Vývoj a validace systému výběru strategie za pomoci umělé inteligence pro čištění kolonoskopie

Kolorektální onemocnění jako běžné lidské onemocnění vážně ovlivňuje zdraví lidského života. Se stárnutím populace, změnou struktury stravy a zhoršováním znečištění životního prostředí se postupně zvyšuje výskyt kolorektálních onemocnění, jako je rakovina tlustého střeva, polyp tlustého střeva a zánětlivá onemocnění střev.

Kolonoskopie je nejjednodušší a nejrozšířenější screeningový postup pro prevenci a včasnou detekci kolorektálního karcinomu (CRC). Kolonoskopie může jasně pozorovat malé změny v terminálním ileu a kolorektálním traktu, jako jsou eroze, vředy, krvácení, kongesce, otoky, polypy, časná rakovina atd. Kolonoskopie může biopsii místa léze pro patologické vyšetření, k histologicky kvalitativní charakterizaci slizničních lézí, jako je zánět, povaha polypů, stupeň diferenciace rakoviny a tak dále. Je užitečné porozumět závažnosti léze a vést formulaci správného léčebného plánu nebo posouzení účinku léčby. Kolonoskopie může být také minimálně invazivní endoskopická léčba kolorektálních polypů, časné rakoviny, krvácení, cizích těles a dalších onemocnění.

Protože kvalita přípravy střeva ovlivňuje schopnost kolonoskopie detekovat adenomy a polypy, je pro zajištění optimálního využití kolonoskopie v prevenci CRC nezbytná adekvátní příprava střeva. Téměř všechna klinická doporučení doporučují adekvátní přípravu střeva před kolonoskopií. Bylo však zjištěno, že až u jedné třetiny kolonoskopií byla prokázána nedostatečná příprava střeva, což podle odhadů zvyšuje náklady na kolonoskopie o 12 % až 22 %. A u 20 % pacientů není střevo dostatečně připraveno. Pokud je pacientova příprava střeva nedostatečná, potíže s vyplachováním mohou vést k nezdařené detekci adenomů. takže lékaři musí takové pacienty přesně identifikovat a říct jim, aby po úplné očistě střev podstoupili druhou kolonoskopii. O hodnocení střevní čistoty však rozhodují lékaři subjektivně a neexistuje žádný objektivní a účinný bodovací standard, který by pacienty navedl k přijetí druhé kolonoskopie.

Hluboké učení je důležitým průlomem v oblasti umělé inteligence v posledním desetiletí. Má velký potenciál při získávání drobných funkcí v analýze obrazu a klasifikaci obrazu. V roce 2017 časopis Nature zveřejnil článek, který ukazuje, že použití umělé inteligence k diagnostice kožních onemocnění může dosáhnout úrovně odborníků. Následně v oblasti digestivní endoskopie začalo více a více studií používat umělou inteligenci, aby pomohla lékařům najít polypy a zlepšila míru detekce polypů a adenomů. Urban, G. tým použil umělou inteligenci k identifikaci polypů s 95% citlivostí. Tým Misawa, M použil umělou inteligenci k identifikaci polypů s 90% citlivostí. Účelem naší výzkumné skupiny je vyvinout EndoAngel s hodnocením střevní čistoty v reálném čase. Může odvodit rozhodovací křivku pro čistotu střev na základě vztahu mezi procentem segmentů střeva s Bostonovým skóre 0-1 a mírou detekce adenomů. Endoskopistům může pomoci identifikovat pacienty, kteří potřebují druhou kolonoskopii, vyhnout se zmeškaným adenomům a vysokým nákladům na čas čištění způsobeným nesprávným rozhodnutím. Umělá inteligence je zároveň ve fázi předběžného výzkumu v oblasti digestivní endoskopie, očekává se, že výsledky našeho výzkumu poskytnou nové nápady pro zlepšení detekce kolonoskopických adenomů.

Proces studie je: Subjekty, které splnily všechna zařazovací kritéria a nesplnily všechna vylučovací kritéria, byly zahrnuty do studie před kolonoskopií. Během kolonoskopie musí endoskopisté zůstat v tom samém, aniž by museli vystoupit, zatímco proplachují střevo. Pacienti s biopsií jsou sledováni po dobu jednoho týdne. pacienti bez biopsie jsou na konci kolonoskopie sledováni a výsledky jsou zaslány nezávislému týmu pro analýzu dat k posouzení. Shromáždíme videozáznamy pacientů a vyloučíme klipy výplachu, biopsie a pozorování polypu. Poté EndoAngel vyhodnotí Bostonskou stupnici přípravy střeva vzestupného tračníku, příčného tračníku a sestupného tračníku a vypočítá podíl 1 skóre.