基于深度学习的肠缺血定量诊断

肠道缺血是一种潜在的致命疾病，由血液流向肠道的减少或阻塞引起。它与许多严重的胃肠道疾病有关，可能会产生长期和致命的影响。如果不及时治疗，它会迅速发展为不可逆的肠坏死，进而导致致命的代谢紊乱和末端器官功能障碍。因此，及时的手术治疗这种情况是至关重要的。

由于缺乏可靠的标记物，目前术中对肠道灌注(流向肠道的血液)的评估是基于人类外科医生的主观评估。这就为出现严重的长期健康后果的错误敞开了大门。因此，定量和客观的评估肠道灌注是必要的。

现在，一个国际研究小组已经解决了这个问题。最近的一项研究发表在医学影像杂志，研究人员开发了一种深度学习模型基于条件生成对抗网络(cGAN)，并将其用于分析激光散斑对比成像(LSCI)与可见光摄像机相结合的数据，以识别异常组织灌注区域。

“我们的愿景平台是围绕双模态工作台构建的成像系统红-绿-蓝(RGB)和无染料LSCI通道。我们使用临床前模型收集正常/异常微血管灌注的肠系膜血管结构数据，创建对照组/实验组。然后，我们用正常数据集训练我们的模型，并使用异常数据进行测试，”谢赫扎耶德外科创新研究所副教授兼首席研究员Jaepyeong Cha解释道。

cGAN通过监测潜在特征空间的错误重建来检测缺血肠区，潜在特征空间是一个将相似的物体放置在彼此靠近的嵌入空间。cGAN的主要优点是它是无监督的，这意味着它不需要任何预先手动标记数据来检测模式。Cha强调说:“事实上，与传统的定性LSCI技术相比，它为不同程度的缺血提供了明确的分割结果。”

研究人员使用2560张RGB/LSCI图像对，证明他们的模型可以准确地分割出缺血肠道图像，准确率超过93%，优于目前的主观方法。使用多重和独立的估计来标记图像，将外科医生的注释与血管图像可疑区域的“最快梯度下降”优化算法结合起来。对于256 × 256的图像，深度学习方法的总处理时间仅为0.01秒。总体而言，该模型在肠缺血的像素概率分布方面优于原始LSCI图像。

提出的模型提供了肠灌注的像素和定量分析，使其可靠和优于标准程序，并有望获得更好的手术结果。Cha说:“通过提高术中诊断的准确性，它有可能帮助外科医生改善肠系膜缺血和其他胃肠手术的临床结果。”“通过结合cGAN的计算机辅助检测平台，他们将能够从彩色RGB图像中预测健康组织的灌注模式，并识别出有风险的缺血区域。”