一种基于人工智能的消化内镜检查质量自动评估方法和系统与流程

本发明属于医疗技术辅助领域，具体涉及一种基于人工智能的消化内镜检查质量自动评估方法。

背景技术：

内镜检查是发现胃肠癌最常用的有力工具，改革开放以来，我国消化内镜行业迅速发展。然而，在技术蓬勃发展的背后，一些医疗质量和安全隐患也现实存在。不同内镜医师的水平参差不齐，检查质量难以完全保证。为了提高我国消化内镜检查质量，国家卫健委和消化内镜各领域专家们付出了大量的努力。目前使用的质控措施包括专家组抽查、人工调研和医院自行上报等存在一定的弊端，无法实现消化内镜质量的全面评估，数据准确性难以完全保证。此外，依靠质量控制中心成员和消化专家走访各级医疗机构做人工调查，耗时又耗力，且突击检查无法客观反映医疗机构日常的诊疗水平。

近年来科技迅猛发展，人工智能成功用于监控驾驶员行为，分析驾驶员的策略和状态，并在发生风险时实时反馈和发出警报。在食品行业，人工智能已成功应用于食品质量监测预警系统，然而，尚无利用人工智能监控消化内镜检查质量的应用研究。基于此，我们拟发明一种基于人工智能的消化内镜检查质量自动评估方法，准确、全面、快速的评估医疗机构的胃肠镜检查质量，为提高消化内镜质量提供切实可行的督导依据。

技术实现要素：

本发明要解决的技术问题是：提供一种智能高效的消化内镜评估工具，建立科学严谨的人工智能评估体系。

本发明为解决上述技术问题所采取的技术方案为：一种基于人工智能的消化内镜检查质量评估系统，包括：

医学影像报告系统：医生手动录入病人信息，并通过胃肠镜设备采集内镜图像，记录相应的操作时间；

基于大数据的预训练模型：收集大量的内镜图像，由专业内镜医师根据解剖学部位和病灶特征对图像进行分类标注，构建预处理图像集，通过基于参数/特征的迁移学习，使用预处理图像集训练深度卷积神经网络模型，得到可自动辨认消化道部位和病灶的预训练模型；

质控数据统计软件：基于内镜操作质量控制指标的计算公式，使用来自医学影像报告系统的文字资料和来自预训练模型对于图片的预测结果，自动计算内镜操作的多项质量控制指标；

其中，所述质量控制指标包括，胃镜检查时间，胃镜检查盲区率，肠镜盲肠插管率，肠镜退镜时间，结直肠息肉检出率，结直肠腺瘤检出率，肠道准备成功率，消化道早癌发现率；

用户：包括医生和管理者，用来查看质控数据统计软件输出的统计结果。

进一步的，胃镜检查时间的具体定义为：从内窥镜插管到拔管的时间，计算公式为：胃镜检查时间＝胃镜结束时间-胃镜开始时间-进行活检或治疗的时间。

进一步的，胃镜检查盲区率的具体定义为：胃镜未检查到的部位占胃镜26部位的比率，计算公式为：胃镜检查盲区率＝1-被观察到的胃镜下部位数/胃镜下部位总数×100％。

进一步的，肠镜盲肠插管率的具体定义为：肠镜检查盲肠插管成功例数占同期肠镜检查总数的比例，计算公式为：肠镜盲肠插管率＝肠镜检查盲肠插管成功例数/同期肠镜检查总数×100％。

进一步的，肠镜退镜时间的具体定义为：结肠镜检查过程中，从进镜到达盲肠开始到退镜至直肠之间的实际时间，不包括对息肉进行活检等额外操作的时间，即阴性结肠镜退镜时间，计算公式为：肠镜退镜时间＝从盲肠退镜至直肠的时间-发现腺瘤/对息肉进行活检或治疗的时间。

进一步的，结直肠息肉检出率的具体定义为：肠镜检查中至少检出一枚结直肠息肉的患者数占同期结肠镜检查总数的比例，计算公式为：结直肠息肉检出率＝结肠镜检查出息肉病例数/同期所有结肠镜检查总数×100％。

进一步的，结直肠腺瘤检出率的具体定义为：肠镜检查中至少检出一枚结直肠腺瘤的患者数占同期结肠镜检查总数的比例，计算公式为：结直肠腺瘤检出率＝结肠镜检查出腺瘤病例数/同期所有结肠镜检查总数×100％。

进一步的，肠道准备成功率的具体定义为：肠腔内有少量或者无粪渣且不影响肠镜观察的患者数占同期结肠镜检查总数的比例，计算公式为：肠道准备成功率＝1-肠腔内包含不合格图像的案例数量/同期结肠镜检查总数×100％。

进一步的，消化道早癌发现率的具体定义为：胃肠镜检查发现早期食管癌、胃癌或结直肠癌的患者数分别占同期食管癌、胃癌或结直肠癌患者数的比例，计算公式为：消化道早癌发现率＝胃肠镜检查发现早癌的患者数/同期早癌和中晚期癌患者总数×100％。

本发明还提供一种基于人工智能的消化内镜检查质量自动评估的方法，包括如下步骤：

s1，医生手动录入病人信息、采集内镜图像，通过影像报告系统自动记录病人信息、被采集的图片和相应的操作时间；

s2，通过数据交换协议获取病人信息、被采集的图片和相应的操作时间，其中文字资料输入质控数据统计软件，图片资料输入深度卷积神经网络模型；

s3，深度卷积神经网络模型接收胃肠镜图像，对图像进行部位特征和病灶特征识别，将预测结果输入质控数据统计软件；

s4，质控数据统计软件根据内镜操作质量控制指标的计算公式，使用来自医学影像报告系统的文字资料和来自预训练模型对于图片的预测结果，自动计算内镜操作的多项质量控制指标；

其中，所述质量控制指标包括，胃镜检查时间，胃镜检查盲区率，肠镜盲肠插管率，肠镜退镜时间，结直肠息肉检出率，结直肠腺瘤检出率，肠道准备成功率，消化道早癌发现率；

s5，质控数据统计软件通过图表等形式将统计结果输出，医生和管理者可自行查看统计结果。

本发明的有益效果为：通过本发明对消化内镜诊疗机构检查质量进行评估并在进行显示，一方面客观直接的将医师当前的操作水平定量化表达，激励内镜医师互相学习，不断提高操作水平。另一方面也可以让上级医疗管理平台全面准确地获取管辖内的消化内镜诊疗机构的质量报表，及时做好质量控制。

附图说明

图1为本发明的系统结构图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步说明。

如图1所示，本发明开发的一种基于人工智能的消化内镜检查质量评估系统，它包括：

医学影像报告系统：医生手动录入病人信息，并通过胃肠镜设备采集内镜图像。医院的医学影像报告系统可以自动记录病人信息、被采集的图片和相应的操作时间。

基于大数据的预训练模型：收集大量的内镜图像，由专业内镜医师根据解剖学部位和病灶特征对图像进行分类标注，构建预处理图像集。通过基于参数/特征的迁移学习，使用预处理图像集训练模型(一般采用深度学习中的深度卷积神经网络模型)，得到可自动辨认消化道部位和病灶的预训练模型。

质控数据统计软件：基于内镜操作质量控制指标的计算公式，使用来自医学影像报告系统的文字资料和来自预训练模型对于图片的预测结果，自动计算内镜操作的多项质量控制指标。

用户：包括医生和管理者，用户可以查看质控数据统计软件输出的统计结果。

本发明还提供一种基于人工智能的消化内镜检查质量自动评估的方法，包括以下步骤：

s1.医生手动录入病人信息、采集内镜图像。医院的影像报告系统自动记录病人信息、被采集的图片和相应的操作时间；

s2.通过数据交换协议获取病人信息、被采集的图片和相应的操作时间，其中文字资料输入质控数据统计软件，图片资料输入基于大数据的预训练模型；

s3.预训练模型接收胃肠镜图像，对图像进行部位特征和病灶特征识别，将预测结果输入质控数据统计软件；

s4.质控数据统计软件根据内镜操作质量控制指标的计算公式，使用来自医学影像报告系统的文字资料和来自预训练模型对于图片的预测结果，自动计算内镜操作的多项质量控制指标。

所统计的多项质量控制指标包括但不限于：胃镜检查时间，胃镜检查盲区率，肠镜盲肠插管率，肠镜退镜时间，结直肠息肉检出率，结直肠腺瘤检出率，肠道准备成功率，消化道早癌发现率；

s5.质控数据统计软件通过图表等形式将统计结果输出，医生和管理者可自行查看统计结果。

其中胃镜检查时间，胃镜检查盲区率，肠镜盲肠插管率，肠镜退镜时间，结直肠息肉检出率，结直肠腺瘤检出率，肠道准备成功率，消化道早癌发现率的具体定义、计算公式以及实现步骤和质控数据统计软件中的具体实现方式相同。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。