Aplicación de inteligencia artificial en el análisis de imágenes endoscópicas para el diagnóstico de un patógeno del cáncer gástrico

Scientific Reports volumen 13, número de artículo: 13380 (2023) Citar este artículo

436 Accesos

4 altmétrico

Detalles de métricas

La infección por Helicobacter pylori (H. pylori) es la principal causa de gastritis crónica, úlceras gástricas, úlceras duodenales y cáncer gástrico. En la práctica clínica, el diagnóstico de la infección por H. pylori mediante la impresión de imágenes endoscópicas por parte de un gastroenterólogo es inexacto y no puede utilizarse para el tratamiento de enfermedades gastrointestinales. El objetivo de este estudio fue desarrollar un sistema de clasificación de inteligencia artificial para el diagnóstico de la infección por H. pylori mediante el preprocesamiento de imágenes endoscópicas y métodos de aprendizaje automático. Se obtuvieron imágenes endoscópicas del cuerpo gástrico y el antro de 302 pacientes sometidos a endoscopia con confirmación del estado de H. pylori mediante una prueba rápida de ureasa en el Hospital An Nan para la derivación y validación de un sistema de clasificación de inteligencia artificial. El estado de H. pylori fue interpretado como positivo o negativo por la Red Neural Convolucional (CNN) y la red Concurrent Spatial and Channel Squeeze and Excitation (scSE), combinadas con diferentes modelos de clasificación para el aprendizaje profundo de imágenes gástricas. La evaluación integral del estado de H. pylori mediante modelos de clasificación scSE-CatBoost para imágenes del cuerpo y del antro de los mismos pacientes logró una precisión de 0,90, una sensibilidad de 1,00, una especificidad de 0,81, un valor predictivo positivo de 0,82, un valor previsto negativo de 1,00 y área bajo la curva de 0,88. Los datos sugieren que un modelo de clasificación de inteligencia artificial que utiliza el aprendizaje profundo scSE-CatBoost para imágenes endoscópicas gástricas puede distinguir el estado de H. pylori con buen rendimiento y es útil para el estudio o diagnóstico de la infección por H. pylori en la práctica clínica.

Helicobacter pylori (H. pylori) infecta el revestimiento epitelial del estómago y es la principal causa de gastritis crónica, úlcera péptica y cáncer gástrico1. La erradicación de H. pylori se ha convertido en la terapia estándar para curar la úlcera péptica1. En regiones con una alta incidencia de adenocarcinoma gástrico, se recomienda la erradicación de H. pylori para prevenir el desarrollo de cáncer gástrico2.

Se han desarrollado varios métodos de diagnóstico que utilizan técnicas invasivas o no invasivas con distintos niveles de sensibilidad y especificidad para detectar la infección por H. pylori. Los métodos invasivos que incluyen la prueba rápida de ureasa, la histología y el cultivo requieren endoscopia con biopsias de tejidos gástricos3. La prueba rápida de ureasa se basa en la producción de la enzima ureasa por parte de la bacteria H. pylori. La sensibilidad de la prueba es significativamente menor en pacientes con metaplasia intestinal y también en los casos con hemorragia por úlcera péptica4,5,6. Además, el tratamiento con inhibidores de la bomba de protones, antibióticos y compuestos de bismuto también puede dar lugar a resultados falsos negativos porque estos agentes pueden prevenir la producción de ureasa por H. pylori3. Además, varios organismos como Klebsiella pneumoniae, Staphylococcus aureus, Proteus mirabilis, Enterobacter cloacae y Citrobacter freundii en la cavidad bucal o el estómago también presentan actividad ureasa y pueden dar resultados falsos positivos6. La histología es más cara que la prueba rápida de ureasa. Muchos factores afectan la precisión diagnóstica del examen histológico, como el número y la ubicación de los materiales de biopsia recolectados, las experiencias de los patólogos, las técnicas de tinción, el uso de IBP o antibióticos y la presencia de otras especies bacterianas4, pero con similitud estructural con Helicobacter7 .

Varios estudios han demostrado que el juicio de infección por H. pylori mediante endoscopia convencional con luz blanca podría basarse en la presencia de enrojecimiento difuso, hipertrofia rugal o moco espeso y blanquecino8. Sin embargo, el diagnóstico por impresión de un gastroenterólogo mediante imágenes endoscópicas es inexacto y no puede utilizarse para el manejo de enfermedades gastrointestinales en la práctica clínica8.

Recientemente, estudios emergentes han destacado la aplicación de la inteligencia artificial en el diagnóstico de enfermedades gastrointestinales9,10,11. Por ejemplo, la aplicación del aprendizaje profundo a imágenes endoscópicas mediante redes neuronales convolucionales (CNN) se ha utilizado para detectar lesiones del intestino delgado o del colon12 y para evaluar la profundidad de invasión del cáncer gástrico13,14,15. También se ha desarrollado el aprendizaje profundo con el análisis asistido por ordenador de imágenes endoscópicas utilizando CNN para el diagnóstico de la infección por H. pylori10,16,17. Sin embargo, varios estudios que aplicaron inteligencia artificial en el diagnóstico de la infección por H. pylori utilizaron pruebas inadecuadas como estándares de oro para el diagnóstico, como el anticuerpo sérico contra H. pylori10,16 y el anticuerpo contra H. pylori en orina17. De hecho, una prueba positiva de anticuerpos contra H. pylori en suero u orina indica que los sujetos analizados tienen una infección por H. pylori activa o pasada. Por lo tanto, estos estudios que utilizan pruebas de anticuerpos como estándar de oro para la infección activa por H. pylori podrían tener un resultado falso positivo para aquellos con infección previa por H. pylori, y el estándar de oro inadecuado afectaría la precisión diagnóstica del sistema de IA desarrollado para H. pylori. diagnóstico. Además, algunos de estos estudios excluyeron de la población investigada a pacientes con úlcera péptica y cáncer gástrico18. La exclusión de estas importantes poblaciones objetivo podría limitar la generalización del sistema de decisión de CNN para el diagnóstico de la infección por H. pylori.

Respecto a la tecnología de inteligencia artificial en el diagnóstico de enfermedades gastrointestinales, Liu et al. propuso dos subredes: O-stream y P-stream. La imagen original se utilizó como O-stream. El color del extracto de entrada, las características globales y la imagen preprocesada se utilizaron como entrada del flujo P para extraer textura y características detalladas19. Sobri et al. propusieron una tecnología de visualización por computadora para extraer características de la textura y el color y extraer características de la Matriz de Co-ocurrencia de Nivel de Grises (GLCM) de la imagen transformada en wavelets. Utilizaron una transformada wavelet discreta en la imagen endoscópica, clasificaron la imagen endoscópica de gastritis con características de la imagen y luego combinaron las características del momento de textura y color para desarrollar un modelo clasificador, SVM20. Muchos artículos de preprocesamiento utilizan métodos de conversión de espacio de color, GLCM y transformación wavelet discreta para extraer características de textura.

La ingeniería de características jerárquicas en núcleos aprendidos de alta dimensión a partir de la conexión compleja de parámetros y la función de activación no lineal hace que las características aprendidas en la CNN sean de buen augurio, con el beneficio de la invariancia de traducción. Sin embargo, muchos métodos en el pasado utilizaban módulos separados con aprendizaje profundo para extraer características de imágenes relacionadas con la naturaleza del problema subyacente. Jain et al. propusieron un modelo WCENet basado en CNN para la detección y posicionamiento de anomalías en imágenes de cápsula endoscópica inalámbrica (WCE)21. Zhang et al. propuso un método de coincidencia estéreo basado en una red CNN densa con conexiones de características multiescala como Dense-CNN. Se construyó una nueva red de conexión densa con capas convolucionales multiescala utilizando Dense-CNN. Se extrajeron las características ricas de la imagen y se utilizaron las características multiescala combinadas con información de contexto para estimar el costo de la coincidencia estéreo. Los resultados experimentales con la nueva estrategia de función de pérdida propuesta se han utilizado para aprender los parámetros de la red neuronal de manera más razonable, lo que puede mejorar el rendimiento del modelo Dense-CNN propuesto en el cálculo de disparidad22. Varios estudios previos han demostrado que un mecanismo cognitivo de atención visual agregado a la arquitectura de la red CNN puede extraer características más importantes de la imagen original y mejorar el rendimiento de la inteligencia artificial.

Actualmente, el diagnóstico de infección por H. pylori durante la endoscopia requiere biopsias gástricas con prueba rápida de ureasa, histología o cultivo en la práctica clínica. Sin embargo, las biopsias gástricas con las pruebas antes mencionadas requieren instrumentos de biopsia y costos de prueba rápida de ureasa, histología y cultivo. Además, el examen histológico y el cultivo de H. pylori requieren mucho tiempo. Además, la biopsia gástrica puede inducir hemorragia en pacientes que toman agentes antiplaquetarios o anticoagulantes y en aquellos con coagulopatía. Si un novedoso sistema de inteligencia artificial que utiliza imágenes endoscópicas en tiempo real tiene una precisión diagnóstica similar o incluso mayor para la infección por H. pylori que los métodos de biopsia antes mencionados, puede reemplazar estas modalidades de diagnóstico y también puede ahorrar costos médicos, proporcionar un diagnóstico inmediato y evitar la biopsia. Sangrado inducido en pacientes con tendencia hemorrágica.

En este estudio, planteamos la hipótesis de que la tecnología de aprendizaje de inteligencia artificial puede evaluar con precisión el estado de H. pylori mediante imágenes endoscópicas, y nuestro objetivo fue desarrollar un novedoso sistema de clasificación de inteligencia artificial para el diagnóstico de la infección por H. pylori mediante CNN y Excitación y compresión espacial y de canales concurrentes. (scSE), combinada con diferentes modelos de clasificación para el aprendizaje profundo de imágenes gástricas. Para aumentar la generalización del sistema de clasificación de inteligencia artificial, incluimos sujetos con y sin enfermedades gastrointestinales superiores importantes, como úlcera péptica y cáncer gástrico. Además, utilizamos un método preciso, la prueba rápida de ureasa, como estándar de oro para el diagnóstico de la infección por H. pylori en este estudio. Además, el estudio actual utilizó el modelo CNN y la tecnología de atención, que podría mejorar las imágenes del cuerpo y el antro con un mejor efecto de clasificación.

Se buscaron retrospectivamente los pacientes que recibieron endoscopia con biopsias gástricas para la prueba rápida de ureasa en el Hospital An Nan (Tainan, Taiwán) desde octubre de 2020 hasta diciembre de 2021. Los criterios de exclusión incluyeron (1) tratamiento de erradicación previo de la infección por H. pylori, (2) antecedentes de gastrectomía, (3) uso de antibióticos en las 4 semanas anteriores, (4) uso de inhibidor de la bomba de protones en las 2 semanas previas a la endoscopia (5 ) coexistencia de enfermedades concomitantes graves (por ejemplo, cirrosis hepática descompensada, uremia y neoplasia maligna) y (6) hemorragia gastrointestinal superior. Los pacientes se dividieron en 5 subconjuntos iguales y cada subconjunto tenía alrededor de 60 pacientes. Las imágenes endoscópicas de los primeros tres subconjuntos de pacientes (n = 182) que recibieron endoscopia entre octubre de 2020 y junio de 2021 se asignaron al grupo de derivación para crear un sistema de clasificación de inteligencia artificial en el diagnóstico de la infección por H. pylori. Las imágenes endoscópicas de los otros dos subconjuntos de pacientes (n = 120) que recibieron endoscopia entre julio de 2021 y diciembre de 2021 se asignaron al grupo de validación para evaluar la precisión del sistema de clasificación de inteligencia artificial derivado. El protocolo del estudio fue aprobado por la Junta de Revisión Institucional del Hospital An Nan de la Universidad Médica de China (TMANH109-REC008). La Junta de Revisión Institucional renunció al requisito de consentimiento informado del estudio porque era un trabajo retrospectivo.

La endoscopia superior se realizó utilizando un endoscopio estándar (GIF-Q260J; Olympus, Tokio, Japón). Se utilizaron imágenes gástricas capturadas durante un examen con luz blanca de alta definición del antro (hacia adelante) y el cuerpo (hacia adelante y retroflejo) para los conjuntos de datos de derivación y validación. Se obtuvieron una muestra de biopsia gástrica antral y una muestra de biopsia corporal para la prueba rápida de ureasa. El estado de H. pylori se determinó mediante los resultados de la prueba rápida de ureasa (Delta West Bentley, WA, Australia)23. Se extrajeron las imágenes gástricas archivadas obtenidas durante el examen estándar con luz blanca de la base de datos endoscópica. Dos endoscopistas examinaron y excluyeron de forma independiente las imágenes que tenían una calidad subóptima (es decir, imágenes borrosas, moco excesivo, residuos de comida, sangrado y/o insuflación de aire insuficiente). A continuación, dos endoscopistas seleccionaron de forma independiente las áreas representativas según criterios de selección estándar. Los criterios estándar para la selección de imágenes representativas incluyeron (1) imágenes claras, (2) sin burbujas, sangre o residuos de comida, (3) sin luz refleja y (4) sin lesiones específicas (p. ej., erosión, úlcera o tumor). No se utilizó ninguna herramienta especial para la selección de áreas representativas. La Tabla 1 muestra el número de pacientes e imágenes en los grupos de derivación y validación. Las principales enfermedades gastrointestinales que padecieron los pacientes incluyeron enfermedad por reflujo gastroesofágico (n = 69), dispepsia no ulcerosa (n = 199), úlcera gástrica (n = 20), úlcera duodenal (n = 12) y cáncer gástrico (n = 2).

La Figura 1 muestra el diagrama de flujo general de la investigación. Se obtuvieron imágenes endoscópicas del cuerpo gástrico y el antro de pacientes sometidos a endoscopia con confirmación del estado de H. pylori mediante una prueba rápida de ureasa para la derivación de un sistema de clasificación de inteligencia artificial. La red CNN y scSE, combinadas con diferentes modelos de clasificación para el aprendizaje profundo de imágenes gástricas. Las características de las imágenes de muestra se extrajeron de manera efectiva y el modelo de clasificación utilizó las imágenes gastroscópicas del antro o del cuerpo para realizar una evaluación y un diagnóstico integrales. Todos los métodos se realizaron de acuerdo con las directrices y regulaciones pertinentes. El número total de pacientes a los que se les proporcionaron imágenes endoscópicas fue de 302, de los cuales 136 fueron H. pylori negativos y 166 H. pylori positivos. La Tabla 1 muestra el número de pacientes e imágenes en los conjuntos de datos de derivación y validación. Las imágenes endoscópicas se obtuvieron del antro y cuerpo gástrico (Fig. 2). El estado de H. pylori en las dos partes gástricas se clasificó en categorías positivas o negativas utilizando el modelo de clasificación de inteligencia artificial.

Diagrama de flujo general de la investigación.

(a) Imágenes endoscópicas del cuerpo y (b) Imágenes endoscópicas del antro.

Dado que la imagen de entrada original afectó la precisión del resultado de salida, se eliminó la información de características innecesaria. Como se muestra en la Fig. 3, los endoscopistas seleccionaron el área representativa para la captura de imágenes. Debido a que el método tradicional de preprocesamiento de imágenes puede destruir las características importantes originales de la imagen y no puede mejorar la precisión de la clasificación del aprendizaje automático, no utilizamos ninguna tecnología tradicional de preprocesamiento de imágenes en este estudio. Se utilizaron directamente dos modelos de redes neuronales de aprendizaje profundo, CNN y scSE, para extraer las características de la imagen para facilitar el análisis posterior de las características de la imagen mediante varios métodos de clasificación de aprendizaje automático.

(a) Captura de imágenes del cuerpo y (b) antro.

El problema de los modelos tradicionales de aprendizaje profundo es que ignoran la información tridimensional, como los canales horizontal, vertical y de color de los datos. Para CNN24, cada imagen en el tren y el conjunto de imágenes de prueba pasa a través de una serie de capas, incluidas las capas convolucional, de agrupación y completamente conectada. Entre ellas, las capas convolucional y de agrupación pueden mantener las características de forma para evitar un gran aumento en los parámetros, mientras que se extraerá la capa completamente conectada. La función de imagen utiliza la conexión entre cada neurona y la neurona superior para realizar la clasificación final25. Debido a que CNN tiene una arquitectura de peso compartida y características de invariancia de traducción, y la extracción y clasificación de características se pueden generar al mismo tiempo durante el entrenamiento, lo que permite que la red aprenda de manera más efectiva en paralelo26, tiene excelentes resultados en el trabajo de datos de imágenes27.

Para la red scSE28, se utilizaron los modelos Spatial Squeeze y Channel Excitation Block (cSE) y Channel Squeeze y Spatial Excitation Block (sSE) para ajustar las características de la red y se consideraron mapas de características o canales de características efectivos e importantes. El peso se utilizó para pesar y reducir el impacto de características sin importancia. Por lo tanto, a la información útil se le dio un peso mayor, mientras que a la información no válida se le dio un peso menor29. Como se muestra en la Fig. 4, en el modelo cSE, el vector de características C × W × H del mapa de características se convirtió a C × 1 × 1 mediante la agrupación promedio global, y luego se usaron dos información de características 1 × 1 × 1 para procesamiento para obtener información de características dimensional C, normalizado usando la función de activación sigmoidea y finalmente multiplicado por canal para obtener el mapa de características de cSE30. Como se muestra en la Fig. 5, el modelo sSE era un mecanismo de atención espacial, que utilizaba principalmente convolución 1 × 1 para comprimir el mapa de características original para formar un cambio de C × W × H a 1 × W × H, y luego el sigmoide. La capa de función normalizó la información de características de 0 a 1 y obtuvo el mapa de características de atención espacial, y finalmente lo agregó directamente al mapa de características original para completar la calibración de la información espacial31. Como se muestra en la Fig. 6, el scSE estaba compuesto principalmente por una conexión paralela de dos módulos, cSE y sSE. Después de que el mapa de características original pasó por los modelos sSE y cSE, se agregaron dos módulos para obtener un mapa de características más preciso y calibrado32.

Mecanismo de atención del canal del modelo de arquitectura cSE.

Mecanismo de atención espacial del modelo de arquitectura sSE.

Un modelo de arquitectura scSE compuesto por cSE y sSE.

Las imágenes endoscópicas de 182 pacientes se utilizaron para un aprendizaje automático profundo. La clasificación es el proceso de predecir la categoría de un punto de datos determinado y pertenece a la categoría de aprendizaje supervisado, en el que el objetivo también recibe datos de entrada33,34,35. Para la necesidad de predecir la infección por H. pylori, es más adecuado utilizar algoritmos de clasificación para la clasificación. Como se muestra en la Fig. 7, las capas de la red de extracción de características se apilaron de las dos a cuatro originales y, finalmente, la última capa se usó para hacer coincidir la entrada del modelo de clasificación, como KNN, SVM, RF, GBDT, AdaBoost. , XGBoost, LGBoost, CatBoost. La salida de la red se agrupó globalmente y las dimensiones originales de 8 × 8 × 256 se comprimieron en datos unidimensionales para permitir que el modelo de clasificación clasificara.

Red convolucional combinada con modelo de clasificación.

Se utilizaron imágenes endoscópicas de 120 pacientes para evaluar el rendimiento del sistema de diagnóstico de inteligencia artificial derivado. Existen diferentes métodos de índice de evaluación para cada modelo de aprendizaje automático y se pueden utilizar muchos índices de evaluación para medir el rendimiento del modelo de clasificación o predicción. El ajuste de parámetros y la selección de características de diferentes modelos se utilizan normalmente para lograr un mejor rendimiento de la evaluación y para ayudar a monitorear y evaluar la situación para realizar ajustes apropiados de los parámetros y objetivos de optimización36. En este estudio, se utilizaron seis métricas de evaluación para juzgar el desempeño de cada modelo de clasificación: precisión, valor predictivo positivo (VPP), valor predictivo negativo (VPN), sensibilidad, especificidad y área bajo la curva (AUC). La Tabla 2 muestra la matriz de confusión para la clasificación binaria. La matriz de confusión en el análisis predictivo estaba compuesta por verdadero negativo (TN, el resultado previsto fue negativo y Verdadero también fue negativo), falso negativo (FN, el resultado previsto fue negativo; sin embargo, el resultado real fue positivo), falso positivo (FP , el resultado previsto fue positivo, pero el resultado real se interpretó como negativo) y verdadero positivo (TP, el resultado previsto fue positivo, pero el resultado real también fue positivo)37. Se evaluó el desempeño del sistema de diagnóstico de inteligencia artificial para una sola imagen gástrica. Se utilizó la prueba de chi-cuadrado para comparar el rendimiento de los diferentes modelos. Las diferencias se consideraron estadísticamente significativas cuando P < 0,05. Debido a que la distribución de H. pylori en la superficie del estómago es heterogénea a lo largo del antro y el cuerpo gástrico, también evaluamos el rendimiento del módulo de diagnóstico scSE-CatBoost para las imágenes representativas del antro y el cuerpo de los mismos pacientes.

Todos los autores han confirmado el manuscrito y aprobado la publicación del manuscrito.

Una declaración para confirmar que todos los protocolos experimentales fueron aprobados por el Comité de Experimentos del Cuerpo Humano de la Fundación Médica del Hospital An Nan.

Cada modelo de aprendizaje automático puede ayudar eficazmente a comprender el rendimiento del modelo para los resultados de la evaluación. Por lo tanto, este estudio utilizó el mecanismo de atención y una combinación de modelos de clasificación para clasificar positivos y negativos y evaluar y comparar las dos partes del cuerpo y el antro infectados por H. pylori. Los métodos de clasificación de K-Vecino más cercano (KNN) 38, máquina de vectores de soporte (SVM) 39, impulso adaptativo (AdaBoost) 40, bosque aleatorio (RF) 41, árbol de decisión de impulso de gradiente (GBDT) 42, impulso de gradiente extremo (XGBoost) 43, Light Gradient Boosting (LGBoost)44 y Categorical Boosting (CatBoost)45 se utilizaron en los modelos CNN y scSE. El rendimiento de cada modelo se evaluó mediante seis parámetros que incluyen precisión, sensibilidad, especificidad, VPP, VPN y AUC.

La Tabla 3 muestra el desempeño de CNN combinado con diferentes modelos de clasificación para el diagnóstico de infección por H. pylori utilizando imágenes endoscópicas del cuerpo gástrico. El modelo de clasificación CNN-CatBoost tuvo el mejor rendimiento, con una precisión del 88 %, una sensibilidad del 93 %, una especificidad del 80 % y un AUC de 0,87. La Tabla 4 muestra el rendimiento de scSE combinado con diferentes modelos de clasificación para el diagnóstico de infección por H. pylori utilizando imágenes endoscópicas del cuerpo gástrico. El modelo de clasificación scSE-LGBoost logró el mejor rendimiento con una precisión del 90 %, una sensibilidad del 93 %, una especificidad del 83 % y un AUC de 0,88.

La Tabla 5 enumera el rendimiento de CNN combinado con diferentes modelos de clasificación para el diagnóstico de infección por H. pylori utilizando imágenes endoscópicas del antro gástrico. CNN-LGBoost tuvo el mejor rendimiento, con una precisión del 87 %, una sensibilidad del 89 %, una especificidad del 86 % y un AUC de 0,87. La Tabla 6 demuestra el rendimiento de scSE combinado con diferentes modelos de clasificación para el diagnóstico de infección por H. pylori mediante imágenes endoscópicas del antro gástrico. Tanto scSE-KNN como scSE-CatBoost lograron el mejor rendimiento, con una precisión del 89 %, una sensibilidad del 90 %, una especificidad del 88 % y un AUC de 0,89.

La Tabla 7 muestra los resultados de la evaluación integral del estado de H. pylori mediante el modelo de clasificación scSE-CatBoost con imágenes endoscópicas tanto del cuerpo como del antro de los mismos pacientes. En este modelo de clasificación integral, el estado de H. pylori se consideró un resultado negativo si tanto la imagen corporal como la imagen del antro se clasificaban como resultados negativos mediante el modelo de clasificación scSE-CatBoost. Si la imagen del cuerpo o del antro se clasificaba como resultado positivo mediante el modelo de clasificación scSE-CatBoost, el estado de H. pylori en la evaluación integral se consideraba un resultado positivo. La evaluación integral con el modelo de clasificación scSE-CatBoost utilizando imágenes endoscópicas del antro y el cuerpo de los mismos pacientes tuvo un buen desempeño con una precisión del 90 %, una sensibilidad del 100 %, una especificidad del 81 % y un AUC de 0,88.

En este estudio, desarrollamos un novedoso sistema de clasificación de inteligencia artificial para el diagnóstico de infección por H. pylori mediante imágenes endoscópicas utilizando las redes CNN y scSE y métodos de aprendizaje automático. La sensibilidad, especificidad y precisión para predecir el estado de H. pylori mediante el modelo de clasificación scSE-CatBoost utilizando imágenes endoscópicas tanto del antro como del cuerpo fueron del 100 %, 81 % y 90 %, respectivamente. Los resultados indican que el modelo de clasificación scSE-CatBoost puede lograr una alta precisión para el diagnóstico de la infección por H. pylori con imágenes endoscópicas de luz blanca. Es importante señalar que el valor predictivo negativo de nuestro sistema de diagnóstico de H. pylori asistido por inteligencia artificial fue del 100%. La posibilidad de un estado positivo de H. pylori en los pacientes que reciben endoscopia es extremadamente baja si nuestro sistema de diagnóstico por imágenes muestra un resultado negativo del estado de H. pylori. Por lo tanto, no es necesario realizar más biopsias para comprobar el estado de H. pylori durante la endoscopia. Evitar biopsias innecesarias para las pruebas de H. pylori tiene implicaciones clínicas porque puede disminuir el costo médico, ahorrar tiempo en la endoscopia y prevenir el sangrado inducido por la biopsia en pacientes con tendencia a sangrar. Actualmente, todavía sugerimos a los endoscopistas realizar una biopsia con prueba rápida de ureasa o histología para confirmar el diagnóstico de infección por H. pylori en pacientes con predicciones positivas de nuestro sistema de diagnóstico de inteligencia artificial porque el valor predictivo positivo de nuestro sistema de diagnóstico es subóptimo (82% ). Es necesario confirmar aún más el diagnóstico de infección por H. pylori antes de administrar la terapia de erradicación. No obstante, la precisión de nuestro sistema de diagnóstico de inteligencia artificial puede mejorarse aún más mediante el aprendizaje profundo de más imágenes endoscópicas y la aplicación de nuevas tecnologías de aprendizaje en el futuro. Si no existen diferencias en la precisión entre nuestro sistema de diagnóstico de inteligencia artificial y la prueba rápida de ureasa o la histología, nuestro sistema de diagnóstico por imágenes tiene un gran potencial para reemplazar los métodos actuales dependientes de la biopsia para las pruebas de H. pylori.

El estudio actual presenta varias mejoras innovadoras en el diagnóstico de la infección por H. pylori mediante las redes CNN y scSE. Primero, examinamos el desempeño de las redes CNN y scSE combinadas con diferentes modelos de clasificación para el diagnóstico de la infección por H. pylori. Los resultados mostraron que los modelos de clasificación scSE-CatBoost podían lograr una precisión muy alta para el diagnóstico de la infección por H. pylori. En segundo lugar, evaluamos las imágenes endoscópicas obtenidas del sistema endoscópico de luz blanca que se utiliza comúnmente en la práctica diaria en unidades endoscópicas. Algunos estudios utilizaron láser azul o imágenes en color vinculadas para desarrollar un sistema de clasificación de imágenes para el diagnóstico de la infección por H. pylori. Estas imágenes no están listas para obtenerse en la mayoría de las unidades de endoscopia. En tercer lugar, algunos sistemas de diagnóstico de inteligencia artificial excluyeron las imágenes endoscópicas de pacientes con úlcera péptica y cáncer gástrico de la población investigada y limitaron la generalización de su sistema de diagnóstico por imágenes en pacientes con enfermedades gastrointestinales importantes. En el estudio actual, incluimos a sujetos con y sin enfermedades gastrointestinales superiores importantes en el proceso de desarrollo del sistema de diagnóstico por imágenes de inteligencia artificial. Por lo tanto, nuestro sistema de clasificación de inteligencia artificial se puede aplicar para el diagnóstico de infección por H. pylori en pacientes con úlcera péptica y cáncer gástrico. Además, algunos sistemas de diagnóstico de inteligencia artificial anteriores utilizaban pruebas inadecuadas (pruebas de anticuerpos contra H. pylori en suero y orina como estándar de oro para el diagnóstico de la infección por H. pylori10,16). En el estudio actual, utilizamos la prueba rápida de ureasa como estándar de oro para el diagnóstico de infección por H. pylori en este estudio. La prueba rápida de ureasa es una prueba confiable para la infección por H. pylori con una sensibilidad del 90 al 95 % y una especificidad del 95 al 100 %3.

Este estudio utilizó aprendizaje profundo combinado con modelos de clasificación para conjuntos de datos de imágenes endoscópicas del cuerpo y el antro gástrico. La evaluación del modelo utiliza principalmente CNN y scSE para evaluación y comparación. Los resultados experimentales mostraron que el uso de scSE tuvo un mayor efecto de evaluación, ya sea utilizando imágenes del cuerpo gástrico o del antro. La razón principal es que el modelo scSE puede realizar operaciones de ponderación en canales de información para mejorar la información efectiva y suprimir la información no válida. Después de agregar el modelo scSE, tiene más no linealidad para la red general, lo que puede adaptarse mejor a la compleja correlación entre canales, no solo aumentando la efectividad de la extracción de características sino también reduciendo en gran medida la cantidad de parámetros y cálculos.

Nuestros datos mostraron que la evaluación integral mediante modelos de clasificación scSE-CatBoost con imágenes endoscópicas tanto del cuerpo como del antro tuvo un buen desempeño para determinar el estado de H. pylori. El rendimiento del estado de H. pylori mediante los modelos de clasificación scSE-CatBoost podría lograr una precisión de 0,90, una sensibilidad de 1,00, una especificidad de 0,81 y un AUC de 0,88.

Nuestro estudio tiene varias limitaciones. En primer lugar, la evaluación de las imágenes endoscópicas no se realizó en tiempo real. En la práctica clínica, es importante para la evaluación en tiempo real de la infección por H. pylori durante la endoscopia en vivo. En segundo lugar, solo incluimos pacientes sin tratamiento previo de erradicación de H. pylori. Aún no está claro si el sistema de diagnóstico por imágenes asistido por inteligencia artificial se puede aplicar para la evaluación posterior a la erradicación del estado de H. pylori. En tercer lugar, este estudio fue un trabajo retrospectivo; nuestro sistema de diagnóstico por imágenes asistido por inteligencia artificial aún requiere validación prospectiva en otras poblaciones.

En la práctica clínica, el juicio de la infección por H. pylori a partir de la impresión de las imágenes endoscópicas por parte de los gastroenterólogos suele ser inexacto. La evaluación integral de imágenes endoscópicas gástricas mediante el modelo de clasificación scSE-CatBoost y el aprendizaje profundo pueden lograr un buen desempeño en la determinación del estado de H. pylori. El estudio actual sugiere que se puede aplicar un sistema de reconocimiento de imágenes basado en aprendizaje automático para distinguir el estado de H. pylori y tiene un gran potencial para aplicarse en el estudio o diagnóstico de la infección por H. pylori durante la endoscopia.

Los conjuntos de datos generados y analizados durante el estudio actual no están disponibles públicamente debido a restricciones éticas o de privacidad, pero están disponibles a través del autor correspondiente a solicitud razonable.

Abadi, ATB & Kusters, JG Manejo de las infecciones por Helicobacter pylori. BMC Gastroenterol. 16, 1–4 (2016).

Artículo de Google Scholar

Liou, J.-M. et al. Detección y erradicación de Helicobacter pylori para la prevención del cáncer gástrico: el consenso global de Taipei. Instinto 69, 2093-2112 (2020).

Artículo PubMed Google Scholar

Sabbagh, P. y col. Métodos de diagnóstico de la infección por Helicobacter pylori: ideales, opciones y limitaciones. EUR. J.Clin. Microbiol. Infectar. Dis. 38, 55–66 (2019).

Artículo CAS PubMed Google Scholar

Braden, BJB Diagnóstico de la infección por Helicobacter pylori. BMJ 344, e282 (2012).

Artículo de Google Scholar

Lewis, JD, Kroser, J., Bevan, J., Furth, EE y Metz, DCJ Pruebas basadas en ureasa para la gastritis por Helicobacter pylori: precisas para el diagnóstico pero mala correlación con la gravedad de la enfermedad. J.Clin. Gastroenterol. 25, 415–420 (1997).

Artículo CAS PubMed Google Scholar

Lee, J., Breslin, N., Fallon, C. & Omorain, CJT Las pruebas rápidas de ureasa carecen de sensibilidad en el diagnóstico de Helicobacter pylori cuando la úlcera péptica se presenta con sangrado. Soy. J. Gastroenterol. 95, 1166-1170 (2000).

Artículo CAS PubMed Google Scholar

Patel, SK y cols. Bacterias similares a Pseudomonas fluorescens del estómago: un estudio microbiológico y molecular. Mundo J. Gastroenterol. 19, 1056 (2013).

Artículo PubMed PubMed Central Google Scholar

Glover, B., Teare, J., Ashrafian, H. y Patel, N. Los predictores endoscópicos del estado de Helicobacter pylori: un metanálisis del rendimiento diagnóstico. El r. Adv. Gastrointestinal. Endosc. 13, 263177 (2020).

Google Académico

Ikenoyama, Y. et al. Detección temprana de cáncer gástrico: comparación entre la capacidad de diagnóstico de las redes neuronales convolucionales y los endoscopistas. Excavar. Endosc. 33, 141-150 (2021).

Artículo PubMed Google Scholar

Itoh, T., Kawahira, H., Nakashima, H. y Yata, N. El aprendizaje profundo analiza la infección por Helicobacter pylori mediante imágenes de endoscopia gastrointestinal superior. Endosc. En t. Abierto 6, E139 – E144 (2018).

Artículo PubMed PubMed Central Google Scholar

Ueyama, H. et al. Aplicación de inteligencia artificial utilizando una red neuronal convolucional para el diagnóstico de cáncer gástrico temprano basado en endoscopia de aumento con imágenes de banda estrecha. J. Gastroenterol. Hepatol. 36, 482–489 (2021).

Artículo PubMed Google Scholar

Togashi, K. Aplicaciones de la inteligencia artificial a la práctica de la endoscopia: la visión desde la Semana de Enfermedades Digestivas de Japón. Wiley 31, 270-272 (2019).

Google Académico

Jia, X. y Meng, MQ-H. Una red neuronal convolucional profunda para la detección de hemorragias en imágenes de cápsula endoscópica inalámbrica. en 2016, 38.ª Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología (EMBC) del IEEE, 639–642.

Urbano, G. et al. El aprendizaje profundo localiza e identifica pólipos en tiempo real con una precisión del 96 % en la colonoscopia de detección. Gastroenterología 155, 1069–1078 (2018).

Artículo PubMed Google Scholar

Zhu, Y. et al. Aplicación de redes neuronales convolucionales en el diagnóstico de la profundidad de invasión del cáncer gástrico basado en endoscopia convencional. Gastrointestinal. Endosc. 89, 806–815 (2019).

Artículo PubMed Google Scholar

Nakashima, H., Kawahira, H., Kawachi, H. y Sakaki, Nueva Jersey Diagnóstico de inteligencia artificial de la infección por Helicobacter pylori mediante imágenes de láser azul: imágenes en color brillantes y vinculadas: un estudio prospectivo de un solo centro. Ana. Gastroenterol. 31, 462 (2018).

PubMed PubMed Central Google Académico

Shichijo, S. y col. Aplicación de redes neuronales convolucionales en el diagnóstico de la infección por Helicobacter pylori basado en imágenes endoscópicas. EBioMedicine 25, 106-111 (2017).

Artículo PubMed PubMed Central Google Scholar

Zheng, W. y col. Alta precisión de la red neuronal convolucional para la evaluación de la infección por Helicobacter pylori basada en imágenes endoscópicas: experiencia preliminar. Clínico. Traducción Gastroenterol. 10, 12 (2019).

Artículo de Google Scholar

Liu, G. y col. Clasificación automática de lesiones esofágicas en imágenes endoscópicas mediante una red neuronal convolucional. Ana. Traducción Medicina. 8, 7 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Sobri, Z. & Sakim, HAM Extracción de características basada en la fusión de colores de texturas para la clasificación de imágenes de gastritis endoscópica. En t. J. Computación. eléctrico. Ing. 4, 674–678 (2012).

ADS del artículo Google Scholar

Jain, S. y col. Un modelo CNN profundo para la detección y localización de anomalías en imágenes de cápsula endoscópica inalámbrica. Computadora. Biol. Medicina. 137, 104789 (2021).

Artículo PubMed Google Scholar

Zhang, C. y col. Dense-CNN: red neuronal convolucional densa para coincidencia estéreo mediante conexión de funciones multiescala. Proceso de señal. Imagen Comunitaria. 95, 116285 (2021).

Artículo de Google Scholar

Hsu, P.-I. et al. La terapia cuádruple de diez días que comprende inhibidor de la bomba de protones, bismuto, tetraciclina y levofloxacina es más eficaz que la terapia triple estándar con levofloxacina en el tratamiento de segunda línea de la infección por Helicobacter pylori: un ensayo controlado aleatorio. Mermelada. Gastroenterol universitario. 112, 1374-1381 (2017).

Artículo CAS Google Scholar

Wu, J. Introducción a las redes neuronales convolucionales. Nacional. Laboratorio clave. Nuevo software. Tecnología. 5, 495 (2017).

Google Académico

Kim, P. Red neuronal convolucional 121–147 (Springer, 2017).

Google Académico

Radzi, SA y Khalil-Hani, M. Reconocimiento de caracteres del número de matrícula mediante una red neuronal convolucional. en Conferencia Internacional de Informática Visual, 45–55.

Albawi, S., Mohammed, TA y Al-Zawi, S. Comprensión de una red neuronal convolucional. en la Conferencia Internacional sobre Ingeniería y Tecnología (ICET) de 2017, 1–6.

Roy, AG, Navab, N. y Wachinger, C. Excitación y compresión espacial y de canales concurrentes en redes totalmente convolucionales. en la Conferencia Internacional sobre Computación de Imágenes Médicas e Intervención Asistida por Computadora, 421–429.

Li, X., Su, H. y Liu, G. Reconocimiento de defectos de aisladores basado en detección global y segmentación local. Acceso IEEE 8, 59934–59946 (2020).

Artículo de Google Scholar

Liu, Z., Wang, H., Lei, W. & Wang, G. CSAF-CNN: Red de fusión de mapas de atención espacial entre capas para la segmentación de órganos en riesgo en imágenes de TC de cabeza y cuello. en 2020, 17.º Simposio internacional sobre imágenes biomédicas (ISBI) del IEEE, 1522-1525.

Yan, H. & Chen, A. Un nuevo método mejorado de segmentación de tumores cerebrales que utiliza una red de aprendizaje profundo. J. Física. Conf. Ser. 1, 012011 (2021).

Artículo de Google Scholar

Roy, AG, Navab, N. y Wachinger, C. Recalibración de redes totalmente convolucionales con bloques de “compresión y excitación” espaciales y de canales. Traducción IEEE. Medicina. Imágenes 38, 540–549 (2018).

Artículo de Google Scholar

Guillaumin, M., Verbeek, J. & Schmid, C. Aprendizaje semisupervisado multimodal para clasificación de imágenes. En 2010, Conferencia de la IEEE Computer Society sobre visión por computadora y reconocimiento de patrones, 902–909.

Learned-Miller, EG Introducción al aprendizaje supervisado (Departamento de Ciencias de la Computación, Universidad de Massachusetts, 2014).

Google Académico

Murray, imágenes de clasificación de RF: una revisión. J. Vis. 11, 2-2 (2011).

Artículo PubMed Google Scholar

Chen, N. y Blostein, D. Un estudio sobre la clasificación de imágenes de documentos: planteamiento del problema, arquitectura del clasificador y evaluación del desempeño. IJDAR 10, 1-16 (2007).

Artículo CAS Google Scholar

Lever, J. Evaluación de clasificación: Es importante comprender tanto lo que expresa una métrica de clasificación como lo que oculta. Nat. Métodos 13, 603–605 (2016).

Artículo CAS Google Scholar

Fix, E. Análisis discriminatorio: discriminación no paramétrica, propiedades de consistencia, vol. 1, 14 (Escuela de Medicina de Aviación de la USAF, 1985).

Google Académico

Cortes, C. & Vapnik, V. Redes de vectores de soporte. Mach. Aprender. 20, 273–297 (1995).

Artículo MATEMÁTICAS Google Scholar

Freund, Y. & Schapire, RE Una generalización teórica de decisiones del aprendizaje en línea y una aplicación al impulso. J. Computación. Sistema. Ciencia. 55, 119-139 (1997).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Ho, TK Bosques de decisión aleatoria. en Actas de la Tercera Conferencia Internacional sobre Análisis y Reconocimiento de Documentos, 278–282.

Friedman, JH Aproximación de funciones codiciosas: una máquina potenciadora de gradiente. Ana. Estadística. 29, 1189-1232 (2001).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Chen, T. y Guestrin, C. Xgboost: un sistema de impulso de árboles escalable. en Actas de la 22ª Conferencia Internacional ACM Sigkdd sobre Descubrimiento de Conocimiento y Minería de Datos, 785–794.

Ke, G. y col. Lightgbm: un árbol de decisión que impulsa el gradiente altamente eficiente. Adv. Neural. inf. Proceso. Sistema. 30, 1-10 (2017).

Google Académico

Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, AV y Gulin, A. CatBoost: Impulso imparcial con características categóricas (2017). arXiv:1706.09516.

Descargar referencias

El estudio fue financiado por el Hospital An Nan, Universidad Médica de China (Números de subvención: ANHRF119-7, ANHRF112-8 y ANHRF 112-45).

El estudio fue financiado por el Hospital An Nan (Números de subvención: ANHRF109-13, ANHRF 109-38, ANHRF110-18, ANHRF 110-43 y ANHRF112-08) y el Ministerio de Ciencia y Tecnología, Yuan Ejecutivo, Taiwán, República de China (MOST Números de subvención: MOST Números de subvención: 110-2221-E-992 -011 -MY2, 110-2221-E-992 -005 -MY2 y 111-2221-E-992 -016 -MY2).

Estos autores contribuyeron igualmente: Chih-Hsueh Lin y Ping-I Hsu.

Departamento de Ingeniería Electrónica, Universidad Nacional de Ciencia y Tecnología de Kaohsiung, Kaohsiung, 80778, Taiwán

Chih-Hsueh Lin, Chin-Dar Tseng, Pei-Ju Chao, Shen-Hao Lee, Jia-Hong Ren y Tsair-Fwu Lee

Laboratorio de Física e Informática Médica de Ingeniería Electrónica, Universidad Nacional de Ciencia y Tecnología de Kaohsiung, Kaohsiung, 80778, Taiwán

Chih-Hsueh Lin, Chin-Dar Tseng, Pei-Ju Chao, Shen-Hao Lee, Jia-Hong Ren y Tsair-Fwu Lee

División de Gastroenterología, Departamento de Medicina, Hospital An Nan, Universidad Médica de China, Tainan, Taiwán

Ping-I Hsu, I-Ting Wu y Chang-Bih Shie

Departamento de Educación e Investigación, Hospital An Nan, Universidad Médica de China, Tainan, Taiwán

Supratip Ghose

División de Gastroenterología y Hepatología, Departamento de Medicina Interna, Antai Medical Care Corporation, Antai Tian-Sheng Memorial Hospital, Donggan, Condado de Pingtung, Taiwán

Chih An Shih

Departamento de Enfermería, Universidad Meiho, Neipu, Condado de Pingtung, Taiwán

Chih An Shih

Departamento de Oncología Radioterápica, Hospital Conmemorativo Linkou Chang Gung y Facultad de Medicina de la Universidad Chang Gung, Linkou, Taiwán

Shen-Hao Lee

Departamento de Imágenes Médicas y Ciencias Radiológicas, Universidad Médica de Kaohsiung, Kaohsiung, 80708, Taiwán

Tsair Fwu Lee

Programa de Doctorado en Ingeniería Biomédica, Universidad Médica de Kaohsiung, Kaohsiung, 80708, Taiwán

Tsair Fwu Lee

Facultad de Odontología, Facultad de Medicina Dental, Universidad Médica de Kaohsiung, Kaohsiung, 80708, Taiwán

Tsair Fwu Lee

También puedes buscar este autor en PubMed Google Scholar.

CH.L. y P.-IH llevaron a cabo el experimento. C.-DT escribió el manuscrito con el apoyo de P.-JCI-TW y Supratip Ghose fabricó la muestra. C.-AS y S.-HL ayudaron a supervisar el proyecto. J.-HR y C.-BS concibieron la idea original. T.-FL supervisó el proyecto.

Correspondencia a Chin-Dar Tseng o Tsair-Fwu Lee.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Lin, CH., Hsu, PI., Tseng, CD. et al. Aplicación de inteligencia artificial en el análisis de imágenes endoscópicas para el diagnóstico de un patógeno del cáncer gástrico: la infección por Helicobacter pylori. Representante científico 13, 13380 (2023). https://doi.org/10.1038/s41598-023-40179-5

Descargar cita

Recibido: 21 de abril de 2023

Aceptado: 06 de agosto de 2023

Publicado: 17 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40179-5

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.