背景胃癌(gastAntigen-specific immunotherapyric cancer,GC)在全球发病率中排名第5,在死亡率中排名第4。早期胃癌(early gastric cancer,EGC)通过内镜下切除术即能达到很好的治疗效果,术后5年生存率可达95%,远远高于进展期胃癌(advanced gastric cancer,AGC)。因此,GC的早期发现、早期诊断和早期治疗是降低GC死亡率的重要措施。内镜检查是筛查GC的重要方式,白光成像(white light imaging,WLI)下的EGC黏膜变化并不明显,常导致漏诊。更先进的窄带成像(narrow band imaging,NBI)等图像增强内镜技术需要设备和有经验医生的支持。在计算机技术飞速发展的当下,人工智能(artificial intelligence,AI)在医疗领域被广泛应用,计算机视觉结合医学影像学成为重点关注方向,AI已被证明在诊断分析EGC方面具有潜力。相比于传统的机器学习,深度学习在图像特征提取上具有显著的效果。卷积神经网络(convolutional neural networks,CNN)作为深度学习的代表分支,在继承其突出检测效果的同时,也继承了其参数规模大、网络运算效率低、硬件要求高的局STM2457体内实验剂量限性。Mask R-CNN在Faster R-CNN网络框架的基础上拓展,加入Mask分支,兼顾了图像识别的准确度、精度和速度,在多领域表现了其优秀的检测性能。目的基于Mask R-CNN开发一种具有WLI和NBI双模式的内镜下自动检测EGC系统,分别在图像和视频数据集中测试Mask R-CNN系统的性能,并将Mask R-CNN的表现与内镜医生进行对比,评价其在临床应用的潜力。Colforsin溶解度方法首先从安徽医科大学第一附属医院获得7869张WLI图像和3852张NBI图像,按照一定的比例分为模型的训练集、验证集、图像测试集和医生对比测试集,并将Mask R-CNN在静态测试集上的表现与病理学金标准或医生诊断结果进行比较。另外前瞻性实时采集若干个视频并测速,直至视频测试集中有10个WLI视频和10个NBI视频包含EGC病变,用于Mask R-CNN模型的动态性能测试。诊断能力主要以准确率、敏感性、特异性、阳性预测值(positive predict value,PPV)和阴性预测值(negative predictive value,NPV)进行评估。结果Mask R-CNN诊断WLI图像中EGC的准…