基于深度学习的高分辨率食管测压图谱中食管收缩活力分类

高分辨率食管测压技术(HRM)作为检测食管动力障碍性疾病(EMD)的金标准,已广泛应用于临床试验以辅助医生进行诊断治疗.随着患病率的上升,HRM图像的数据量爆炸式增长,加之EMD的诊断流程较为复杂,临床上EMD误诊事件时有发生.为了提高EMD诊断的准确性,希望搭建一个计算机辅助诊断(Computer Aided Diagnosis,CAD)系统帮助医生对HRM图像进行自动分析.由于食管收缩活力的异常是诊断EMD的重要依据,该文提出了一个深度学习模型(PoS-ClasNet)以完成对HRM图像的食管收缩活力分类任务,为今后机器代替人工诊断EMD奠定基础.PoS-ClasNet作为一个多任务卷积神经网络(CNN)由PoSNet和S-ClasNet构成.前者用于HRM图像中吞咽框的检测和提取任务,后者根据食管吞咽特征鉴别收缩活力类型.实验使用了4000幅专家标记的HRM图像,用于训练、验证和测试的图像分别占比为70％,20％和10％.在测试集上,食管收缩活力分类器PoS-ClasNet的分类准确率高达93.25％,精度和召回率分别为93.39％和93.60％.结果表明PoS-ClasNet能较好地适应HRM图像数据的特性,在智能诊断食管收缩活力的任务中表现出了不俗的准确性和稳健性.将它应用在临床上辅助医生诊疗,会带来巨大的社会效益.