手工提取的視覺特征與深度特征的融合模型用于消化性潰瘍再出血風險分級

摘要：目的 提出一種基于電子內(nèi)鏡圖像的多特征融合模型，結(jié)合深度學習與手工特征的優(yōu)勢，用于消化性潰瘍再出血風險的分級。方法 根據(jù)潰瘍的內(nèi)鏡表現(xiàn)，提取顏色特征以區(qū)分活動性出血（Forrest I）與非出血潰瘍（Forrest II、III），并利用邊緣和紋理特征描述不同級別潰瘍的形態(tài)與外觀。通過融合深度學習網(wǎng)絡(luò)提取的深度特征與手工提取的視覺特征，形成電子內(nèi)鏡圖像的多特征表達，最終用于預測消化性潰瘍的再出血風險。結(jié)果 在包含708例患者、3573張圖像的Forrest分級數(shù)據(jù)集上，提出的多特征融合模型在消化性潰瘍再出血風險六分級任務中取得了74.94%的準確率，優(yōu)于進修醫(yī)生59.9%的分級準確性（Plt;0.05）。在Ib、IIa和III級潰瘍的識別中，F(xiàn)1得分為90.16%、75.44%和77.13%，其中Ib級表現(xiàn)尤為突出。與首個進行潰瘍再出血分級研究的模型相比，提出模型的F1得分提升了5.8%。在簡化的3類風險分級任務中，模型在高風險、低風險和無需內(nèi)鏡治療級別上的F1 得分為93.74%、81.30%和73.59%。結(jié)論 本文提出的多特征融合模型有效融合卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取的深度特征與手工提取的視覺特征，提升了消化性潰瘍再出血風險分級的準確性，為臨床提供了高效的診斷輔助工具。

關(guān)鍵詞：電子內(nèi)鏡圖像；多特征融合；消化性潰瘍；Forrest 再出血風險分級

出血是消化性潰瘍常見的并發(fā)癥［1］，其發(fā)病率占急性上消化道出血的40%～60%，且死亡率維持在5%～10%［2-4］。及時準確地評估消化性潰瘍的再出血風險并制定最佳治療方案，以降低再出血率和病死率，是內(nèi)鏡醫(yī)生面臨的重要課題［5］。……