Real-time artificial intelligence–based histologic classification of colorectal polyps with augmented visualization

Background and AimsArtificial intelligence (AI)–based computer-aided diagnostic (CADx) algorithms are a promising approach for real-time histology (RTH) of colonic polyps. Our aim is to present a novel in situ CADx approach that seeks to increase transparency and interpretability of results by generating an intuitive augmented visualization of the model’s predicted histology over the polyp surface.MethodsWe developed a deep learning model using semantic segmentation to delineate polyp boundaries and a deep learning model to classify subregions within the segmented polyp. These subregions were classified independently and were subsequently aggregated to generate a histology map of the polyp’s surface. We used 740 high-magnification narrow-band images from 607 polyps in 286 patients and over 65,000 subregions to train and validate the model.ResultsThe model achieved a sensitivity of .96, specificity of .84, negative predictive value (NPV) of .91, and high-confidence rate (HCR) of .88, distinguishing 171 neoplastic polyps from 83 non-neoplastic polyps of all sizes. Among 93 neoplastic and 75 non-neoplastic polyps ≤5 mm, the model achieved a sensitivity of .95, specificity of .84, NPV of .91, and HCR of .86.ConclusionsThe CADx model is capable of accurately distinguishing neoplastic from non-neoplastic polyps and provides a histology map of the spatial distribution of localized histologic predictions along the delineated polyp surface. This capability may improve interpretability and transparency of AI-based RTH and offer intuitive, accurate, and user-friendly guidance in real time for the clinical management and documentation of optical histology results.

طبقه‌بندی هیستولوژیک مبتنی بر هوش مصنوعی زمان واقعی از پولیپ‌های کولورکتال با تجسم تقویت‌شده

پیش‌زمینه و الگوریتم های تشخیص کامپیوتری مبتنی بر هوش مصنوعی (CADx)یک روش امیدوار کننده برای بافت‌شناسی زمان واقعی (RTH)پولیپ‌های کولون هستند. هدف ما ارائه یک روش جدید CADx در محل است که به دنبال افزایش شفافیت و قابلیت تفسیر نتایج با ایجاد یک تجسم بصری اضافی از بافت شناختی پیش‌بینی‌شده مدل بر روی سطح پولیپ است. بودهای ما یک مدل یادگیری عمیق را با استفاده از تقسیم‌بندی معنایی برای ترسیم مرزه‌ای پولیپ و یک مدل یادگیری عمیق برای طبقه‌بندی نواحی فرعی در پولیپ بخش‌بندی شده توسعه دادیم. این مناطق فرعی به طور مستقل طبقه‌بندی شدند و متعاقبا برای تولید نقشه بافت‌شناسی سطح پولیپ جمع‌آوری شدند. ما از تصاویر باند باریک با بزرگنمایی بالا از ۶۰۷ پولیپ در ۲۸۶ بیمار و بیش از ۶۵۰۰۰ ناحیه برای آموزش و اعتبارسنجی مدل استفاده کردیم. ویژگی، ویژگی، ارزش اخباری مثبت و منفی به ترتیب برابر ۹۶ / ۰ و ۹۶ / ۰ بود. ۸۴، ارزش پیش‌بینی منفی (NPV). ۹۱ و نرخ اطمینان بالا (GR)را نشان داد. ۸۸، تشخیص ۱۷۱ مورد پولیپ‌های نئوپلاستیک از ۸۳ مورد پولیپ‌های غیر نئوپلاستیک در همه اندازه‌ها. در میان ۹۳ پولیپ‌های نئوپلاستیک و ۷۵ پولیپ‌های غیر نئوپلاستیک ۵ میلی متر، مدل به حساسیت دست یافت. ۹۵، ویژگی. ۸۴، NPV. ۹۱، و در نهایت با استفاده از آزمون t - test مورد تجزیه و تحلیل قرار گرفتند. مدل CADx قادر به تشخیص دقیق سرطان از پولیپ‌های غیر نئوپلاستیک است و نقشه بافت‌شناسی توزیع فضایی پیش‌بینی‌های بافت‌شناسی موضعی را در طول سطح پولیپ مشخص فراهم می‌کند. این قابلیت ممکن است قابلیت تفسیر و شفافیت RTH مبتنی بر AI را بهبود بخشد و در زمان واقعی راهنمایی بصری، دقیق و کاربر پسند را برای مدیریت بالینی و مستند سازی نتایج بافت‌شناسی نوری ارائه دهد.

ترجمه شده با