技术领域
[0001] 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实时肠道清洁度评分系统和方法。
背景技术
[0002]
结肠镜检查既能够识别癌前病灶，也可以进行癌前病变的内镜下
切除。因此结肠镜检查已经成为筛查和监测结直肠
肿瘤的金标准，并且可以降低结肠癌的死亡率。有研究报道，腺瘤性息肉的
鉴别与切除，对结肠镜检查的成功与否至关重要。腺瘤检出率(ADR)作为一种评价结肠镜检查
质量的指标被广泛应用，它与间隔期
结直肠癌的发生发展密切相关。肠道准备的质量决定了
内窥镜检查显示结肠黏膜的能
力，是影响检测腺瘤及进行高质量检查的重要因素。有研究发现，高质量肠道清洁比低质量肠道清洁的腺瘤检出率高41％。
[0003] 结肠镜检查的有效性，包括其诊断癌前病变和
预防结直肠癌的能力，取决于肠道的清洁程度。不充分的肠道准备与较长的手术时间、缩短复查结肠镜时间、增加额外
费用、不良事件的数量以及35％-42％的肠道腺瘤漏诊率有关。尽管肠道准备质量很重要，但是接受结肠镜检查的病人中仍有多达25％的人准备不足。因此，在结肠镜检查中做好肠道清洁度的实时准确评分，对提示内镜医师及时做好冲洗、吸引工作十分重要；与此同时，准确分析并储存肠道清洁度评分数据，有利于对结肠镜检查高效、准确的质量控制，从而从肠道准备质量的根源上进行质量控制。
[0004] 现阶段，医院内仍然使用内镜医师人工对肠道清洁度进行评分，考虑到医院内每天进行的结肠镜检查数量很庞大，给内镜医师带来了很大的工作压力。很多内镜医师做完结肠镜检查后，凭借记忆对肠道清洁度进行定量或者定性评分。大量的
内镜检查增加了内镜医师的疲劳度，过于主观的清洁度评分给肠镜质量的控制带来了一些问题。
[0005] 近年来，人工智能技术发展迅猛，掀起了新一轮的技术浪潮。在
汽车和食品质量监测领域，人工智能技术已经成功应用。一方面，
计算机视觉已经成功用于监控驾驶员行为，分析驾驶员的策略和状态，在发生
风险可以实时给予反馈并发出警报。另一方面，人工智能已成功应用于食品质量监测预警系统。然而，尚无利用人工智能技术对肠道清洁度进行评分的研究。基于现状，我们拟发明一种基于人工智能的实时肠道清洁度评分系统，实时、准确的评估医疗机构的结肠镜肠道准备质量，为提高结肠镜检查质量，及时有效地发现肠道内癌前病变，提高肠道腺瘤检出率提供有效的依据。
发明内容
[0006] 本发明要解决的技术问题是：提供一种智能实时的肠镜检查肠道清洁度评分工具，研制科学严谨的人工智能评分
软件。
[0007] 本发明为解决上述技术问题所采取的技术方案为：开发一种基于人工智能的实时肠道清洁度评分系统，它包括：
[0008] 客户端，用于监听并通过网络上传当前肠镜设备采集的图像、操作的时间，接收和实时显示评分的结果；
[0009] 服务端，根据从客户端采集的肠镜图像，依据波士顿肠道清洁度评分标准(Boston Bowel Preparation Scale，BBPS)通过分析肠道内固体
粪便数量和液体性质，对肠镜视频中的肠段清洁度进行实时评分，并将结果反馈给客户端；
[0010] 所述的服务端包括典型图片库、
卷积神经网络模
块、评分系统；其中，[0011] 典型图片库用于存储肠镜若干张BBPS各级评分典型图像，包括0，1，2，3分共4种等级评分；
[0012] 卷积神经网络模块为根据典型图片库中各等级波士顿肠道清洁度的典型图像训练好的模型，该模块用于对肠镜采集的图像进行识别分类；
[0013] 评分系统用于根据卷积神经网络模块的分类结果，赋予图像相应的肠道清洁度评分，并通过评分柱来表示在一定时间间隔(一般设定为30s)所检查的肠段在该时间段中最差的肠道清洁度评分，并给出各类评分的累计百分比；最终，肠镜检查结束后，进行总结式的肠道评分展示，检查医生可以一目了然地观察到该患者的总体肠道准备
水平以及各小段肠段的清洁情况；
[0014] 所述客户端还包括通信模块，用于发送
请求到服务端，并从服务端获取评分系统中的评分结果，并将评分结果传输给客户端并显示。
[0015] 进一步的，评分系统中肠镜肠道清洁度评分是根据BBPS将肠道清洁度分为4个等级，由差到好分为：0分(结肠内有无法清除的固体粪便，肠黏膜无法看清)；1分(肠段内部分黏膜显示清楚，而另外一部分黏膜因粪便及不透明液体残留显示的不清楚)；2分(结肠内有少量小块粪便及不透明液体残留，黏膜显示清楚)；3分(所有黏膜显示清楚，结肠内无粪便或不透明液体残留)。在波士顿评分标准中，将结肠段分为左半结肠、横结肠、右半结肠三段式，分别进行肠道清洁度的评分。但在本发明中，该系统可以对结直肠准备质量进行实时评分，相比于之前传统的波士顿肠道准备量表(BBPS)所提出的三段式评分法则，新系统可以更加细致地评估每一小段肠道的准备情况，并实时反映各级评分的占比情况，让内镜医师更好地了解肠段不同准备质量的组成比。与此同时，每隔30s该系统还会将这30s内最差的肠道准备质量评分展现出来，帮助内镜医师准确回顾肠道具体在哪几个部位的准备质量最差，有利于患者再次进行肠镜检查时，内镜医师应着重观察的可能漏检查的部位。
[0016] 本发明还提供一种基于人工智能的实时肠道清洁度评分方法，包括如下步骤：
[0017] S1、当胃肠镜设备进行
图像采集，客户端被触发获取所采集的胃肠镜图像和相应的操作时间，并将操作时间、采集的图像实时上传至服务端；
[0018] S2、卷积神经网络模块对采集的图像进行分类，一共分类4类，评分系统根据卷积神经网络模块的分类结果，赋予图像相应的肠道清洁度评分，并将评分结果输出；
[0019] S3、客户端接收并显示操作时间对应的评分结果，并通过评分柱来表示在一定时间间隔所检查的肠段在该时间段中最差的肠道清洁度评分，并计算各类评分的累计百分比。
[0020] 进一步的，肠镜肠道清洁度评分是根据BBPS将肠道清洁度分为4个等级，由差到好分为：0分，即结肠内有无法清除的固体粪便，肠黏膜无法看清；1分，即肠段内部分黏膜显示清楚，而另外一部分黏膜因粪便及不透明液体残留显示的不清楚；2分，即结肠内有少量小块粪便及不透明液体残留，黏膜显示清楚；3分，即所有黏膜显示清楚，结肠内无粪便或不透明液体残留。
[0021] 本发明的有益效果为：通过本发明对临床结肠镜检查的肠道准备质量进行实时监测，在客户端进行评分显示，并呈现出各评分的构成比以及每30s内所检查肠段的清洁情况。一方面更加客观直接地将医师操作患者的肠道准备质量情况定量化表达，减少内镜医师的工作负担和评分误差，从而减少内镜检查质量的错误评估及推荐复查结肠镜检查的间隔，另一方面让诊疗机构更加客观清楚地了解到肠道准备质量，进而有效地做好质量控制工作，有利于加快提高肠道清洁质量，降低腺瘤检出率，实现肠道癌前病变的早期检出早期
治疗，更重要地是，本系统的开发有利于后续对于不同肠道制剂对肠道准备方案影响的科学探究。
附图说明
[0022] 图1系统结构图。
[0023] 图2实时肠道清洁度评分系统示意图。
具体实施方式
[0024] 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。
[0025] 如图1所示，一种基于人工智能的实时肠道清洁度评分系统，包括：
[0026] 客户端，用于监听并通过网络上传当前肠镜设备采集的图像、操作的时间，接收和实时显示评分的结果；
[0027] 服务端，根据从客户端采集的肠镜图像，依据波士顿肠道清洁度评分标准(Boston Bowel Preparation Scale，BBPS)通过分析肠道内固体粪便数量和液体性质，对肠镜视频中的肠段清洁度进行实时评分，并将结果反馈给客户端；
[0028] 所述的服务端包括典型图片库、卷积神经网络模块、评分系统；其中，[0029] 典型图片库用于存储肠镜若干张BBPS各级评分典型图像，包括0，1，2，3分共4种等级评分；
[0030] 卷积神经网络模块为根据典型图片库中各等级波士顿肠道清洁度的典型图像训练好的模型，该模块用于对肠镜采集的图像进行识别分类；
[0031] 评分系统用于根据卷积神经网络模块的分类结果，赋予图像相应的肠道清洁度评分，并通过评分柱来表示在一定时间间隔(一般设定为30s)所检查的肠段在该时间段中最差的肠道清洁度评分，并给出各类评分的累计百分比；最终，肠镜检查结束后，进行总结式的肠道评分展示，检查医生可以一目了然地观察到该患者的总体肠道准备水平以及各小段肠段的清洁情况；
[0032] 所述客户端还包括通信模块，用于发送请求到服务端，并从服务端获取评分系统中的评分结果，并将评分结果传输给客户端并显示。
[0033] 进一步的，评分系统中肠镜肠道清洁度评分是根据BBPS将肠道清洁度分为4个等级，由差到好分为：0分(结肠内有无法清除的固体粪便，肠黏膜无法看清)；1分(肠段内部分黏膜显示清楚，而另外一部分黏膜因粪便及不透明液体残留显示的不清楚)；2分(结肠内有少量小块粪便及不透明液体残留，黏膜显示清楚)；3分(所有黏膜显示清楚，结肠内无粪便或不透明液体残留)。在波士顿评分标准中，将结肠段分为左半结肠、横结肠、右半结肠三段式，分别进行肠道清洁度的评分。但在本发明中，该系统可以对结直肠准备质量进行实时评分，相比于之前传统的波士顿肠道准备量表(BBPS)所提出的三段式评分法则，新系统可以更加细致地评估每一小段肠道的准备情况，并实时反映各级评分的占比情况，让内镜医师更好地了解肠段不同准备质量的组成比。与此同时，每隔30s该系统还会将这30s内最差的肠道准备质量评分展现出来，帮助内镜医师准确回顾肠道具体在哪几个部位的准备质量最差，有利于患者再次进行肠镜检查时，内镜医师应着重观察的可能漏检查的部位。
[0034] 本发明还提供一种基于人工智能的实时肠道清洁度评分方法，包括如下步骤：
[0035] S1、当胃肠镜设备进行图像采集，客户端被触发获取所采集的胃肠镜图像和相应的操作时间，并将操作时间、采集的图像实时上传至服务端；
[0036] S2、卷积神经网络模块对采集的图像进行分类，一共分类4类，评分系统根据卷积神经网络模块的分类结果，赋予图像相应的肠道清洁度评分，并将评分结果输出；
[0037] S3、客户端接收并显示操作时间对应的评分结果，并通过评分柱来表示在一定时间间隔所检查的肠段在该时间段中最差的肠道清洁度评分，并计算各类评分的累计百分比。
[0038] 进一步的，肠镜肠道清洁度评分是根据BBPS将肠道清洁度分为4个等级，由差到好分为：0分，即结肠内有无法清除的固体粪便，肠黏膜无法看清；1分，即肠段内部分黏膜显示清楚，而另外一部分黏膜因粪便及不透明液体残留显示的不清楚；2分，即结肠内有少量小块粪便及不透明液体残留，黏膜显示清楚；3分，即所有黏膜显示清楚，结肠内无粪便或不透明液体残留。
[0039] 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。
