人工智能在辅助检测早期食管癌中的应用进展

表1 人工智能在检测早期食管癌中的应用

研究者, 年份	模型/算法	训练集(图像/例数)	验证集(图像/例数)	结果(敏感性/特异性)
Shin, 2015[10]	线性2分类算法	208(30早期ESCC/178正常)	167(19早期ESCC/148正常)	84%/95%
Quang, 2016[11]	线性2分类算法	104(15早期 ESCC/89正常)	3(1早期ESCC/2正常)	95%/91%
Cai, 2019[14]	CNN	2428(1332早期 ESCC/1096正常)	187(91早期 ESCC/96正常)	97.8%/85.4%
Zhao, 2019[16]	双重标记全卷积神经网络算法	1383 (207 A型 IPCL/970 B1型 IPCL/206 B2型 IPCL)	1383(207 A型 IPCL/970 B1型IPCL/206 B2型IPCL)	敏感性71.5%/91.1%/83.0%
Everson, 2019[17]	CNN	7046序列图像(鳞状细胞)	7046序列图像(鳞状细胞)	89.7%/ 96.9%
Nakagawa, 2019[20]	CNN	8660非放大(7230 SM1/1430 SM2/3); 5678 放大(4916 SM1/762 SM2/3)	914(405非放大/509放大)	非放大95.4%/79.2%;放大91.6%/ 79.2%
Ohmori, 2020[15]	单次激发多框预测算法	22562(17435早期ESCC/5127正常)	727 (255 白光/268; 非放大NBI/204; 放大NBI)	白光90%/76%; 非放大NBI 100%/63%; 放大NBI 98%/56%
Tokai, 2020[21]	CNN	1751 早期ESCC	291 (201 SM1/90 SM2)	84.1%/ 73.3%
van der Sommen, 2016[24]	SVM	100 (60 早期BE /40 BE)	100 (60 早期BE /40 BE)	83%/ 83%
Swager, 2017[25]	SVM	60 (30 早期BE /30 BE)	60 (30 早期BE /30 BE)	90%/ 93%
Ebigbo, 2019[30]	CNN	100 (50 早期BE/50 BE)	100 (50 早期BE/50 BE)	92%/ 100%
Ebigbo, 2019[30]	CNN	148 (早期 BE /BE)	148 (早期BE /BE)	白光97%/ 88%; NBI 94%/ 80%
de Groof, 2020[36]	ResNet-UNet	1247 白光+ 297高分辨白光 (早期BE/BE)	80 (40 早期BE/40 BE)	90%/ 88%

ESCC: 食管鳞状细胞癌; CNN: 卷积神经网络; NBI: 窄带成像; IPCL: 上皮内乳头状毛细血管袢; SVM: 支持向量机; BE: Barrett's食管.