Design and validation of an artificial intelligence system to detect the quality of colon cleansing before colonoscopy

结肠镜检查 人工智能 卷积神经网络 计算机科学 医学 内科学 结直肠癌 癌症
作者
Antonio Z. Gimeno‐García,Silvia Alayón-Miranda,Federica Benítez-Zafra,Domingo Hernández-Negrín,David Nicolás‐Pérez,Claudia Pérez Cabañas,Rosa Delgado,Rocío del-Castillo,Ana Romero,Zaida Adrián,Ana Cubas,Yanira González-Méndez,Alejandro Jiménez,Marco A. Navarro-Dávila,Manuel Hernández‐Guerra
出处
期刊:Gastroenterología y Hepatología [Elsevier]
卷期号:47 (5): 481-490
标识
DOI:10.1016/j.gastrohep.2023.12.009
摘要

Patients' perception of their bowel cleansing quality may guide rescue cleansing strategies before colonoscopy. The main aim of this study was to train and validate a convolutional neural network (CNN) for classifying rectal effluent during bowel preparation intake as "adequate" or "inadequate" cleansing before colonoscopy. Patients referred for outpatient colonoscopy were asked to provide images of their rectal effluent during the bowel preparation process. The images were categorized as adequate or inadequate cleansing based on a predefined 4-picture quality scale. A total of 1203 images were collected from 660 patients. The initial dataset (799 images), was split into a training set (80%) and a validation set (20%). The second dataset (404 images) was used to develop a second test of the CNN accuracy. Afterward, CNN prediction was prospectively compared with the Boston Bowel Preparation Scale (BBPS) in 200 additional patients who provided a picture of their last rectal effluent. On the initial dataset, a global accuracy of 97.49%, a sensitivity of 98.17% and a specificity of 96.66% were obtained using the CNN model. On the second dataset, an accuracy of 95%, a sensitivity of 99.60% and a specificity of 87.41% were obtained. The results from the CNN model were significantly associated with those from the BBPS (P < 0.001), and 77.78% of the patients with poor bowel preparation were correctly classified. The designed CNN is capable of classifying "adequate cleansing" and "inadequate cleansing" images with high accuracy. La percepción de los pacientes sobre la calidad de su limpieza intestinal puede guiar las estrategias de limpieza de rescate antes de una colonoscopia. El objetivo principal de este estudio fue entrenar y validar una red neuronal convolucional (CNN) para clasificar el efluente rectal durante la preparación intestinal como «adecuado» o «inadecuado». Pacientes no seleccionados proporcionaron imágenes del efluente rectal durante el proceso de preparación intestinal. Las imágenes fueron categorizadas como una limpieza adecuada o inadecuada según una escala de calidad de 4 imágenes predefinida. Se recopilaron un total de 1.203 imágenes de 660 pacientes. El conjunto de datos inicial (799 imágenes) se dividió en un conjunto de entrenamiento (80%) y un conjunto de validación (20%). Un segundo conjunto de datos (404 imágenes) se utilizó para evaluar la precisión de la CNN. Posteriormente, la predicción de la CNN se comparó prospectivamente con la escala de preparación colónica de Boston (BBPS) en 200 pacientes que proporcionaron una imagen de su último efluente rectal. En el conjunto de datos inicial, la precisión global fue del 97,49%, la sensibilidad del 98,17% y la especificidad del 96,66%. En el segundo conjunto de datos, se obtuvo una precisión del 95%, una sensibilidad del 99,60% y una especificidad del 87,41%. Los resultados del modelo de CNN se asociaron significativamente con la escala de preparación colónica de Boston (p < 0,001), y el 77,78% de los pacientes con una preparación intestinal deficiente fueron clasificados correctamente. La CNN diseñada es capaz de clasificar imágenes de «limpieza adecuada» y «limpieza inadecuada» con alta precisión.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
在水一方应助月秋采纳,获得10
1秒前
小鸟芄完成签到,获得积分10
1秒前
Michael发布了新的文献求助10
2秒前
阔达的扬完成签到,获得积分10
2秒前
琪琪的发布了新的文献求助10
3秒前
HanQing完成签到,获得积分20
3秒前
5秒前
6秒前
丘比特应助不过尔尔采纳,获得10
7秒前
自觉秋发布了新的文献求助10
7秒前
小贺完成签到,获得积分10
9秒前
学术小白发布了新的文献求助10
9秒前
N7完成签到,获得积分10
9秒前
qgjvjypm发布了新的文献求助10
9秒前
10秒前
搜集达人应助枯木逢春采纳,获得10
10秒前
Michael完成签到,获得积分20
11秒前
四川知名猛男完成签到 ,获得积分10
11秒前
可爱的函函应助科研通管家采纳,获得100
11秒前
科研通AI2S应助科研通管家采纳,获得10
11秒前
iNk应助科研通管家采纳,获得10
11秒前
12秒前
打打应助科研通管家采纳,获得10
12秒前
12秒前
科研通AI2S应助科研通管家采纳,获得10
12秒前
orixero应助科研通管家采纳,获得10
12秒前
乐乐应助科研通管家采纳,获得10
12秒前
李健应助科研通管家采纳,获得10
12秒前
12秒前
小马甲应助科研通管家采纳,获得10
12秒前
12秒前
欧大大完成签到,获得积分10
13秒前
几时有发布了新的文献求助10
13秒前
14秒前
李健的小迷弟应助cultromics采纳,获得10
15秒前
任性访风完成签到,获得积分10
16秒前
啊嘀哩嘀哩完成签到,获得积分10
16秒前
17秒前
17秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3101389
求助须知:如何正确求助?哪些是违规求助? 2752795
关于积分的说明 7621022
捐赠科研通 2405111
什么是DOI,文献DOI怎么找? 1276127
科研通“疑难数据库(出版商)”最低求助积分说明 616705
版权声明 599058