Porovnání počtu falešných aktivací mezi dvěma systémy CADe umělé inteligence: studie NOISE (NOISE)

Jedna čtvrtina kolorektálních neoplazií je vynechána během screeningových kolonoskopií – ty se mohou vyvinout v kolorektální karcinom (CRC). V posledních několika letech byly v endoskopickém prostředí zavedeny systémy hloubkového učení umělé inteligence, které umožňují počítačově podporovanou detekci/charakterizaci (CAD) polypů v reálném čase s vysokou přesností. Proto bylo za tímto účelem navrženo několik CADe (detekce) a CADx (diagnostika, charakterizace). Protože CAD systémy jsou založeny na hlubokém učení, kde se počítač přímo učí rozpoznávání polypů z kontrolovaných dat bez jakékoli lidské kontroly nad konečným algoritmem, jejich výsledek zahrnuje určitou nepředvídatelnost v klinickém prostředí, která musí být po aplikaci opatrně interpretována. To znamená, že endoskopistovi mohou být předloženy snímky FP, které by nikdy nebyly vybrány jako podezřelé oblasti. Tyto FP mohou bránit účinnosti CADe-kolonoskopie. K rozlišení mezi skutečným FP a možným falešně negativním výsledkem může být zapotřebí další čas. Nadbytek FP může snížit motivaci endoskopisty ke CADe, což vede k jeho nedostatečnému využití v klinické praxi. Přestože indikace CADe musí být vždy interpretovány lékařem, může FP vést ke zbytečné polypektomii se souvisejícími nežádoucími účinky, pokud je používána bez příslušného školení. Přesto existuje nedostatek informací o množství a kvalitě falešně pozitivních signálů poskytovaných systémy. Z post-hoc analýzy Randomizované klinické studie, ve které jsme extrahovali a analyzovali videotéku CADe-kolonoskopie (GI Genius) provedené v naší instituci Humanitas Clinical and Research Hospital IRCCS, jsme se zaměřili na to, že falešné pozitivity CADe jsou způsobeny především artefakty ze stěny střev. Navzdory vysoké frekvenci vedly FP z tohoto systému CADe k zanedbatelnému 1% zvýšení celkové doby stažení, protože většina z nich byla endoskopisty okamžitě vyřazena.