结直肠癌(CRC) 是一个全球性的健康问题，也是美国第二大致命癌症，估计每年导致90 万人死亡。虽然是致命的，但可以通过在结肠癌前病变（称为息肉）癌变之前去除它们来预防 CRC。事实上，据估计，腺瘤检出率（ADR，定义为医生发现至少一个息肉的手术比例）每增加1%，间期 CRC的发生率就会降低 6%（a在结肠镜检查阴性后 60 个月内诊断出的结直肠癌）。
结肠镜检查被认为是检测和去除息肉的金标准程序。不幸的是，文献表明内窥镜医师在结肠镜检查期间平均漏诊 22%-28% 的息肉；此外，有 20% 到 24% 有可能癌变的息肉（腺瘤）被遗漏了。可能导致内窥镜医师漏诊息肉的两个主要因素是 (1) 息肉出现在视野中，但内窥镜医师可能会由于其体积小或形状扁平而漏诊；(2) 息肉未出现在视野内，因为内窥镜医师在手术过程中没有完全覆盖相关区域。
在“检测结肠镜检查中的不足覆盖率”中，我们介绍了通过深度算法或 C2D2 的结肠镜检查覆盖率不足，这是一种基于机器学习的提高结肠镜检查覆盖率的方法。C2D2 算法在手术过程中捕获图像时执行结肠的局部 3D 重建，并在此基础上识别结肠的哪些区域被覆盖，哪些区域留在视野之外。然后，C2D2 可以实时指示结肠的特定区域是否存在覆盖不足的问题，以便内窥镜医师可以返回该区域。我们的工作提出了一种实时计算覆盖率的新方法，为此使用无校准、无监督学习方法完成 3D 重建，并以大规模方式对其进行评估。
C2D2 算法
在考虑结肠覆盖率时，重要的是估计覆盖率——完整程序覆盖相关区域的百分比。虽然回顾性分析对医生很有用，并且可以为未来的程序提供一般指导，但在逐段的基础上实时估计覆盖率更有用，即了解当前段的哪个部分已经被穿过结肠时被覆盖。这种功能的帮助是显而易见的：在程序本身期间，医生可能会收到覆盖不足的部分的警报，并且可以立即返回查看这些区域。更高的覆盖率将导致更高比例的息肉被看到。
C2D2 算法旨在分两个阶段计算这种逐段覆盖：为结肠镜检查视频的每一帧计算深度图，然后根据这些深度图计算覆盖范围。
深度图创建包括深度估计和姿势估计——内窥镜在空间中的位置以及它指向的方向。除了检测覆盖不足之外，深度和姿态估计对于各种其他有趣的任务也很有用。例如，深度可用于改进扁平息肉的检测，而姿势估计可用于重新定位内窥镜医师希望重新访问的结肠区域（包括息肉），并且两者一起可用于可视化和导航。
为了从这些深度图中计算覆盖率，我们在两个数据源上训练了 C2D2：合成序列和真实序列。我们使用冒号的图形模型生成了合成视频。对于每个合成视频，地面实况覆盖率以 0（完全未覆盖）和 1（完全覆盖）之间的数字形式提供。对于真实序列，我们分析了去识别化的结肠镜检查视频，因此无法获得地面实况覆盖。
合成视频的性能
使用合成视频时，地面实况覆盖的可用性可以直接测量 C2D2 的性能。我们使用平均绝对误差(MAE)对此进行量化，该平均绝对误差表明算法的预测与真实情况的平均差异程度。我们发现C2D2的MAE=0.075；这意味着，平均而言，C2D2 的预测在真实情况的 7.5% 以内。相比之下，一组执行相同任务的医生实现了 MAE = 0.177，即在基本事实的 17.7% 以内。因此，C2D2 在合成序列上的准确率提高了 2.4 倍。
在真实视频上
的表现 当然，最重要的是在真实结肠镜检查视频上的表现。这种情况下的挑战是缺乏真实标签：我们不知道实际覆盖范围是什幺。此外，由于前面描述的挑战，人们不能直接使用专家提供的标签，因为它们并不总是准确的。但是，C2D2 仍然可以对真实的结肠镜视频进行推理。事实上，学习管道旨在在合成和真实结肠镜检查视频上表现同样出色。
为了验证真实序列的性能，我们使用了生成建模文献中常见技术的变体，其中包括向人类专家提供视频序列以及 C2D2 对这些序列的覆盖率分数。然后我们请专家评估 C2D2 的分数是否正确。这个想法是，虽然专家很难直接分配分数，但验证给定分数的任务要容易得多。（这类似于验证算法问题的建议解决方案通常比计算该解决方案容易得多。）使用这种方法，专家在 93% 的时间内验证了 C2D2 的分数。而在更定性的意义上，C2D2的输出似乎通过了“眼球测试”，见下图。
下一步
通过提醒医生注意结肠壁的遗漏区域，C2D2 有望导致发现更多的腺瘤，从而增加 ADR 并同时降低间期 CRC的发生率。这对患者来说是非常有益的。
除了解决结肠镜检查覆盖范围的这项工作外，我们还在同时进行研究，通过将 C2D2 与自动实时息肉检测算法相结合来改进息肉检测。这项研究增加了越来越多的证据，表明医生可能会使用机器学习方法来加强他们的努力，尤其是在手术过程中，以提高患者的护理质量。
Be First to Comment