2021
Asistenční systém pro detekci polypů v reálném čase na bázi konvoluční neuronové sítě
KVAK, Daniel a Karolína KVAKOVÁZákladní údaje
Originální název
Asistenční systém pro detekci polypů v reálném čase na bázi konvoluční neuronové sítě
Název anglicky
Assistance system for real-time polyp detection based on convolutional neural network
Autoři
Vydání
Gastroenterologie a Hepatologie, Praha, Česká lékařská společnost J. E. Purkyně, 2021, 1804-803X
Další údaje
Typ výsledku
Článek v odborném periodiku
Utajení
není předmětem státního či obchodního tajemství
Klíčová slova česky
detekce polypů, konvoluční neuronová síť, umělá inteligence, prostorová lokalizace
Klíčová slova anglicky
polyp detection, convolutional neural network, artificial intelligence, spatial location
Příznaky
Recenzováno
Změněno: 31. 1. 2023 16:44, Mgr. Daniel Kvak
V originále
Využití umělé inteligence jako asistenční detekční metody v endoskopii se v uplynulých letech těší zvyšujícímu se zájmu. Algoritmy strojového učení slibují zefektivnění detekce polypů, a dokonce optickou lokalizaci nálezů, to vše s minimálním zaškolením endoskopisty. Praktickým cílem této studie je analýza CAD softwaru (computer-aided diagnosis) Carebot pro detekci kolorektálních polypů s využitím konvoluční neuronové sítě. Navržený binární klasifikátor pro detekci polypů dosahuje přesnosti až 98 %, specificity 0,99 a preciznosti 0,96. Současně je diskutována nezbytnost dostupnosti rozsáhlých klinických dat pro vývoj modelů na bázi umělé inteligence pro automatickou detekci adenomů a benigních neoplastických lézí.
Anglicky
The use of artificial intelligence as an assistive detection method in endoscopy has attracted increasing interest in recent years. Machine learning algorithms promise to improve the efficiency of polyp detection and even optical localization of findings, all with minimal training of the endoscopist. The practical goal of this study is to analyse the CAD software (computer-aided diagnosis) Carebot for colorectal polyp detection using a convolutional neural network. The proposed binary classifier for polyp detection achieves accuracy of up to 98%, specificity of 0.99 and precision of 0.96. At the same time, the need for the availability of large-scale clinical data for the development of artificialintelligence- based models for the automatic detection of adenomas and benign neoplastic lesions is discussed.
Návaznosti
| MUNI/A/1102/2020, interní kód MU |
|