10、基于集成卷积神经网络的食管癌分类研究

基于集成卷积神经网络的食管癌分类研究

1. 现有研究成果概述

在食管癌诊断、分割和分类领域，已有众多研究成果。不同的模型在诊断食管癌方面展现出了各自的性能：
|研究人员|模型|诊断内容|性能指标|
| ---- | ---- | ---- | ---- |
|Ishihara 等|集成 EUS 和传统内镜图像模型|诊断 ESCC|传统内镜图像：灵敏度 50.4%，特异性 89.6%，准确率 72.9%；集成 EUS 后：灵敏度 64.3%，特异性 81.2%，准确率 74%|
|Du 等|深度学习模型|分类四种主要食管异常（PEDs、EEC、AEC、NE）|准确率 90.63%，精度 89.71%，灵敏度 89.26%，F1 分数 89.45%|
|Wang 等|基于 AI 的深度学习模型|诊断早期 EC 并分类|灵敏度 96.2%，特异性 70.4%，诊断准确率 90.9%|
|Mohammad 等|基于模糊 C 均值的方法|检测食管癌|准确率 95%|
|Yu 等|深度学习模型|诊断食管病变|准确率 96.76%|
|Zhao 等|CNN 模型（Inception V3）|分析 BE 和早期 EAC（NBI 图像）|准确率 91%，灵敏度 90%，特异性 92%|
|Karthik 等|基于 CNN 的 AI 模型（Effimix 与 EfficientNetB0）|胃肠道疾病分类|准确率 97.99%，精度 97%，F 分数 98%，灵敏度 98%|
|Chempak, Kumar 等|ResNet50 模型（迁移学习）|分类 BE 和食管炎|准确率、灵敏度和精度 94.6%，AUC 96.20%|

<