靠性。因此,本综述旨在提出一套评估GI内镜AI数据集质量与泛化性的实用框架,帮助研究者区分“看似庞大”