Assessing deep learning models for multi-class upper endoscopic disease segmentation: A comprehensive comparative study

doi:10.3748/wjg.v31.i41.111184

Assessing deep learning models for multi-class upper endoscopic disease segmentation: A comprehensive comparative study

2025-11-07

0

PRE

AI

DOI：10.3748/wjg.v31.i41.111184

原文链接

原文求助

摘要

En 中文

背景：上消化道（UGI）疾病在内镜检查中存在诊断挑战，因其视觉相似性、边界不清晰和观察者变异性，可能导致漏诊和延误治疗。基于深度学习（DL）模型的自动分割技术有望辅助内镜医师，提高诊断准确性并降低工作负担。然而，多类上消化道疾病分割研究尚不充分，标注数据集有限，临床验证关注不足。本研究假设不同DL架构的对比分析可识别适用于临床应用的模型，为减少诊断错误和支持内镜实践中的临床决策提供可行见解。目的：评估17种前沿DL模型在多类上消化道疾病分割中的表现，重点强调临床转化和实际应用性。方法：本研究评估了涵盖卷积神经网络（CNN）、Transformer及Mamba架构的17种DL模型，使用来自澳门和襄阳两家医院的自行采集数据集（3313张图像，9类）和公开的EDD2020数据集（386张图像，5类）。模型根据分割性能及性能-效率权衡进行评估。统计分析用于检验不同架构间的性能差异。泛化能力通过跨数据集评估测量（在自行采集数据集上训练，EDD2020数据集上测试）。结果：Swin-UMamba在两个数据集上均达到最高分割性能[交并比（IoU）：自行采集数据集89.06%±0.20%，EDD2020 77.53%±0.32%]，其后为SegFormer（IoU：自行采集数据集88.94%±0.38%，EDD2020 77.20%±0.98%）和ConvNeXt + UPerNet（IoU：自行采集数据集88.48%±0.09%，EDD2020 76.90%±0.61%）。统计分析显示各范式间无显著差异，但带预训练编码器的层级架构持续优于简单设计。SegFormer在准确性与计算效率间取得最佳平衡，性能-效率权衡得分为92.02%，适合实时临床应用。跨数据集评估显示性能显著下降，泛化保留率为64.78%至71.52%。Transformer架构模型（尤其是金字塔视觉Transformer v2 + 高效多尺度卷积解码，IoU 63.35%±1.44%）泛化能力优于CNN和Mamba架构模型。结论：Swin-UMamba和SegFormer等层级架构在多类上消化道疾病分割中展现出应用前景，可减少漏诊并优化工作流程，但需通过稳健的临床验证方可实际部署。

Keyword:

Deep learning

Upper endoscopy

Medical imaging

Gastrointestinal diseases

Disease segmentation

Assessing deep learning models for multi-class upper endoscopic disease segmentation: A comprehensive comparative study

摘要

期刊

机构

引用论文