公共文化服务平台

一种结肠息肉的复合处理方法及处理系统: 本发明公开了一种结肠息肉的复合处理方法及处理系统，能基于图像分类模型对于输出的图像进行分类预测，并提取预测概率最高的类别标签及其置信得分；将标签和置信得分叠加到原始帧上，以及将不同性质的息肉转换成不同的颜色，并标注息肉时...; 陈健夏开建徐晓丹王甘红王宏伟高福利丁雨

基于YOLOv8网络构建小肠多病变自动检测人工智能辅助系统: 2025年; 目的基于单阶段检测框架的YOLOv8网络开发人工智能辅助系统,用于自动检测胶囊内镜(Capsule Endoscopy,CE)拍摄的11类小肠病变图像。方法本研究采用来自3种不同品牌CE设备的图像数据集进行深度学习模型的训练与测试,该数据集包含13683张图像和24416个注释标签。评估模型性能的指标包括准确度、敏感度、特异性、假阳性率以及检测速度。结果在对包含2729张CE图像(共4801个注释标签)的测试集进行评估时,YOLOv8m版本在确保高精度的同时,也展现了较快的推理速度,与其他YOLO版本相比展示了更加优异的性能。YOLOv8m在所有类别上的整体准确度为0.9597、敏感度为0.8176。在11个分类中,“出血”类别的敏感度最高,达到0.9342,而“红斑”类别的敏感度最低,为0.6832。就处理速度而言,YOLOv8m处理2729张图像的总耗时为16.37 s。结论基于YOLOv8m网络的人工智能模型能够快速精确地检测与分类多种小肠病变,在辅助内镜医师提升CE诊断效率和准确性方面展现出较大的应用潜力。; 丁雨孙斌王甘红夏开建徐晓丹陈健; 关键词：小肠病变人工智能胶囊内镜

基于不同卷积神经网络构建小肠多病变自动检测的人工智能辅助系统被引量：1: 2024年; 目的基于不同卷积神经网络开发人工智能辅助系统,用于自动检测小肠胶囊内镜(CE)拍摄的11类小肠病变图像,提高诊断的效率、准确性和客观性。方法收集来自3个不同医学中心,使用3种不同品牌设备拍摄的CE图像,构建图像数据集,用于不同卷积神经网络模型的训练和测试,共含13683张图像和15117个注释标签。模型性能评估指标包括平均精度、准确率、敏感性、特异性、假阳性率、检测速度。结果构建了2种YOLO模型和2种RTMDet模型,在包含2729张CE图像(4801注释标签)的测试集上,RTMDet_m模型取得了最佳的mAP50(82.58%),但也展现出最慢的延迟时间(47.28帧/s)。模型达到了82.76%的整体敏感性和95.91%整体准确率;在具体类别的推理中,敏感性最高的类别是“出血”,而最低的类别是“黏膜下肿瘤”。结论使用混合品牌CE图像开发的人工智能模型能够快速准确地检测与分类11种小肠病变,在帮助医师提升CE诊断效率和准确性方面展现出很好的临床应用潜力。; 陈健王甘红张子豪夏开建戴建军徐晓丹; 关键词：小肠病变卷积神经网络人工智能胶囊内镜

结肠镜肠道准备失败风险预测模型及Web应用程序的构建与验证: 2025年; 目的:利用机器学习算法,开发一款预测结肠镜检查前肠道准备失败风险的模型及应用程序。方法:回顾性收集拟行结肠镜检查的患者数据,纳入21个潜在预测变量,构建和内部验证传统的逻辑回归(LR)模型、机器学习(ML)模型。以受试者工作特征(ROC)曲线、校准曲线、敏感度、特异度和准确率等指标评估模型性能,并通过特征重要性图、LIME图、力图等进行可视化解释。然后,利用Python环境中的Dash库和性能最佳的模型构建Web应用程序,并在前瞻性收集的外部测试集上进行验证。结果:共纳入429例患者,其中141例(32.87%)存在肠道准备失败(BBPS评分≤5分)。基于XGBoost算法的ML模型,敏感度为0.864、特异度为0.930、准确率为0.911;在验证集中AUC值达0.910,在测试集中为0.820,性能优于传统Lasso回归模型。ML模型和逻辑回归模型共同识别的肠道准备失败变量包括便秘病史、服完泻药至检查间隔时间、术前积极运动、家属陪同、钙通道阻滞剂服用史、糖尿病、抗抑郁药服用史、年龄。结论:基于XGBoost机器学习算法构建的Web应用程序,在早期预测结肠镜肠道准备失败风险方面具有明显的临床实用性。; 王甘红陈健夏开建汤洪奚美娟周燕婷; 关键词：肠道准备结肠镜应用程序

基于人工智能的非放大内镜结直肠病变自动NICE分型:从构建到部署: 2024年; 目的近年,欧洲与中国的年轻人群中结肠癌发病率明显增加。尽管窄带成像(NBI)国际结直肠息肉内镜(NICE)分型为此提供了策略,但年轻医师在应用中仍面临挑战。本研究涵盖了从构建到部署的全流程,致力于构建基于NICE分型的人工智能深度学习模型,旨在提升结直肠病变鉴别的准确度并协助临床决策。方法基于3个数据集:数据集1(苏州大学附属常熟医院,n=2050)、数据集2(常熟市中医院,n=456)用于模型训练与测试,数据集3(苏州大学附属第一医院,n=99)作为外部测试集。纳入研究的结肠镜图像包括正常肠道及NICE 3个分型。图像经过预处理和增强后,采用基于卷积神经网络和Transformer的预训练模型进行迁移学习。模型训练采用交叉熵损失函数,使用Adam优化器,并实施学习率调度。模型的评估指标包括准确性、精确度、召回率、F1分数等,并进行模型和内镜医师在不同阈值下的预测准确性对比。为提高模型透明度,进行深入地可解释性分析,包括梯度加权类激活映射、引导式梯度加权类激活映射和沙普利加和解释等技术。最后,模型被转换为ONNX格式并部署到多种设备终端,以实现结直肠病变的实时NICE分型。结果在2605张结肠内窥镜图像中,EfficientNet模型的表现超越了其他5种卷积神经网络和Transformer模型,测试准确率达91.03%。该模型精确率、召回率和F1得分达91.82%、91.40%和91.60%。在外部的99张测试图像上,其准确率、曲线下面积、精确度和召回率分别为91.92%、99.43%、92.96%和91.92%。虽然模型整体表现卓越,但仍存在误分型。通过可解释性分析可识别模型决策的关键区域以及导致误分型的原因。此外,模型已成功转换为ONNX格式,并在多个平台上实现了超过50帧/s的实时NICE分型。结论本研究成功构建EfficientNet模型,针对结直肠病变的NICE分型,准确率高达91.92%,在关键性能指标上优�; 陈健夏开建卢勇达丁雨刘罗杰徐晓丹

全新无创肝病模型判断肝硬化急性上消化道出血患者的预后被引量：10: 2020年; 目的评估全新无创肝病模型血小板-白蛋白-胆红素指数(PALBI)判断肝硬化急性上消化道出血(AUGIB)患者预后的准确性。方法回顾性分析277例因肝硬化AUGIB住院且资料完整的患者,收集每例患者血小板、总胆红素、白蛋白、肌酐、国际标准化比值、肝硬化病因等资料。通过单因素和多因素logistic回归分析寻找肝硬化AUGIB患者死亡的独立危险因素,方差分析对比终末期肝病模型(MELD)和PALBI各分级之间的差异,利用Pearson相关分析评估MELD与APLBI的相关性,并通过受试者工作特征曲线(ROC)分别比较两者对肝硬化AUGIB患者短期和长期死亡的预测能力。结果肝硬化AUGIB患者短期(30 d内)和长期(1年内)死亡率分别为13.7%、23.5%,住院时间(9.1±3.9)d。经单因素和多因素证实高MELD评分、高PALBI指数为患者死亡的独立危险因素,OR值分别为1.17、4.43(P均<0.05);两者Pearson相关分析显示呈正相关(r=0.735,P<0.05);对MELD-a级患者进行PALBI评分,其中PALBI-1级和2级患者1年死亡率分别是7.0%、17.8%,差异有统计学意义(χ2=4.033,P<0.05);利用ROC曲线对比MELD、PALBI对患者短期死亡的预测能力,PALBI的AUC为0.767(95%CI:0.712~0.815),MELD评分的AUC为0.651(95%CI:0.591~0.707),差异有统计学意义(Z=2.328,P<0.05);对比PALBI和MELD对患者长期死亡的预测能力,两者AUC分别为0.731(95%CI:0.674~0.782)、0.754(95%CI:0.699~0.804),差异无统计学意义(Z=0.828,P>0.05)。结论PALBI较MELD评分对肝硬化AUGIB患者死亡有着更好的预测效果,PALBI对MELD-a级患者可以实现更精细的预后分级,并且对患者短期(住院和出院30 d内)和长期(出院后1年内)死亡情况均保持着良好的预测能力。PALBI作为一项全新的肝病模型可作为判断肝硬化AUGIB患者预后的有效无创手段。; 陈健钱建清王甘红徐晓丹石莹孙曦; 关键词：肝硬化急性上消化道出血 MELD评分

一种软式内镜用可旋转胃肠道淤血清理装置: 本实用新型属于医疗设备的技术领域，公开了一种软式内镜用可旋转胃肠道淤血清理装置，包括手柄、滑动手环、软杆、旋转机构、鞘管、软质外套管、取物袋结构，所述的旋转机构可转动的设置在手柄和软质外套管之间；所述的滑动手环可上下滑动...; 陈健徐晓丹王甘红李丹王珍妮钱建清

基于机器学习的ERCP术后胆总管结石复发预测系统: 本发明公开了一种基于机器学习的ERCP术后胆总管结石复发预测系统，包括如下步骤：数据采集模块，用于形成原始临床数据集；数据预处理模块，用于构建标准化预处理临床数据集；特征构建与超参数搜索空间定义模块，用于定义改进双向门控...; 陈健徐晓丹王甘红夏开建高福利刘罗杰丁雨

一种床侧软式内镜预处理装置: 本实用新型公开了一种床侧软式内镜预处理装置，具体涉及医疗用品技术领域，其技术方案是：包括清洗装置、保温平板和杯架，所述杯架上端固定安装支撑杆，所述支撑杆上端固定安装所述保温平板，所述保温平板上端固定安装所述清洗装置，所述...; 陈健李丹钱建清徐晓丹王甘红; 文献传递

基于YOLOv8网络建立结直肠息肉实时检测的人工智能辅助系统(含视频): 2025年; 目的利用2023年新推出的YOLOv8m网络,开发一款人工智能辅助系统,旨在实现腺瘤性息肉的自动定位和诊断。方法使用4个结肠息肉数据集,总计包括9411张静态图像和25段视频。所涵盖的息肉类别包括增生性息肉和腺瘤性息肉。利用LabelMe工具对图像进行标注,并将标注数据转换成适用于深度学习模型训练的YOLO格式。在模型训练方面,采用预训练的YOLOv5m和YOLOv8m模型,并结合实时数据增强以及多种图像处理技术进行迁移学习训练。模型性能的评估采用多个指标,包括敏感性、特异性、假阳性率和检测速度(每秒帧数,frames per second,FPS)、平均精度(mean average precision,mAP)等。此外,还使用混淆矩阵进行详细评估,并将模型的性能与不同资历的医师进行比较分析。结果在对1411个息肉的验证集进行评估中,YOLOv8m模型在多项性能指标上超越了YOLOv5。YOLOv8m的整体准确率为98.58%,在腺瘤性息肉、增生性息肉检测的敏感性分别为98.06%和99.32%,特异性分别为99.33%和98.09%,不同类型息肉预测的mAP50为0.994。在与内镜医师的性能比较中,YOLOv8m模型在准确率(98.58%)和处理速度(60.61帧/s)方面均优于低年资(准确率为86.02%)和高年资内镜医师(准确率为93.14%),其处理速度是低年资内镜医师的67.2倍。结论基于YOLOv8m网络的深度学习模型能够快速、精确地检测与分类结直肠息肉,在辅助内镜医师提高腺瘤性息肉检出率方面展现出很大的应用潜力。; 陈健孙斌王甘红夏开建夏开建徐晓丹周静洁; 关键词：结直肠息肉目标检测

渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心　互联网出版许可证　新出网证(渝)字10号

陈健

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

陈健

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈