审查gydF4y2Ba
摘要gydF4y2Ba
背景:gydF4y2Ba胶囊内窥镜图像或电影的解释依赖于操作人员和耗时。因此,计算机辅助诊断(CAD)已被应用于提高审查过程的有效性和准确性。之前的两项荟萃分析报告了CAD模型在胶囊内窥镜中对胃肠道溃疡或出血的诊断性能。然而,目前系统综述不够,无法确定CAD模型的真正诊断有效性。gydF4y2Ba
摘要目的:gydF4y2Ba目的评价无线胶囊内窥镜图像对消化道溃疡或出血的CAD模型诊断检验的准确性。gydF4y2Ba
方法:gydF4y2Ba我们在核心数据库中搜索了基于CAD模型的研究,用于使用胶囊内窥镜诊断溃疡或出血,并提供了诊断性能数据。进行系统回顾和诊断检验准确性meta分析。gydF4y2Ba
结果:gydF4y2Ba总共纳入了39项研究。CAD模型诊断溃疡(或糜烂)的曲线下面积、敏感性、特异性和诊断优势比分别为0.97(95%置信区间,0.95 - 0.98)、0.93(0.89 - 0.95)、0.92(0.89 - 0.94)和138(79-243)。CAD模型诊断出血(或血管扩张)的曲线下面积、敏感性、特异性和诊断优势比分别为0.99(.98 -.99)、0.96(.94 - 0.97)、0.97(.95 -.99)和888(343-2303)。亚组分析显示了稳健的结果。meta回归显示,发表年份、训练图像数量和目标疾病(溃疡vs糜烂、出血vs血管扩张)是异质性的来源。未检测到发表偏倚。gydF4y2Ba
结论:gydF4y2BaCAD模型在无线胶囊内窥镜下对消化道溃疡和出血的光学诊断中表现出良好的性能。gydF4y2Ba
doi: 10.2196/33267gydF4y2Ba
关键字gydF4y2Ba
简介gydF4y2Ba
无线胶囊内窥镜(WCE)允许以一种无创的方式调查胃肠道粘膜病变。这提供了大约50,000至60,000个视频帧,并允许在一次检查中可视化整个胃肠道粘膜,而不会引起患者不适或程序相关不良事件的风险[gydF4y2Ba
,gydF4y2Ba ]。鉴于小肠一直是胃肠病学家的盲点,WCE已成为模糊消化道出血的标准调查方式,并被广泛接受为评估小肠溃疡或肿瘤的方法[gydF4y2Ba ]。尽管检查方便、安全、患者舒适,但WCE在解释方面存在局限性。需要冗长的阅读时间,大约30 - 120分钟,少量异常视频帧很容易被内窥镜医生误认为正常黏膜[gydF4y2Ba -gydF4y2Ba ]。gydF4y2Ba人工智能技术已应用于胃肠道内镜检查,对内镜图像或电影异常病变的自动检测或诊断已被广泛研究[gydF4y2Ba
,gydF4y2Ba ]。人工智能应用的主要好处是减少了WCE中费力的阅读时间和重要发现的漏读率。另一个优势是高度准确的诊断性能,这与内窥镜医生的诊断性能相当[gydF4y2Ba ]。这些人工智能模型有望帮助自动检测WCE图像中的重要病变,从而实现对整个检查的自动读取和解释。gydF4y2Ba以前的研究已经报道了在WCE中使用人工智能的计算机辅助诊断(CAD)模型的性能[gydF4y2Ba
,gydF4y2Ba ]。在这些研究中已经报道了具有潜在好处的基于机器学习或深度学习的人工智能模型。基于这些发现,针对深度学习模型或卷积神经网络模型在使用WCE诊断消化道出血或溃疡方面的汇总诊断性能进行了2项荟萃分析[gydF4y2Ba ,gydF4y2Ba ]。然而,第一次元分析只搜索了1个数据库,大量重要文章被遗漏。此外,每项研究报告的CAD模型真阳性(TP)、假阳性(FP)、假阴性(FN)或真阴性(TN)的粗数都不准确[gydF4y2Ba ]。这种不准确的合并诊断性能可能会误导读者。第二个元分析搜索了多个数据库;然而,它也没有包括几篇重要的论文,只有一个医学图书管理员搜索了所有的数据库[gydF4y2Ba ]。主要的缺陷是将每个研究的敏感性或特异性简单地集中起来,而没有考虑每个研究中所有纳入的病变中异常病变的分布。此外,胃肠道溃疡和出血的诊断性能没有被分开,而是合并为一个单一的结果,每个纳入研究的质量评估也被省略了。两项meta分析的异质性原因探讨及发表偏倚评估方法均遵循介入性meta分析方法,但均不满足DTA (diagnostic test accuracy) meta分析方法。考虑到进行介入分析和DTA元分析的方法是不同的,并且在进行DTA元分析时存在广泛接受的标准方法,这也可能误导读者(gydF4y2Ba ).因此,目前进行的系统综述还不够,CAD模型在WCE中的真正诊断有效性尚未确定。本研究旨在通过标准方法评估使用WCE图像的胃肠道溃疡或出血CAD模型的DTA。gydF4y2Ba参数gydF4y2Ba | 本研究gydF4y2Ba | 索弗等[gydF4y2Ba | ]gydF4y2Ba莫汉等[gydF4y2Ba | ]gydF4y2Ba
纳入研究数量gydF4y2Ba | 消化道溃疡20例,消化道出血19例gydF4y2Ba | 消化道溃疡5项,消化道出血5项gydF4y2Ba | 9项消化道溃疡或出血的诊断研究(未对溃疡和出血进行单独分析)gydF4y2Ba |
主要结果gydF4y2Ba | CAD单独诊断性能gydF4y2Ba一个gydF4y2Ba使用WCE建立胃肠溃疡或出血模型gydF4y2BabgydF4y2Ba | 基于WCE的CAD模型对消化道溃疡或出血的独立诊断性能gydF4y2Ba | 使用WCE对消化道溃疡和出血的CAD模型的汇总诊断性能(不是使用DTA的荟萃分析)gydF4y2BacgydF4y2Ba;每项研究都没有考虑溃疡或出血的患病率,因此没有计算TPgydF4y2BadgydF4y2Ba,《外交政策》gydF4y2BaegydF4y2Ba, FNgydF4y2BafgydF4y2Ba,或TNgydF4y2BaggydF4y2Ba在每项研究中)gydF4y2Ba |
搜索策略gydF4y2Ba | 通过PubMed、Web of Science和Cochrane图书馆搜索MEDLINE(2位独立作者搜索数据库)gydF4y2Ba | 通过PubMed检索MEDLINE(2位独立作者检索数据库)gydF4y2Ba | 搜索ClinicalTrials.gov, Ovid EBMgydF4y2BahgydF4y2BaReviews、Ovid、Embase、Ovid MEDLINE、Scopus和Web of Science(一个医学图书管理员搜索了所有数据库)gydF4y2Ba |
TP/FP/FN/TN计算(编码)不准确gydF4y2Ba | N/AgydF4y2Ba我gydF4y2Ba | 研究数据中发现计算不准确gydF4y2Ba | 不是DTA的元分析;每项研究都没有考虑溃疡或出血的患病率,因此没有计算TP、FP、FN或TNgydF4y2Ba |
研究间异质性的确定gydF4y2Ba | 敏感性和特异性的对数之间的相关系数,HSROC的betagydF4y2BajgydF4y2Ba模型,目测SROC曲线gydF4y2Ba | 我gydF4y2Ba2gydF4y2Ba统计学(DTA meta分析未确定异质性与gydF4y2Ba我gydF4y2Ba2gydF4y2Ba统计)gydF4y2Ba | 我gydF4y2Ba2gydF4y2Ba(DTA元分析未确定异质性与gydF4y2Ba我gydF4y2Ba2gydF4y2Ba统计数据)gydF4y2Ba |
质量评估gydF4y2Ba | QUADAS-2gydF4y2BakgydF4y2Ba | QUADAS-2gydF4y2Ba | 没有评估gydF4y2Ba |
发表偏倚gydF4y2Ba | Deeks漏斗图不对称检验gydF4y2Ba | 没有评估gydF4y2Ba | 没有评估gydF4y2Ba |
一个gydF4y2BaCAD:计算机辅助诊断。gydF4y2Ba
bgydF4y2Ba无线胶囊内窥镜。gydF4y2Ba
cgydF4y2BaDTA:诊断测试准确性。gydF4y2Ba
dgydF4y2BaTP:真正。gydF4y2Ba
egydF4y2BaFP:假阳性。gydF4y2Ba
fgydF4y2BaFN:假阴性。gydF4y2Ba
ggydF4y2BaTN:真否定。gydF4y2Ba
hgydF4y2Ba循证医学。gydF4y2Ba
我gydF4y2BaN/A:不适用。gydF4y2Ba
jgydF4y2BaHSROC:分级汇总接收者工作特征。gydF4y2Ba
kgydF4y2BaQUADAS-2:诊断准确性研究质量评估第二版。gydF4y2Ba
方法gydF4y2Ba
遵守系统评价和元分析检查表gydF4y2Ba
本研究根据DTA研究的PRISMA(系统评价和元分析的首选报告项目)的声明进行[gydF4y2Ba
]。研究方案在系统评价开始前已在国际前瞻性系统评价注册(PROSPERO)数据库中注册(#CRD42021253454)。春川圣心医院取消了机构审查委员会的批准。gydF4y2Ba相关文献检索策略gydF4y2Ba
作者利用与CAD模型在使用WCE图像检测溃疡或出血的性能相关的关键词建立了搜索公式。使用医学主题词(MeSH)术语关键词建立检索公式(gydF4y2Ba
).gydF4y2Ba核心数据库的文献检索策略。gydF4y2Ba
1.WCE中胃肠道溃疡的CADgydF4y2Ba
- 数据库:MEDLINE(通过PubMed)gydF4y2Ba
# 1。“人工智能”[tiab]或“AI”[tiab]或“深度学习”[tiab]或“机器学习”[tiab]或“计算机”[tiab]或“神经网络”[tiab]或“CNN”[tiab]或“自动”[tiab]或“自动化”[tiab]: 532189gydF4y2Ba
# 2。“胶囊内窥镜”[tiab] OR“胶囊内窥镜”[Mesh]: 5110gydF4y2Ba
# 3。“溃疡”或“溃疡”[网格]或“侵蚀”[tiab]: 138857gydF4y2Ba
# 4。1、2、3:29gydF4y2Ba
# 5。英语[朗]:29gydF4y2Ba
- 数据库:Web of SciencegydF4y2Ba
# 1。人工智能或AI或深度学习或机器学习或计算机或神经网络或CNN或自动或自动:1236876gydF4y2Ba
# 2。胶囊内窥镜:3524gydF4y2Ba
# 3。溃疡:33664gydF4y2Ba
# 4。1、2、3:49gydF4y2Ba
- 数据库:Cochrane LibrarygydF4y2Ba
# 1。人工智能:ab, ti, kw;OR AI: ab, ti, kw;OR深度学习:ab, ti, kw;OR机器学习:ab, ti, kw;或计算机:ab, ti, kw;OR神经网络:ab, ti, kw;OR CNN: ab, ti, kw;或自动:ab, ti, kw;或自动化:ab, ti, kw: 60327gydF4y2Ba
# 2。MeSH描述符:[胶囊内窥镜]爆炸所有树:131gydF4y2Ba
# 3。胶囊内窥镜:ab, ti, kw: 724gydF4y2Ba
# 4。#2或#3:724gydF4y2Ba
# 5。网格描述符:[溃疡]爆炸所有树:1413gydF4y2Ba
# 6。溃疡:ab, ti, kw;OR侵蚀:ab, ti, kw: 20844gydF4y2Ba
# 7。#5或#6:20844gydF4y2Ba
# 8。#1, #4和#7:2次试验gydF4y2Ba
2.WCE消化道出血的CAD分析gydF4y2Ba
- 数据库:MEDLINE(通过PubMed)gydF4y2Ba
# 1。“人工智能”[tiab]或“AI”[tiab]或“深度学习”[tiab]或“机器学习”[tiab]或“计算机”[tiab]或“神经网络”[tiab]或“CNN”[tiab]或“自动”[tiab]或“自动化”[tiab]: 532189gydF4y2Ba
# 2。“胶囊内窥镜”[tiab] OR“胶囊内窥镜”[Mesh]: 5110gydF4y2Ba
# 3。"出血"或"出血"或"血管扩张"[补片]:475519gydF4y2Ba
# 4。1、2、3:82gydF4y2Ba
# 5。英语[朗]:79gydF4y2Ba
- 数据库:Web of SciencegydF4y2Ba
# 1。人工智能或AI或深度学习或机器学习或计算机或神经网络或CNN或自动或自动:1236876gydF4y2Ba
# 2。胶囊内窥镜:3524gydF4y2Ba
# 3。出血或出血或血管扩张:146789gydF4y2Ba
#4 #1 #2和#3:87gydF4y2Ba
- 数据库:Cochrane LibrarygydF4y2Ba
# 1。人工智能:ab, ti, kw;OR AI: ab, ti, kw;OR深度学习:ab, ti, kw或机器学习:ab, ti, kw;或计算机:ab, ti, kw;OR神经网络:ab, ti, kw;OR CNN: ab, ti, kw;或自动:ab, ti, kw;或自动化:ab, ti, kw: 60327gydF4y2Ba
# 2。MeSH描述符:[胶囊内窥镜]爆炸所有树:131gydF4y2Ba
# 3。胶囊内窥镜:ab, ti, kw: 724gydF4y2Ba
# 4。#2或#3:724gydF4y2Ba
# 5。网格描述符:爆炸所有树:14887gydF4y2Ba
# 6。出血:ab, ti, kw;OR血管扩张:ab, ti, kw: 46708gydF4y2Ba
# 7。#5或#6:53831gydF4y2Ba
# 8。#1和#4和#7:8(试)gydF4y2Ba
缩写gydF4y2Ba
CAD,计算机辅助诊断;WCE:无线胶囊内镜;Tiab:搜索标题和摘要的代码;网格:医学主题标题;Ab, ti, kw:摘要,标题和关键词的搜索代码;朗:搜索语言代码;Lim:通过限制某些条件来搜索代码。gydF4y2Ba
CSB和JJL两位作者使用预先建立的搜索公式,从开始到2021年5月,通过PubMed、Web of Science和Cochrane Library独立地对MEDLINE的核心数据库进行了搜索。重复的文章被排除。对所有确定的文章的标题和摘要进行审查,排除不相关的文章。随后进行全文回顾,以确定在确定的文献中是否满足预先建立的纳入标准。我们也回顾了相关文章的参考文献,以确定是否有其他研究。CSB和JJL在搜索过程中对结果的任何分歧都是通过与另一位作者(GHB)讨论或协商解决的。gydF4y2Ba
文献的纳入标准gydF4y2Ba
本系统综述的文献符合以下纳入标准:旨在评估基于WCE图像的CAD模型对胃肠道溃疡或出血的诊断性能;CAD模型诊断性能的表现,包括灵敏度、特异性、似然比、预测值或准确性,从而能够估计CAD模型的TP、FP、FN和TN值;并且是用英语写的。排除标准如下:叙述性综述文章、数据不完整的研究、系统综述或荟萃分析、评论、只有摘要的程序或研究方案。有PDF文件的全文出版物被认为是一篇全文文章。符合至少1项排除标准的文章被排除在本研究之外。gydF4y2Ba
所选文献中方法学质量的评估gydF4y2Ba
CSB和JJL使用第二版的诊断准确性研究质量评估(QUADAS-2)评估纳入文章的方法学质量。该工具包括4个领域,包括“患者选择”、“指标测试”、“参考标准”和“流程和时间”,前3个领域具有“适用性”评估。CSB和JJL评估每个部分的偏倚风险为高、低或不明确[gydF4y2Ba
]。gydF4y2Ba所选文献中的数据提取、本研究的主要结果和附加分析gydF4y2Ba
CSB和JJL分别从每篇收录的文章中提取数据,并对提取的数据进行交叉核对。如果数据不清楚,通过电子邮件联系该研究的通讯作者以获得原始数据集的见解。通过系统回顾过程进行描述性综合,如果纳入的研究足够均匀,则进行DTA元分析。gydF4y2Ba
主要结果是每项研究中的TP、FP、FN和TN值。对于使用WCE图像的消化道溃疡或出血的CAD,主要结局定义如下:TP, CAD模型发现阳性且WCE图像证明有溃疡或出血的患者数量;FP, CAD模型阳性且基于WCE图像没有溃疡或出血的患者数量;FN, CAD模型阴性且经WCE图像证实有溃疡或出血的患者数量;TN为CAD模型阴性且WCE图像未出现溃疡或出血的患者数量。根据这些定义,计算每项纳入研究的TP、FP、FN和TN值。gydF4y2Ba
对于额外的分析,如亚组分析或元回归,作者从每个纳入的研究中提取了以下变量:发表年份、数据的地理来源(即西方vs亚洲vs公开数据或未知数据)、CAD模型类型、内窥镜图像类型、纳入的总图像数量、测试数据集类型(内部测试vs外部测试)和目标疾病(溃疡vs侵蚀、出血或血管扩张)。gydF4y2Ba
统计数据gydF4y2Ba
DTA meta分析采用分层汇总受试者工作特征(HSROC)方法[gydF4y2Ba
]。生成灵敏度和特异性的森林图以及SROC曲线。纳入文章的异质性水平由双变量方法中logit转换敏感性和特异性之间的相关系数决定[gydF4y2Ba ];为此,不对称参数为β,其中β=0对应于对称的ROC曲线,根据HSROC方法,诊断优势比(DOR)不随曲线变化[gydF4y2Ba ]。正相关系数和β值具有显著概率(gydF4y2BaPgydF4y2Ba<.05)表明研究之间存在异质性[gydF4y2Ba ,gydF4y2Ba ]。目视检查SROC曲线,以确定异质性。通过使用系统回顾中确定的修饰词的单变量元回归进行亚组分析,以确定异质性的原因。DTA元分析使用STATA软件版本15.1 (StataCorp),包括“metandi”和“midas”软件包。采用Deeks漏斗图不对称检验评估发表偏倚。对于少于4项研究的亚组分析,Moses-Shapiro-Littenberg方法[gydF4y2Ba gydF4y2Ba结果gydF4y2Ba
研究选择gydF4y2Ba
通过对3个数据库的文献检索,共确定了254项研究(80项研究消化道溃疡或糜烂的CAD, 174项研究消化道出血的WCE CAD)。另有15项研究通过书目手工筛选确定。在排除重复研究后,在对标题和摘要进行审查后,排除了额外的文章。其余54篇和118篇文章的全文版本根据上述每个主题的纳入和排除标准进行了全面审查。其中133篇文章被排除在最终的入组范围之外。最后,20项研究[gydF4y2Ba
-gydF4y2Ba ]用于消化道溃疡或糜烂的CAD,以及19 [gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba 消化道出血诊断的研究被纳入系统综述。选择过程的流程图载于gydF4y2Ba 而且gydF4y2Ba .gydF4y2Ba纳入研究的临床特征gydF4y2Ba
在20项研究中[gydF4y2Ba
-gydF4y2Ba 对于使用WCE的胃肠道溃疡或糜烂的CAD,共识别了40,809张图像(14,866例vs 25,943例对照组)用于评估诊断性能。鉴于重复数据被识别出来(Karargyris等人在2009年[gydF4y2Ba ]和Karargyris等人在2011年的研究[gydF4y2Ba ]),所有分析都使用了19项研究的数据[gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ) (Karargyris等人2011年的研究[gydF4y2Ba ]在荟萃分析中被省略)。gydF4y2Ba十项研究[gydF4y2Ba
-gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]使用来自亚洲人群的内窥镜图像,以及3项研究[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]使用来自西方人群的内窥镜图像。然而,6项研究[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]使用公共数据库图像或未知来源的图像。针对CAD模型类型,9项研究采用深度神经网络或卷积神经网络[gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ], 10项研究使用了基于机器学习的模型[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]。大部分纳入的研究[gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ]介绍了对肠溃疡的诊断性能。然而,Aoki等人[gydF4y2Ba ]对肠道溃疡或糜烂的表现无明显差异,Fan等人[gydF4y2Ba ]对肠溃疡和糜烂有单独的表现。因此,对目标病变进行亚组分析。所纳入研究的详细临床特征在gydF4y2Ba .gydF4y2Ba在19项研究中[gydF4y2Ba
,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba 对于使用WCE诊断消化道出血,共识别了41,323张图像(6952例vs 34,371例对照组)用于评估诊断性能。gydF4y2Ba五项研究[gydF4y2Ba
]、[gydF4y2Ba ]、[gydF4y2Ba ]、[gydF4y2Ba ]、[gydF4y2Ba ]使用来自亚洲人群的内窥镜图像,1项研究[gydF4y2Ba ]使用来自西方人群的内窥镜图像。然而,其余13项研究[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]使用公共数据库图像或未知来源的图像。根据CAD模型的类型,有8项研究采用了深度神经网络或卷积神经网络[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ], 11项研究使用了基于机器学习的模型[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]。大部分纳入的研究[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ]介绍了对肠出血的诊断效果。然而,Leenhardt等人[gydF4y2Ba ]及Tsuboi等[gydF4y2Ba ]介绍了血管发育不良的表现。因此,对目标病变进行亚组分析。所纳入研究的详细临床特征在gydF4y2Ba .gydF4y2Ba研究方法的质量评估gydF4y2Ba
由于CAD模型是利用基线训练数据的学习特征建立的,因此基线训练数据的质量和数量非常重要。为了建立实用的CAD模型,需要足够数量的训练图像,为了准确地准备训练数据,需要内镜专家参与标注工作。我们也不能保证在互联网上搜索的公共数据库中图像的质量。我们确定,正确的学习需要至少30张来自内窥镜专家标记的真实临床医院数据(质量标准)的训练图像(数量标准)。如果质量和数量标准都得到满足,则认为在患者选择领域存在低偏倚风险。如果这些质量或数量标准中只有一项得到满足,则认为存在不明确的偏倚风险。如果两者都不满意,则认为存在较高的偏倚风险。gydF4y2Ba
在WCE中胃肠道溃疡或糜烂的CAD方面,仅有7项研究[gydF4y2Ba
-gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ]被评为低偏倚风险,9项研究[gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]被评为偏倚风险不明确,3项研究[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]在“患者选择”领域被评为高偏倚风险。其余领域在所有纳入的研究中被评为具有低偏倚风险(gydF4y2Ba ).因此,在亚组或元回归分析中,采用“患者选择”领域的方法学质量分类作为修饰因子。gydF4y2Ba在WCE消化道出血的CAD方面,仅有3项研究[gydF4y2Ba
,gydF4y2Ba ,gydF4y2Ba ]被评为偏倚风险较低,10项研究[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]被评为具有不明确的偏倚风险,6项研究[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ]被评为在“患者选择”领域具有较高的偏倚风险。其余领域在所有纳入的研究中被评为具有低偏倚风险(gydF4y2Ba ).因此,在亚组或元回归分析中,采用“患者选择”领域的方法学质量分类作为修正因子。gydF4y2BaCAD模型性能的DTA元分析gydF4y2Ba
在20项研究中[gydF4y2Ba
-gydF4y2Ba ]对于使用WCE进行消化道溃疡或糜烂CAD的meta分析,曲线下面积(AUC)、敏感性、特异性、阳性似然比、阴性似然比和DOR分别为0.97 (95% CI 0.95-0.98)、0.93 (95% CI 0.89-0.95)、0.92 (95% CI 0.89-0.94)、11.2 (95% CI 8.6-14.7)、0.08 (95% CI 0.05-0.12)和138 (95% CI 79-243) (gydF4y2Ba 而且gydF4y2Ba ).SROC曲线如图所示gydF4y2Ba .为了研究CAD模型的临床应用,Fagan 's nomogram [gydF4y2Ba 生成。阳性结果表明CAD模型检测出消化道溃疡或糜烂,阴性结果表明CAD模型未检测出消化道溃疡或糜烂。假设胃肠道溃疡或糜烂的患病率为23%,Fagan的nomogram图显示,如果CAD模型为阳性,溃疡或糜烂的后验概率为76%,而如果CAD模型为阴性,溃疡或糜烂的后验概率仅为3% (gydF4y2Ba ).gydF4y2Ba在19项研究中[gydF4y2Ba
,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ]对于WCE消化道出血CAD的meta分析,AUC、敏感性、特异性、阳性似然比、阴性似然比和DOR分别为0.99 (95% CI 0.98-0.99)、0.96 (95% CI 0.94-0.97)、0.97 (95% CI 0.95-0.99)、38.3 (95% CI 19.6-74.8)、0.04 (95% CI 0.03-0.07)和888 (95% CI 343-2303) (gydF4y2Ba 而且gydF4y2Ba ).SROC曲线如图所示gydF4y2Ba .Fagan 's nomogram阳性提示CAD模型检测出消化道出血。阴性结果表明CAD模型未检测出消化道出血。假设所有胃肠道出血中小肠出血的发生率为10% [gydF4y2Ba ], Fagan的nomogram结果显示,如果CAD模型为阳性,小肠出血的后验概率为81%,如果CAD模型为阴性,小肠出血的后验概率仅为0.5% (gydF4y2Ba ).gydF4y2Ba用元回归和亚组分析评估异质性gydF4y2Ba
对于WCE中胃肠道溃疡或糜烂的CAD,我们首先观察到logit转换敏感性与特异性之间存在正相关系数(gydF4y2BargydF4y2Ba=0.28)。然而,不对称β参数在HSROC模型中显示不显著gydF4y2BaPgydF4y2Ba值(gydF4y2BaPgydF4y2Ba=.15),表明各研究之间不存在异质性。其次,观察灵敏度和特异性的耦合森林图(gydF4y2Ba
).与纳入研究相比,Karargyris等人(2009)的研究[gydF4y2Ba ]显示较低的敏感性和特异性。本研究被发现在方法学质量评估中存在较高的偏倚风险(gydF4y2Ba ).因此,根据方法学质量进行亚组分析,尽管在方法学质量高的研究中观察到略高的值,但表现是稳健的(gydF4y2Ba ).第三,WCE中胃肠道溃疡或糜烂的SROC曲线形状对称,95%预测区域不宽(gydF4y2Ba ).第四,使用系统综述中确定的修饰因子进行meta回归,并发现发表年份、训练图像数量和目标疾病(溃疡vs糜烂)是异质性的来源(发表年份:gydF4y2BaPgydF4y2Ba= .04点;训练图像数量:gydF4y2BaPgydF4y2Ba= .02点;目标疾病溃疡vs糜烂:gydF4y2BaPgydF4y2Ba= 38;内镜图像类型:gydF4y2BaPgydF4y2Ba= . 01)。最后,进行了基于潜在修饰符的亚组分析,10年内发表的研究(相对于10年前发表的研究)和拥有超过100张训练图像的研究(相对于拥有少于100张训练图像的研究)的总体表现显示出更高的值(gydF4y2Ba ).gydF4y2Ba对于WCE中消化道出血的CAD,我们首先观察到logit转换敏感性与特异性之间存在正相关系数(gydF4y2BargydF4y2Ba=0.48)。然而,不对称β参数在HSROC模型中显示不显著gydF4y2BaPgydF4y2Ba值(gydF4y2BaPgydF4y2Ba=.06),表明各研究之间不存在异质性。其次,观察灵敏度和特异性的耦合森林图(gydF4y2Ba
),并无显著异常值。第三,WCE中胃肠道溃疡和糜烂的SROC曲线形状对称,95%预测区域不宽(gydF4y2Ba ).第四,使用系统综述中确定的修饰符进行meta回归,并发现发表年份、训练图像数量和目标疾病(出血vs血管扩张)是异质性的来源(发表年份:gydF4y2BaPgydF4y2Ba< . 01;训练图像数量:gydF4y2BaPgydF4y2Ba= .04点;目标疾病出血vs血管扩张:gydF4y2BaPgydF4y2Ba< . 01)。最后,进行了基于潜在修饰符的亚组分析,10年内发表的研究(相对于10年前发表的研究)和拥有超过100张训练图像的研究(相对于拥有少于100张训练图像的研究)的总体表现显示出更高的值(gydF4y2Ba ).gydF4y2Ba发表偏倚评价gydF4y2Ba
WCE中胃肠道溃疡或糜烂研究的Deeks漏斗图相对于回归线(gydF4y2Ba
),且不对称测试未显示有发表偏倚的证据(gydF4y2BaPgydF4y2Ba= .77点)。WCE消化道出血研究的Deeks漏斗图相对于回归线(gydF4y2Ba ),且不对称测试未显示有发表偏倚的证据(gydF4y2BaPgydF4y2Ba= iseq指数)。gydF4y2Ba讨论gydF4y2Ba
主要研究结果gydF4y2Ba
在本研究中,CAD模型对WCE图像中胃肠道溃疡或糜烂出血的诊断具有较高的性能值。Fagan nomogram的实用价值表明CAD模型在临床实践中的应用潜力。虽然主要分析发现纳入的研究之间存在一些异质性,但元回归显示了造成异质性的共同原因(发表年份、训练图像数量、目标疾病溃疡vs糜烂和出血vs血管扩张),亚组分析表明,最近发表的具有更大量训练数据的研究(与10年前发表的研究相比)(与少于100张训练图像的研究相比)显示出更好的CAD模型性能。彻底的亚组分析表明证据质量可靠。gydF4y2Ba
WCE图像的解释是胃肠病学家的一项重要任务。由于WCE显示的是整个胃肠道的图像,因此可以识别传统内镜难以发现的病变。在WCE检查中也可以发现微小但重要的罪魁祸首病变。该检查的非侵入性和患者的舒适性也促进了该技术在诊断隐蔽性胃肠道出血或小肠疾病中的应用。但是,翻译过程很繁琐。内窥镜医师至少需要30至120分钟的阅读时间[gydF4y2Ba
-gydF4y2Ba ]。在整个阅读过程中保持注意力集中是必要的,以免错过重要的病变。CAD模型具有较高的诊断性能,特别是敏感性和特异性,具有自动化WCE读取过程的潜力。消化道出血的总体表现略高于溃疡或糜烂。我们推测,这是因为红色的血液比白色或黄色的溃疡或糜烂更容易区分,这与CAD基于像素或红绿蓝光谱的特征学习的背景黏膜颜色相似。gydF4y2Ba在CAD学习方式的背景下,基于神经网络的CAD模型的性能略高于传统的基于机器学习的CAD模型(gydF4y2Ba
而且gydF4y2Ba ).CNN在精确分类方面并不总是比机器学习更好。然而,局部特征提取的图像识别由于其复杂的层次和神经网络CAD模型的深度节点计算和降维,可以得到高度优化。考虑到纳入的研究中基于机器学习的模型使用了WCE图像中的颜色或纹理特征,基于神经网络的模型可能会关注其他局部特征或组合特征,如病变的形状或病变与背景粘膜的特征差异。可解释的人工智能分析正在兴起,该技术的应用将为CAD模型提供一种确定方法[gydF4y2Ba ]。gydF4y2Ba虽然已经发表了相同主题的荟萃分析,但本研究采用标准方法,使用WCE图像评估胃肠道溃疡或出血CAD模型的DTA (gydF4y2Ba
) [gydF4y2Ba ,gydF4y2Ba ]。虽然以往的研究也报道了CAD模型的高性能,但省略了许多重要的文章,研究之间的异质性由gydF4y2Ba我gydF4y2Ba2gydF4y2Ba统计学(用于介入荟萃分析)、方法学质量评估被省略,发表偏倚也未被评估。gydF4y2Ba限制gydF4y2Ba
尽管这项荟萃分析证据确凿,但也发现了一些不可避免的局限性。首先,所有的性能数据仅在每个纳入研究的内部测试设置中测量。建模是一种假设,即观察结果遵循一定的统计规则,而外部验证是一种检查这种假设是否正确或是否可推广的方法。因此,在训练或内部测试过程中,使用未使用的数据确认已建立的CAD模型的性能是至关重要的[gydF4y2Ba
]。然而,没有一项研究在外部验证环境下进行了性能验证。其次,肠道溃疡或糜烂的定义是模糊的。糜烂通常是指局限于粘膜的损伤(上皮细胞丧失,但基底膜或固有层完好无损)。然而,溃疡的定义通常包括固有层以外更广泛的粘膜损失。虽然在目测下,这两种情况之间的区分并不完美,但在纳入的研究中没有明确的定义。这可能导致对CAD模型性能的低估或高估。第三,许多研究使用了来自公共数据库的基线训练数据,我们无法保证从互联网上获得的公共数据库中的图像质量。CAD模型的诊断性能只能对被评估的人群有效,并取决于所选人群的目标条件的患病率(所谓的谱偏倚或类不平衡)[gydF4y2Ba ,gydF4y2Ba ]。在纳入的研究中没有考虑到这种阶层不平衡。大多数研究除了1 [gydF4y2Ba ]对训练数据集进行1:1到1:4的比例(目标条件:正常黏膜)。然而,Kundu等人[gydF4y2Ba ]在训练数据集中使用了31张溃疡图像和1617张正常粘膜图像(比例约为1:52)以及65张出血图像和1617张正常粘膜图像(比例约为1:25)。考虑到人工智能模型的建立方法正在从以模型为中心(即改变或优化模型以提高性能)转变为以数据为中心(即系统地改变数据质量的分布以提高性能),需要考虑频谱偏差的模型建立。总体而言,对于本课题的未来展望,需要并期望获得定义清晰的合格训练数据,并关注面向外部验证的性能CAD模型的建立。gydF4y2Ba综上所述,CAD模型在WCE消化道溃疡和出血的光学诊断中表现出良好的性能。gydF4y2Ba
致谢gydF4y2Ba
这项工作得到了韩国政府(MSIT)资助的信息与通信技术规划与评估研究所(IITP)的资助(资助号2020-0-01604)。gydF4y2Ba
作者的贡献gydF4y2Ba
CSB负责概念化、数据整理、形式分析、资金获取、调查、方法、项目管理、资源、监督、撰写初稿以及审查和编辑最终稿。JJL负责数据管理、形式化分析、调查和资源。GHB负责数据管理、形式分析、调查和资源。gydF4y2Ba
利益冲突gydF4y2Ba
没有宣布。gydF4y2Ba
gydF4y2Ba所纳入研究的临床特征,用于诊断溃疡或侵蚀的无线胶囊内窥镜图像使用计算机辅助诊断。gydF4y2Ba
DOCX文件,23kbgydF4y2BagydF4y2Ba
本研究采用计算机辅助诊断无线胶囊内窥镜影像中消化道出血的临床特点。gydF4y2Ba
DOCX文件,22 KBgydF4y2BagydF4y2Ba
应用计算机辅助诊断无线胶囊内窥镜图像中溃疡或糜烂的研究的表现总结和亚组分析。gydF4y2Ba
DOCX文件,21 KBgydF4y2BagydF4y2Ba
应用计算机辅助诊断无线胶囊内窥镜图像出血的研究的性能总结和亚组分析。gydF4y2Ba
DOCX文件,18kbgydF4y2Ba参考文献gydF4y2Ba
- 王a, Banerjee S, Barth BA, Bhat YM, Chauhan S,等。无线胶囊内窥镜。胃肠病学杂志2013年12月;78(6):805-815。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 杨玉军,邦晨晨。人工智能在胃肠病学中的应用。World J Gastroenterol 2019 april 14;25(14):1666-1683 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 李志强,李志强,李志强,李志强。小肠胶囊内窥镜检查的研究进展。Ann Transl Med 2016年10月;4(19):369 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 爆炸CS。【上消化道疾病的深度学习:现状和未来展望】。韩国胃肠病杂志2020年3月25日;75(3):120-131 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 彭春春,林海华,郑宏宏,黄海山。内镜图像在预测胃粘膜下肿瘤侵袭中的应用:自动深度学习模型的开发和可用性研究。J Med Internet Res 2021 april 15;23(4):e25167 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 方cs,李俊杰,白永华。内镜图像中食管癌和肿瘤的计算机辅助诊断:诊断测试准确性的系统回顾和荟萃分析。Gastrointest Endosc 2021 5月;93(5):1006-1015。e13 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 索弗尔,柯朗,希蒙·欧,纳克米亚斯,伊莱亚金·R,本·霍林,等。无线胶囊内窥镜的深度学习:系统回顾和荟萃分析。Gastrointest Endosc 2020 10月;92(4):831-839.e8。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 王志强,王志强,王志强,等。卷积神经网络在计算机辅助诊断无线胶囊内窥镜图像上消化道溃疡和/或出血的高池性能:一项系统综述和荟萃分析。中国生物医学工程学报;2021年2月;93(2):356-364.e4[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- McInnes MDF, Moher D, Thombs BD, McGrath TA, Bossuyt PM, PRISMA-DTA Group,等。诊断试验准确性研究系统评价和元分析的首选报告项目:PRISMA-DTA声明。美国医学杂志2018年1月23日;319(4):388-396。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Whiting PF, Rutjes AWS, Westwood ME, Mallett S, Deeks JJ, Reitsma JB,等。QUADAS-2:诊断准确性研究质量评估的修订工具。安实习医学2011年10月18日;155(8):529-536。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 诊断试验准确性评价的层次回归元分析方法。统计医学2001年10月15日;20(19):2865-2884。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Reitsma JB, Glas AS, Rutjes AWS, Scholten RJPM, Bossuyt PM, Zwinderman AH。敏感性和特异性的双变量分析可在诊断综述中产生信息丰富的总结措施。中华临床流行病学杂志2005 10月;58(10):982-990。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- hard RM, Whiting P. Metandi:使用层次逻辑回归的诊断准确性的元分析。科学通报2009年8月1日;9(2):211-229。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 利滕伯格B,摩西LE。从多个相互冲突的报告中估计诊断准确性:一种新的元分析方法。1993;13(4):313-321。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Karargyris A, Bourbakis N.在无线胶囊内窥镜视频中识别溃疡。2009年发表于:生物医学成像国际研讨会:从纳米到宏观;2009年6月28日至7月1日;Bostan, MA,美国。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- Li B,孟MQ。胶囊内窥镜图像中溃疡检测的纹理分析。图像与视觉计算2009 Aug;27(9):1336-1342。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- Li B,孟MQ。基于色度矩的无线胶囊内窥镜图像出血和溃疡的计算机检测。计算生物医学2009 Mar;39(2):141-147。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 李波,祁磊,孟M,范勇。基于集成分类器的无线胶囊内镜图像小肠溃疡检测。2009年发表于:IEEE机器人与仿生学国际会议;2009年12月19-13日;桂林,广西,中国。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 无线胶囊内窥镜视频中异常图像检测的视觉词袋方法。2011年发表于:视觉计算国际研讨会:视觉计算的进展;2011年9月26-28日;美国内华达州拉斯维加斯。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- Karargyris A, Bourbakis N.无线胶囊内窥镜视频中小肠息肉和溃疡的检测。IEEE反式。生物医学。工程2011年10月;58(10):2777-2786。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 余林,袁国宝。赖俊:无线胶囊内窥镜图像在溃疡检测中的应用,中国中医药大学学报(自然科学版),2012年11月;45-48。2012年发表于:第21届模式识别国际会议(ICPR 2012);2012年11月11日至15日;日本筑波。gydF4y2Ba
- Charisis V, Katsimerou C, Hadjileontiadis L, Liatsos C. Sergiadis GD:基于颜色旋转和纹理特征的计算机辅助胶囊内窥镜图像评估:对医生的教育工具,第26届IEEE基于计算机的医疗系统国际研讨会论文集,IEEE, 2013;203-208。2013年6月20日出席:第26届IEEE计算机医疗系统国际研讨会;2013年6月20-22日;葡萄牙的波尔图街头。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- Eid A, Charisis VS, Hadjileontiadis LJ, Sergiadis GD。基于曲线的无线胶囊内窥镜图像溃疡检测方法,第26届IEEE国际学术会议论文集,IEEE, 2013;273 - 278。2013年发表于:第26届IEEE计算机医疗系统国际研讨会;2013年6月20-22日;葡萄牙的波尔图街头。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 叶军,吴涛,蔡伟。无线胶囊内窥镜图像在出血和溃疡检测中的应用。JSEA 07年2014;(5):422 - 432。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 袁勇,王杰,李波,孟MQ。基于显著性溃疡检测的无线胶囊内窥镜诊断。IEEE跨医学影像2015年10月;34(10):2046-2057。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 李文杰,李志强,李志强,等。使用统计分析对WCE图像进行溃疡病灶的特征选择和分类。应用科学2017 10月24日;7(10):1097。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 范生,徐磊,范勇,魏凯,李磊。无线胶囊内镜图像中小肠溃疡和糜烂的计算机辅助检测。物理医学生物学2018年8月10日;63(16):165001。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 李志刚,李志刚,李志刚。卷积神经网络在无线胶囊内窥镜图像溃疡自动检测中的应用。传感器(巴塞尔)2019年3月13日;19(6):1265-1265 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 青木T,山田A,青山K,齐藤H, Tsuboi A,中田A,等。基于深度卷积神经网络的无线胶囊内窥镜图像中侵蚀和溃疡的自动检测。2019年2月;89(2):357-363.e2。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 张志伟,张志伟,张志伟,等。无线胶囊内窥镜视频中溃疡检测的计算机辅助诊断系统,2017国际信号与图像处理会议,IEEE, 2017;1-5。2017年出席:2017信号与图像处理先进技术国际会议(ATSIP);2017年5月22-24日;土耳其毡帽,摩洛哥。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 王松,邢勇,张磊,高红,张慧。基于深度卷积神经网络的无线胶囊内镜溃疡自动检测系统评价与优化。物理医学生物学2019年12月05日;64(23):235014。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 王松,邢勇,张磊,高宏,张慧。深度卷积神经网络在无线胶囊内镜中的溃疡识别:实验可行性与优化。计算数学方法医学2019;2019:7546215 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 李志强,李志强,李志强,等。视频胶囊内窥镜自动检测克罗恩病溃疡的深度学习算法。中国胃肠病学杂志2020年3月;91(3):606-613.e2。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 昆都AK,法塔赫SA,瓦希德KA。多重线性判别模型提取胶囊内窥镜图像的显著特征模式用于多种疾病的检测。《医学医学杂志》2020;8:3300111 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Li B,孟MQ。胶囊内窥镜图像出血区域的计算机辅助检测。IEEE生物工程学报2009年5月;56(4):1032-1039。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 彭丽娟,王志强,王志强。无线胶囊内窥镜图像的血液检测技术。2009年发表于:第十七届欧洲信号处理会议;2009年8月24-29日;格拉斯哥,苏格兰。gydF4y2Ba
- 付勇,张伟,曼达尔M,孟MQ。WCE视频中的计算机辅助出血检测。IEEE生物医学健康信息2014 3月18日(2):636-642。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 高希T,巴沙尔S,阿拉姆M,瓦希德K,法塔赫SA。基于统计特征的无线胶囊内窥镜图像出血检测新方法,IEEE, 2014;1-4。2014年发表于:第17届信息、电子与视觉国际会议;2014年5月23-24日;达卡,孟加拉国。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- S Sainju, Bui FM, Wahid KA。基于统计特征和区域增长的胶囊内窥镜视频出血自动检测。J Med Syst 2014 5月;38(4):25。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 一种新的无线胶囊内窥镜图像出血检测方法。2015年发表于:计算与网络通信国际会议;2015年12月16-19日;印度特里凡得琅。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 高希T, Fattah S, Bashar S, Shahnaz C, Wahid K, Zhu WP。一种无线胶囊内窥镜出血自动检测技术,2015年7月21日发表于:2015年IEEE数字信号处理国际会议;2015年7月21-24日;新加坡。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- Mathew M, Gopi副总裁。基于变换的内窥镜图像出血检测技术。2015年2月26日出席:第二届国际电子与通信系统会议(ICECS);2015年2月26-27日;印度哥印拜陀。[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 小佳,孟MQ。用于无线胶囊内窥镜图像出血检测的深度卷积神经网络。IEEE工程医学生物Soc 2016年8月;2016:639-642。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 刘东,甘涛,饶楠,邢勇,郑杰,李松,等。基于有学习过程和无学习过程组合方法特征提取的胃肠内窥镜病变图像识别。2016年8月;32:281-294。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 袁Y,李B,孟MQ。无线胶囊内窥镜视频中的出血帧和区域检测。IEEE生物医学健康信息2016年3月20日(2):624-630。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 小佳,孟MQ。使用手工制作和CNN特征的无线胶囊内窥镜图像中的胃肠道出血检测。IEEE工程医学生物学会2017年7月;2017:3154-3157。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Leenhardt R, Vasseur P, Li C, Saurin JC, Rahmi G, Cholet F, CAD-CAP数据库工作组。一种神经网络算法在小肠胶囊内窥镜检查中检测胃肠道血管扩张。中国消化杂志2019年1月;89(1):189-194。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 青木T,山田A,加藤Y,齐藤H, Tsuboi A,中田A,等。基于深度卷积神经网络的胶囊内窥镜图像血液含量自动检测。中华胃肠肝病杂志;2020年7月;35(7):1196-1200。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Tsuboi A,冈S,青山K,斋藤H,青木T,山田A,等。人工智能使用卷积神经网络自动检测胶囊内窥镜图像中的小肠血管扩张。Dig Endosc 2020 3月32日(3):382-390。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Vuik FER, Nieuwenburg SAV, Moen S, Schreuders EH, Oudkerk Pool MD, Peterse EFP,等。基于人群的结肠胶囊内窥镜胃肠道异常患病率。2020年10月31日:S1542-S3565。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Murphy B, Winter DC, Kavanagh DO。小肠消化道出血的诊断与处理——一篇叙述性综述。前方外科2019;6:25 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 方cs,安志勇,金杰,金勇,崔ij,申伟。建立机器学习模型预测组织学未分化的早期胃癌根治性切除术:开发和可用性研究。J medical Internet Res 2021年5月15日;23(4):e25053 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 方cs,李俊杰,白永华。内镜图像中小型结直肠息肉的计算机辅助诊断:诊断测试准确性的系统回顾和荟萃分析。J Med Internet Res 2021 Aug 25;23(8):e29682 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 方cs,李俊杰,白永华。内窥镜图像中预测幽门螺杆菌感染的人工智能:诊断试验准确性的系统回顾和荟萃分析。J Med Internet Res 2020年9月16日;22(9):e21983 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
gydF4y2Ba
缩写gydF4y2Ba
AUC:gydF4y2Ba曲线下面积gydF4y2Ba |
计算机辅助设计:gydF4y2Ba计算机辅助诊断gydF4y2Ba |
金龟子:gydF4y2Ba诊断优势比gydF4y2Ba |
DTA:gydF4y2Ba诊断测试的准确性gydF4y2Ba |
外交政策:gydF4y2Ba假阳性gydF4y2Ba |
FN:gydF4y2Ba假阴性gydF4y2Ba |
HSROC:gydF4y2Ba分级汇总接收者操作特性gydF4y2Ba |
网:gydF4y2Ba医学学科标题gydF4y2Ba |
棱镜:gydF4y2Ba系统评价和元分析的首选报告项目gydF4y2Ba |
普洛斯彼罗:gydF4y2Ba国际系统评价前瞻性登记gydF4y2Ba |
QUADAS-2:gydF4y2Ba诊断准确性研究质量评估的第二版gydF4y2Ba |
TP:gydF4y2Ba真阳性gydF4y2Ba |
TN:gydF4y2Ba真正的负gydF4y2Ba |
WCE:gydF4y2Ba无线胶囊内窥镜gydF4y2Ba |
G·艾森巴赫(G Eysenbach)编辑;提交30.08.21;SI Seo同行评审;对作者09.10.21的评论;修订版本收到10.10.21;接受13.10.21;发表14.12.21gydF4y2Ba
版权gydF4y2Ba©Chang Seok Bang, Jae Jun Lee, Gwang Ho Baik.;最初发表于《医疗互联网研究杂志》(//www.mybigtv.com), 14.12.2021。gydF4y2Ba
这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。gydF4y2Ba