方法和材料对307例病例的455张胃息肉图像、109例的539张胃粘膜下肿瘤图像和127例病例的672张早期胃癌图像进行标注获取训练集和验证集,标注101例的101张正常胃镜图像作为阴性对照,对训练集进行基于卷积网络神经模型的计算机深度学习,分别开发胃息肉、胃粘膜下肿瘤和早期胃癌的识别程序,并通过对验证集图像和胃镜视频的识别评价该识别INCB028050浓度程序对病灶识别的准确性,通过不同判定阈值对应的重叠框和标注框或识别框的面积比值评价识别程序对图像内病灶定位的准确性。结果该识别程序对胃息肉、胃粘膜下肿瘤和早期胃癌识别ROC曲线的AUC为0.970、0.892和0.811;胃息肉、粘膜下肿瘤和早期胃癌识别重叠框和标注框的面积比为100.0%-100.0%、83selleck激酶抑制剂.2%-86.5%和81.1%-87.0%,重叠框和识别框的面积比为41.0%-45.0%、92.1%-92.5%和68.1%-81.8%。以单帧图像计算,识别程序对胃息肉视频的识别敏感性、特异性和准确性为53.5%、99.2%和85.4%,对粘膜下肿瘤视频的识别敏感性、特异性和准确性为100.0%、99.4selleck产品%和99.6%,对早期胃癌视频的识别敏感性、特异性和准确性为67.9%、95.4%和98.1%。结论本研究通过对胃镜图像进行胃息肉、胃粘膜下肿瘤和早期胃癌的标注并进行计算机深度学习,分别开发计算机识别程序。通过在验证集和不同病灶的胃镜视频中进行验证,该识别程序对相应病灶识别有较高的准确性。第三部分 胃癌细胞特异性结合多肽噬菌体的筛选及鉴定目的筛选胃癌细胞特异性结合的多肽噬菌体并进行鉴定。