目的:基于深度卷积神经网络(Deep convolutional neural network,DCNN)研发一个辅助诊断早期胃癌的人工智能(Artificial intelligence,AI)系统,评估该系统的诊断效能,以及其是否能提高内窥镜医生诊断早期胃癌的能力。材料和方法:本研究分为三个部分。第一、回顾性收集多中心的数据,包括早期胃癌、非癌病变白光内镜下图像,经纳入排除标准,总共入选3400张早期胃癌白光内镜下图像,8600张非早期胃癌图像作为训练集,4名内窥镜医生根据病理结果及染色图像进行分类,标记;第二、对训练集图像进行数据去噪、转化、裁剪等预处理,利用Center Net进行模型的训练,随后将其开发为方便临床医生应用的软件系统。第三、系统的临床应用。对于系统的临床验证我们分为以下几个方面进行:(1)DCNN模型在内部验证集和外部验证集中的诊断效能;(2)DCNN模型和来自县级、市级、省级医院的不同年资的内窥镜医生进行诊断效能的对比;(3)DCNN模Cobimetinib小鼠型辅助前后内窥镜医生诊断效能的对比;(4)DCNN模型和内窥镜医生对于病灶的检出定位能力;(5)模型和内窥镜医生对良性病灶的诊断能力。验证集数据来自多中心,独立于训练集,12名内窥镜医生分别来自县级,市级,省级医院的内窥镜中心,分为高年资组和低年资组。在所有验证集的子数据集中,包括早期胃癌图像与非早期胃癌图像、视频。每次进行诊断前,所有的图像或视频均进行了随机排列,12名内窥镜医生未参与图像的收集及标注。验证过程中,让DCNN模型及内窥镜医生进行独立阅片,记录结果及时间。试验使用准确性、敏感性、特异性、阳性预测值(Positive predictive value,PPV)、阴性预测值(Negative predictive value,NPV)、受试者工作特征曲线下面积(Area under curve,AUC)、诊断一致性Cohen’s Kappa指数以及诊断时间https://www.selleck.cn/products/VX-765.html来评价诊断的效能。分析了DCNN模型和内窥镜医生产生假阳性及假阴性的原因;所有的数据使用SPSS26(SPSS Inc.,Chicago,IL,USA)和Graph Pad 9.4.1(Graph Pad Software Inc.,San Diego,CA,USA)进行数据处理和作图。结果Conus medullaris:第一阶段:收集1475例患者43120张内镜图片,经过纳入排除标准(标准一和标准二),总共纳入了早期胃…