Класифікація зображень із застосуванням оптико-цифрових методів покращення якості зображень та глибокого навчання при проведені ендоскопічних досліджень

Abstract

Захворювання шлунково-кишкового тракту (ШКТ) залишаються однією з найактуальніших проблем сучасної медицини, а вплив зовнішніх факторів на життя людини погіршує ситуацію зі здоров’ям. Стрімкий розвиток штучного інтелекту та комп’ютерного зору спрямований на вдосконалення наявних способів виявлення захворювань шляхом аналізу біомедичних зображень. Представлена робота узагальнює останні наукові напрацювання в галузі ендоскопії з використанням машинного навчання у поєднанні з цифровими та оптико-цифровими методами покращення зображень. В роботі проаналізовані джерела, у яких оцінювалося застосування білого світла WLI та режимів покращення візуалізації, як NBI, BLI, i-Scan, FICE. Також було проведено класифікацію підгрупи методів ендоскопічного покращення зображення та описано рекомендації щодо їх застосування відповідно до відділу ШКТ. Крім того, було проведено опис використання методів ендоскопії з покращеним зображенням та комбінації цих методів з комп’ютерним зором для збільшення параметрів точності, специфічності та чутливості за результатами отриманих даних у ході дослідження шлунково кишкового тракту. У середньому чутливість підвищується на 17%, а специфічність — на 39% у порівнянні з результатами недосвідчених лікарів. Досліджено тенденцію розвитку нових архітектурних підходів до використання оптико-цифрових та цифрових методів у машинному навчанні та порівняння метрик якості, специфічності і точності між ШІ системою та лікарями ендоскопістами. Проведений аналіз поточного стану застосування методів разом із машинним навчанням та розглянуті перспективи розвитку машинного навчання для автоматизованих систем комп’ютерної діагностики. Були визначені проблеми падіння показників класифікації, визначені причини та надані рекомендації щодо покращення метрик специфічності, чутливості і точності. Автоматизовані системи комп’ютерної діагностики розглядаються як ефективний інструмент підтримки молодих лікарів при визначенні патології, які покликані зменшити час обстеження пацієнта та допомогти уникати пропусків важливих ділянок, що потребують особливої уваги

Gastrointestinal tract (GIT) diseases remain among the most pressing challenges in modern medicine, with external environmental factors affecting human health negatively. The rapid development of artificial intelligence and computer vision is aimed at improving existing methods for disease detection through the analysis of biomedical images. This study summarizes recent scientific advances in endoscopy that integrate machine learning with both digital and opto-digital image enhancement technologies. The paper reviews sources evaluating the use of white light imaging (WLI) and various enhancement modes such as NBI, BLI, i-Scan, and FICE. A classification of endoscopic image enhancement methods is provided, along with recommendations for their application based on anatomical regions of the GIT. In addition, the study presents an overview of the use of enhanced endoscopic imaging and its combination with computer vision for increasing diagnostic parameters such as accuracy, specificity, and sensitivity based on data obtained during gastrointestinal examinations. On average, sensitivity increased by 17%, and specificity by 39% compared to results novice endoscopists. The study also explores the trend of developing new architectural approaches for integrating opto-digital and digital methods into machine learning, as well as a comparison of diagnostic quality between AI systems and human endoscopists. An analysis of the current state of such technologies is presented, along with prospects for the development of machine learning in automated computer-aided diagnosis (CAD) systems. Challenges related to classification accuracy degradation are identified, their causes analyzed, and recommendations for performance improvement are provided. Automated CAD systems are viewed as an effective support tool for young physicians in pathology detection, helping to reduce examination time and minimize the risk of missing critical areas that require focused attention.