Development and Validation of SERRATE: A Deep Learning-Based Tool for Diagnosis of Sessile Serrated Lesions in Colonoscopy Images
本研究提出了 SERRATE，这是一种基于深度学习的工具，利用在白光成像和窄带成像平衡数据集上训练的 Swin Transformer 模型，展示了在区分无蒂锯齿状病变与其他息肉类型方面具有临床相关性的准确度，旨在改善结直肠癌的预防。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你的身体是一个广阔而蜿蜒的花园，一位隐形的园丁偶尔会在其中种下细小、狡猾的种子。这些种子中的大多数会长成无害的杂草，但也有一些是“潜伏特工”——它们起初看起来很无害，但最终可能演变成危险且具有侵略性的藤蔓，从而扼杀整个花园。在医学世界中，这个花园就是结肠，而那些狡猾的种子被称为息肉。虽然医生们早已擅长发现那些明显的、丑陋的杂草（被称为常规腺瘤），但有一种被称为“锯齿状增生性病变”（SSL）的特定类型“潜伏特工”，极其难以被发现。这些 SSL 比较扁平，与周围组织融为一体，看起来往往与无害的增生性息肉完全一样。由于它们如此难以辨别，医生有时会漏掉它们，或者误以为它们是无害的生长物，从而留下这些“潜伏特工”在日后制造麻烦。
为了解决这个问题，科学家们正在利用人工智能（AI）为医生打造“智能眼镜”。把 AI 想象成一名观察力超群的学徒，它已经看过数百万张息肉的照片，从而学会了如何区分无害的杂草和危险的“潜伏特工”。然而，直到现在，大多数这类数字学徒主要是在明显的杂草上接受训练，没有得到足够多的关于棘手 SSL 的练习，导致它们容易犯错。这项新研究介绍了一位全新的、经过专门训练的学徒——SERRATE，旨在专门识别这些难以捉摸的 SSL，以免它们造成伤害。
由北京协和医院和马萨诸塞大学洛威尔分校研究人员领导的 SERRATE 团队，决定采用一种非常公平且平衡的方法来构建他们的 AI 模型。他们并没有仅仅向计算机喂食成千上万个易于识别的息肉，而是仔细收集了一个包含三种类型等量混合的图像“教室”：危险的 SSL、常见的腺瘤以及无害的增生性息肉。他们使用了一种复杂的 AI 架构，称为 Swin Transformer，它就像一个侦探，不仅观察图片的中心，还会密切关注周围的环境。
研究人员测试了观察息肉的两种不同方式：标准白光（就像普通的闪光灯）和窄带成像（NBI，使用特殊的彩色光来突出血管和表面模式）。他们还实验了 AI 能看到多少“上下文”信息。AI 不仅仅是紧凑地裁剪息肉图像，而是让 AI 看到息肉以及周围一小部分健康的组织（即病变大小的 1.5 倍或 2 倍）。
结果令人振奋。当 SERRATE 模型在来自同一家医院的新图像（一项前瞻性内部验证）上进行测试时，它表现得非常敏锐。通过使用特殊的 NBI 光和“2倍上下文”视图，该模型在正确识别息肉方面的准确率达到了 82.42%。在分辨 SSL、腺瘤和增生性息肉的三方竞赛中，该模型的正确率达到了 73.44%。更重要的是，当目标仅仅是区分“危险”息肉（SSL 和腺瘤）与“安全”息肉（增生性息肉）时，该模型的准确率达到了 91.07%。
然而，这个故事目前还不是一个完美的童话。当研究人员在完全不同的图像集（来自荷兰医院的外部数据集 POLAR）上测试同一个模型时，其表现有所下降。在三分类任务中，准确率降至 69.46%。这表明，虽然该模型在其“母校教室”里是个才华横溢的学生，但当光照、相机或环境发生变化时，它仍然会感到有些困惑。作者认为，这可能是因为不同医院使用不同的设备，产生了一种 AI 尚未完全学会处理的“领域偏移（domain shift）”。
尽管存在这一障碍，研究仍表明，给 AI 更宽广的视野——即同时看到息肉及其邻居——有助于它做出更好的判断。该模型还显示出它能自信地识别息肉的位置，在 100% 的案例中都定位了位置，并且其中 92% 的预测都具有高置信度。研究人员总结道，SERRATE 是向前迈出的重要一步，它提供了一个可以帮助医生更频繁捕捉到那些棘手“潜伏特工”的工具。不过，他们也谨慎地指出，这并不是一个取代医生的魔杖；相反，它是一个强大的助手，需要更多的训练才能在世界各地的医院里完美运行。该团队目前正计划进一步的研究，以观察这个工具在实际结肠镜检查过程中的实时表现，希望将这个数字学徒转变为对抗结直肠癌的可靠伙伴。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。