摘要
背景：对溃疡性结肠炎（UC）内镜活动性的评估对于治疗决策和疾病进展监测至关重要。然而，评分过程中存在显著的观察者间和观察者内差异，严重影响了评估的准确性。本研究旨在开发一种基于深度学习的计算机辅助诊断系统，以降低主观性，提高评估的可靠性。方法：研究纳入564例接受结肠镜检查的UC患者，共包含11,276张内镜图像。我们提出一种基于回归的深度学习方法，用于根据Mayo内镜评分（MES）对UC进行内镜评估。选用五种先进的卷积神经网络（CNN）架构进行性能测试与比较。采用十折交叉验证方法训练模型，并对其进行客观评估。模型性能通过二次加权kappa系数和宏平均F1分数评估完整Mayo评分分类效果，通过kappa统计量和F1分数评估缓解状态分类表现。结果：研究中使用的五种基于分类的CNN模型在所有Mayo子评分及缓解状态分类方面，与专家标注结果在kappa统计量上均表现出优异的一致性。当采用所提出的基于回归的方法时，（1）大多数模型的性能显著提升；（2）在不同交叉验证折次上训练的同一模型，在测试集上的表现具有更小的折间偏差，显示出更强的稳定性与鲁棒性。结论：综合实验评估表明，当前常用的基于分类的CNN架构在评估UC内镜疾病活动性方面已具备良好性能。将领域知识融入这些架构可进一步提升其性能与鲁棒性，加速其向临床实践的转化应用。