内窥镜下AI检测膀胱肿瘤

研究背景 膀胱癌是全球第九大常见恶性肿瘤，估计每年诊断出 430,000 例新病例。 膀胱癌的标准诊断和监测依赖于白光膀胱镜检查 (WLC)，美国和欧洲每年进行超过 200 万次膀胱镜检查。 由于膀胱癌复发率高，需要经常监测和干预。

早期发现并完全切除非肌层浸润性膀胱癌可以减少复发和进展。 然而，高达 40% 的多灶性疾病患者在初次经尿道膀胱肿瘤切除术 (TURBT) 期间未能实现完全切除。 许多乳头状肿瘤和扁平病变很难通过 WLC 识别。 迫切需要经济高效、非侵入性且用户友好的辅助成像技术来解决 WLC 的诊断缺陷。

基于深度学习的自动图像处理的最新进展可能为膀胱镜检查的局限性提供新的解决方案。 卷积神经网络（CNN）具有学习复杂关系并将现有知识整合到模型中的能力，显示出在包括膀胱肿瘤诊断在内的各个领域的潜在应用。 我们采用 HRNet 算法（一种卷积神经网络）来增强膀胱肿瘤检测。

研究过程 4.1 患者队列纳入标准： 1。 患有膀胱肿瘤并接受 WLC 或 TURBT 的患者，并提供完整的手术视频。

排除标准：1。 视频太模糊，无法区分正常膀胱壁和膀胱肿瘤。 2. 切除前无膀胱肿瘤外观。 3.缺乏知情同意。

视频中的患者信息将不会显示。 最初招募的 200 名膀胱肿瘤患者的视频将用于算法开发。 另外 100 名患者的视频用于算法验证。

4.2 数据预处理 为了减少数据量，我们以1:4的比例提取帧。 两名泌尿科医生分别在每个框架中勾勒出膀胱肿瘤的边界，并互相检查。 使用人工智能算法勾勒出相同膀胱肿瘤​​的轮廓。 比较泌尿科医师标注的膀胱肿瘤轮廓与算法，分析IOU值、精确度、敏感性和假阴性率。

4.3 算法开发本研究使用语义分割来识别 WLC 中的膀胱肿瘤。 D-LinkNet网络结构使用在ImageNet数据集上预训练的ResNet34作为编码器，中心部分以级联方式利用不同膨胀率的膨胀卷积，并使用反卷积进行上采样。 所有图像的原始分辨率为1920×1080，降采样2倍至960×540，并在宽度方向补零，得到分辨率为960×544的图像。 该尺寸的 RGB 图像在输入网络之前经过归一化、均值减去和方差除法。 图像经过五次编码过程、扩张卷积和五次解码过程，最终产生960×544的预测结果，并进行进一步的后处理。 在本研究中，参数设置如下：batch size为8，Adam优化器，学习率为0.001。 训练环境是 NVIDIA TITAN Xp GPU。

4.4 结果解释 图像识别中，IOU 是评价单帧图像识别能力的重要标准。 当IOU高于阈值时，表明模型成功检测到物体，即真阳性。 当IOU无法达到阈值时，表明模型未能检测到目标，并表示漏报。 如果图像中出现的预测没有真实情况，则被视为误报。 我们计算模型在测试集中的灵敏度和精度。 Dice 系数衡量两个样本之间的相似度。 平均 Dice 系数越高，表明模型的检测性能越好。

4.5 观察指标

① 视频标注和分类：训练集和测试集手术视频的标注状态和RLN识别辨别力分类结果； ②分组和训练后，观察模型在不同辨别力组下的测试集中在IoU阈值0.1和0.5下的灵敏度、精度、假阴性率、假阳性率以及平均Dice系数。

4.6 统计方法分析采用R 4.0.2进行分析 软件中，数据将表示为绝对数或百分比。