Toward Risk-Aware Clinical Decision Support in Gastrointestinal Endoscopy: A Tunable Asymmetric Loss with Uncertainty-Guided Referral
本研究提出了一种用于胃肠内窥镜检查的风险感知深度学习框架，该框架利用可调不对称损失函数、不确定性引导的转诊策略以及轻量化架构，在实现高性能四分类风险分层的同时，通过提升高风险和癌前病变的优先级来优先保障安全性。
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
在人体内部，消化道是一条长而弯曲的管道，医生使用一种被称为内窥镜的柔性摄像头对其进行检查。这种被称为内窥镜检查的过程，让医生能够直接观察胃肠道的内壁。它是早期发现问题（如炎症或可能演变成癌症的增生物）的重要工具。然而，人类的眼睛可能会错过细微的迹象，尤其是在医生一天要查看数百张图像时，或者当病变非常微小且模糊时。为了提供帮助，科学家们一直在开发能够观察这些图像并识别异常情况的计算机程序。多年来，这些程序主要被训练来回答一个简单的“是或否”的问题：这里是否存在问题，还是说一切正常？虽然这很有用，但这种二元化的方法并不能捕捉到患者护理的全貌，因为发现问题的紧迫程度可能从轻微刺激到危及生命的情况都有很大差异。
一项来自多所大学研究人员的新研究试图超越这种简单的“是或否”的方法。该团队不再仅仅询问是否存在病变，而是训练人工智能将内窥镜图像分为四个不同的风险等级。他们为正常组织、轻度炎症、癌前病变以及需要立即处理的高风险病变创建了类别。为了教会计算机理解这些差异，研究人员不仅向它展示图片，还教导它某些错误比其他错误要危险得多。他们构建了一个系统，如果漏掉一个高风险病例，即使这意味着偶尔会将无害的图像标记出来以供额外审查，该系统也会对计算机进行严厉惩罚。这种他们称之为“风险感知”的方法，旨在使计算机成为医生更安全的伙伴，将患者安全置于完美准确性之上。
研究人员使用来自名为 HyperKvasir 的公共数据库的大量真实内窥镜图像对他们的系统进行了测试。他们根据主要医学协会的指南，将数千张此类图像组织成四个风险组。为了观察哪种“计算机大脑”效果最好，他们比较了三种轻量级模型。这些模型旨在实现高效，使用的可调节参数少于八百万个，这使得它们比庞大的系统更快，对计算机硬件的要求也更低。其中一个模型通过观察图像的小块区域进行学习，另一个通过连接特征层进行学习，第三个则通过同时分析整幅图像进行学习。团队利用一种特殊的评分方法训练这些模型来识别四个风险等级，使计算机更加关注最危险的类别。
当团队测试结果时，他们发现该系统可以成功区分不同的风险等级。表现最好的模型正确识别了约 84% 的测试图像中的风险类别。更重要的是，该系统在捕捉最危险病例方面表现得异常出色。在针对其内部数据集的测试中，该模型没有将任何真实的“高风险图像”预测为“正常”或“低风险”；每一个高风险病例要么被正确识别，要么被标记出来交由医生复审。这种安全网是通过一条特定规则实现的：如果计算机认为一张图像是癌前病变或高风险，无论它对自己的答案有多自信，都会自动将其发送给人类医生进行二次查看。这条规则意味着，在他们的测试集中，大约 43% 的图像可以被自动判定为安全，而其余的则会被升级为人工审查。
研究还观察了这些计算机模型在处理从未见过的、来自不同医院且使用不同设备的图像时表现如何。当在这一新图像集上进行测试时，模型的整体准确率有所下降，这是医疗人工智能面临的一个常见挑战。然而，即便存在这种性能下降，该系统在识别高风险病例方面仍然非常出色，在最危险的一类中保持了超过 0.97 的 AUC 值。这表明，虽然模型在处理不同类型的组织细节时可能会遇到困难，但它们已经学会了识别特定关键病变的视觉特征，并足以将这种知识迁移到新环境中。研究人员还使用了一种技术来展示计算机正在关注图像的哪些部分。热图显示，模型关注的是实际的组织模式和病变，而不是屏幕上的随机部分，这增强了医生对系统决策的信心。
尽管取得了这些令人鼓舞的结果，作者也谨慎地指出，这目前仍是一个模拟过程，而非成熟的医疗产品。该研究完全是在计算机上使用现有数据进行的，没有任何真实的患者或医生与系统进行实时交互。研究人员强调，他们提出的四级风险系统是现实医学的一种简化版本，旨在测试一个特定的想法，而不是取代医生的诊断。他们发现，虽然该系统在特定的测试集中捕捉最危险病例的能力很强，但这仅针对该特定数据集，并不保证在临床实践中能达到同样的效果。他们还发现，该系统有时在处理显示轻度炎症的图像时会遇到困难，因为这类图像看起来与正常组织非常相似。这种困难凸显出计算机仍然需要人类的指导，特别是在健康与危险之间的中间地带。
这项工作证明，构建一个能够理解轻微问题与医疗紧急情况之间区别的人工智能系统是可能的。通过教导计算机重视安全性而非单纯的准确性，研究人员创造了一个潜在的工具，可以通过自动清除安全案例来减轻医生的工作量，同时确保每一个潜在的危险都能得到人类的二次查看。研究结论认为，虽然这项技术展现出了巨大的潜力，但在它可以被信任用于辅助实际医疗程序之前，还需要在拥有多样化患者和设备的真实医院中进行更多的测试。未来的路径包括完善这些模型、在不同医院进行测试，并确保它们在成为医疗护理的标准组成部分之前，能够应对人类生物学复杂多变的现实。
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。