构建结肠镜下计算机辅助息肉检测系统，并初步验证其有效性。
方法采用基于Faster R-CNN算法，基于开源框架TensorFlow和Faster R-CNN的开源实现，构建结肠镜下计算机辅助息肉检测系统。按训练集大小和难度设置5个试验组：试验1、2、3、4分别含1 000、2 000、4 000、6 000个训练样本，试验5在6 000个训练样本的基础上增加选取难样本的概率。在不同训练集下，计算该系统检测息肉的灵敏度、特异度等分类评价指标及召回率、精确率等目标检测评价指标。
结果分类评价指标显示，试验1、2、3、4、5的灵敏度分别为90.1%、93.3%、93.3%、93.3%、93.5%，差异有统计学意义(χ2＝25.324，P<0.01)，试验2、3、4、5的灵敏度均高于试验1，差异均有统计学意义(χ2＝13.964、13.508、13.508、13.386，P均<0.006 25)。各试验组特异度和阳性预测值的差异均无统计学意义(P均>0.05)。试验1、2、3、4、5阴性预测值分别为90.4%、93.3%、93.3%、93.3%、93.5%，差异有统计学意义(χ2＝21.862，P<0.01)，试验2、3、4、5的阴性预测值均高于试验1，差异均有统计学意义(χ2＝11.447、11.564、11.755、13.760，P均<0.006 25)。训练样本量从1 000增加至2 000时，AUC值提升了2%，进一步增加样本至6 000，AUC值提升幅度<1%，此时保持样本量不变而增加难样本的比例，AUC值又提升了0.4%。目标检测评价指标显示，各试验组召回率分别为73.6%、79.8%、79.5%、79.8%、83.3%，差异有统计学意义(χ2＝71.936，P<0.01)，其中试验2、3、4的召回率均高于试验1，差异均有统计学意义(χ2＝25.960、23.492、25.960，P均<0.006 25)，试验5的召回率高于试验1、2、3、4，差异均有统计学意义(χ2＝67.361、9.899、11.527、9.899，P均<0.006 25)。试验1、2、3、4、5的精确率分别为87.9%、85.3%、90.2%、91.4%、89.2%，差异有统计学意义(χ2＝48.194，P<0.01)，其中试验3、5的精确率均高于试验2，差异均有统计学意义(χ2＝24.508、15.223，P均<0.006 25)，试验4的精确率高于试验1、2，差异均有统计学意义(χ2＝13.524、39.120，P均<0.006 25)。随着样本数量增多和训练难度加大，对应的F1分数和平均精度均值均稳步上升。
结论本研究初步构建了结肠镜下计算机辅助息肉检测系统，目前灵敏度最高可达93.5%，召回率最高可达83.3%。增大训练集可一定程度上提升息肉检测成绩，但会到达一个瓶颈，此时适当增加训练难度，可进一步提升检测成绩，尤其是召回率。