通过胃镜检查集成神经网络获得山级知识 (HillKING)

客观的：

本研究的主要目标是比较基于人工智能 (AI) 的系统和执行检查的医生在胃镜检查过程中确定 Hill 分类的准确性。 次要结果包括评估每个类别的准确性和其他统计指标，例如精确度、召回率和 f1 分数。

学习规划：

单中心、内窥镜盲法研究。 先前研究中考虑的模型的平均准确度为 88%。 所有参与者最初都参加了一场讲座，以复习有关希尔分类的知识。 随后，医生被要求提供测试图像的 Hill 分类，专家注释图像描绘了不同的 Hill 等级，平均准确度达到 72%。 因此需要 127 次配对测量。 考虑到患者退出，至少需要招募 159 名患者。 在内窥镜检查期间检查瓣膜时，医生需要存储后屈期间瓣膜的图像，这是标准程序的一部分，并根据该图像确定 Hill 分类。 AI 模型在此图像上的预测被视为模型输出，并被视为模型的输出。 由三名内窥镜专家组成的小组根据多数票决定每幅图像的希尔分类，这被视为黄金标准。

AI设置和限制：

人工智能不存在任何限制。 该方法对记录进行逐帧分析。 这些图像是从基于人工智能的系统中解析出来的，以获得预测。 该方法所需的唯一交互是按下按钮以启动检查记录过程，并按下第二个按钮以终止记录。 这分别在考试开始和结束时进行。 本研究中使用的模型是初步研究中报告的模型的更新版本，该模型已使用更多数据以及辅助输出进行训练，用于预测 Hill 分类是否与显示的图像相关。

研究人群：

所有被指定进行胃镜检查但不符合排除标准的成年患者都将被要求获得知情同意。 排除标准包括以前的手术干预或改变的解剖结构妨碍了瓣阀的正确检查、未检查瓣阀的检查以及专家委员会未产生多数票的检查。

干涉：

医生照常进行检查。 检查瓣阀后，医生会像往常一样拍摄检查图像，并给出 Hill 等级的评估。 同一图像的模型输出被视为模型预测。 医生对模型的预测视而不见。