[发明专利]一种下消化道隆起型病变实时检测智能平台

说明书

本发明提供了一种下消化道隆起型病变实时检测智能平台，包括深度卷积神经网络，所述深度卷积神经网络包括：1）数据输入层，用于对原始内镜图像数据进行预处理；2）卷积层，用于提取输入内镜图像的不同特征，并导出结果；3）ReLU激励层，用于把卷积层的输出结果做非线性映射；4）池化层，用于筛选维度较小的特征；5）全连接层，用于计算病灶的诊断结果，并评分。本发明可对下消化道内窥镜进行辅助诊断，达到智能检测的效果。

技术领域

本发明涉及一种基于智能神经网络的检测智能平台，特别是涉及一种下消化道隆起型病变实时检测智能平台。

背景技术

消化道内窥镜是消化道疾病检查和治疗的主要手段，也是消化道早期肿瘤检测的关键。消化道早期肿瘤筛查和检测意义重大：由于各类早期特异性症状不显著，又缺乏有效的筛查和早诊手段，很多病人在确诊时已属晚期，错过治疗最佳时期，病人5年的生存率不足30%。晚期消化道肿瘤患者生活质量差，给家庭及社会带来沉重的负担。而如果能够及时发现，大部分早期消化道肿瘤（Early Gastric Cancer）乃至癌前病变（PrecancerousLesion）在内镜下即可获得根治性治疗，5年生存率超过90％，大大节约了医疗资源和社会成本。因此，低成本且行之有效的早诊方法，可以把肿瘤消灭在萌芽状态，甚至防患于未然，对患者及其家庭乃至全社会都具有重要的意义。

消化道肿瘤分为上消化道肿瘤（食管癌，胃癌）和下消化道肿瘤（结直肠癌）。超过95%以上的下消化道肿瘤都是由肠道隆起型病变（息肉）演变而来，经历正常黏膜→增生→腺瘤形成→腺瘤癌变的过程，一般需要7-15年的时间。因此，超过40岁以上成年人每隔5年做一次下消化道内镜检查（肠镜），在肠镜手术中对各种隆起型病变做出适当的处理，可以有效预防下消化道肿瘤。由此推之，在下消化道内镜检查过程中，发现隆起型病变（息肉）是预防下消化道肿瘤的重中之重。

当前，在下消化道内镜检查过程中，医生主要是依靠肉眼观察发现息肉。这种方式主要依靠医生的个人能力。内镜医生的经验和疲劳程度，内镜医生检查的仔细程度，病人肠道的清洁度等，都会对息肉的发现率造成影响。同时，一些高危的扁平型和凹陷型息肉，由于外形本身特征不明确，也容易同正常肠壁组织、肠道皱襞相混淆，造成一定的漏检可能。据统计，肠道息肉的平均漏检率超过25%。

综上所述，发现下消化道隆起型病变时肠道肿瘤早筛的关键。当前在下消化道手术过程中，肠道息肉的检查主要依靠医生肉眼观察，该方法的主要缺点是在检查过程中受到医生主观因素和部分客观因素影响，不可避免的存在漏诊的可能性。

近年来，以深度神经网络为核心的人工智能技术在多个应用领域成绩斐然。近期一些研究成果表明，计算机通过深度神经网络算法，基于大规模数据集训练的人工智能模型可以在许多应用中取得接近甚至超过人类的表现，如Atari游戏、战略性棋类游戏（如AlphaGo）等。特别是在计算机视觉和图像处理方面，基于深度卷积神经网络算法建立的深度神经网络模型获得了前所未有的成功，在人脸识别，手写体识别等多个图像处理任务中准确率接近100%。人工智能技术，特别是深度卷积神经网络，在计算机视觉和影像处理方面的巨大潜能也被医学界所注意，一些利用卷积神经网络处理临床影像数据，从而实现计算机辅助诊断的研究也逐渐开展，并且取得了相当积极的效果。通过在临床专家标注的大规模的医学影像数据集进行训练，深度卷积神经网络能够拟合人类最优秀专家的诊断经验，从而在多个临床领域的图像识别工作取得了接近或者超越人类专家的表现。例如，斯坦福大学的联合研究团队通过深度卷积神经网络，用近13万张痣、皮疹和其他皮肤病变的图像训练机器识别其中的皮肤癌症状，准确率高达91%，达到了人类医生的诊断水平。加州大学圣地亚哥分校的研发团队通过20万张视网膜光学相干断层扫描技术图像，基于深度卷积神经网络和迁移学习技术，在诊断年龄相关性黄斑变性和糖尿病性黄斑水肿等疾病方面，准确率高达96.6%，敏感性和特异性都超过了97%。在其他一些临床应用，例如乳腺癌X射线诊断，肺小结节的CT诊断，病理图像的识别等方面，人工智能技术都取得了可媲美人类专家的诊断准确率。

发明内容