Udvikling og validering af et kunstig intelligens-assisteret strategiudvælgelsessystem til koloskopisk rengøring

Kolorektal sygdom som en almindelig menneskelig sygdom påvirker alvorligt menneskers liv. Med befolkningens aldring, ændringen af ​​koststrukturen og forværringen af ​​miljøforurening er forekomsten af ​​tyktarmssygdomme, såsom tyktarmskræft, tyktarmspolyp og inflammatorisk tarmsygdom, gradvist steget.

Koloskopi er den enkleste og mest udbredte screeningsprocedure til forebyggelse af kolorektal cancer (CRC) og tidlig påvisning. Koloskopi kan tydeligt observere de små ændringer i den terminale ileum og kolorektal, såsom erosion, sår, blødning, overbelastning, ødem, polypper, tidlig cancer, og så videre. Koloskopi kan biopsi læsionsstedet til patologisk undersøgelse, til histologisk kvalitativ karakterisering af slimhindelæsioner, såsom betændelse, polyppernes natur, graden af ​​differentiering af kræft, og så videre. Det er nyttigt at forstå sværhedsgraden af ​​læsionen og vejlede formuleringen af ​​den korrekte behandlingsplan eller vurdering af behandlingseffekt. Koloskopi kan også være den minimalt invasive endoskopiske behandling af kolorektale polypper, tidlig cancer, blødninger, fremmedlegemer og andre sygdomme.

Fordi kvaliteten af ​​tarmforberedelse påvirker koloskopiens evne til at påvise adenomer og polypper, er tilstrækkelig tarmforberedelse nødvendig for at sikre optimal brug af koloskopi i CRC-forebyggelse. Næsten alle kliniske retningslinjer anbefaler tilstrækkelig tarmforberedelse før koloskopi. Imidlertid har op til en tredjedel af koloskopierne vist sig at vise utilstrækkelig tarmforberedelse, hvilket anslås at øge omkostningerne ved koloskopier med 12 % til 22 %. Og der er 20% af patienternes tarm er ikke tilstrækkeligt forberedt. Når patientens tarmforberedelse er utilstrækkelig, kan rødmebesværet føre til manglende påvisning af adenomer. så lægerne er nødt til nøjagtigt at identificere sådanne patienter og fortælle dem, at de skal have en anden koloskopi efter en fuldstændig tarmrensning. Evalueringen af ​​tarmens renhed bestemmes dog af lægerne subjektivt, og der er ingen objektiv og effektiv scoringsstandard til at guide patienterne til at acceptere den anden koloskopi.

Deep learning er et vigtigt gennembrud inden for kunstig intelligens i det seneste årti. Det har et stort potentiale i at udtrække bittesmå funktioner i billedanalyse og billedklassificering. I 2017 offentliggjorde tidsskriftet Nature et papir, der viser, at brug af kunstig intelligens til at diagnosticere hudsygdomme kan nå ekspertniveauet. Efterfølgende, inden for fordøjelsesendoskopi, begyndte flere og flere undersøgelser at anvende kunstig intelligens til at hjælpe læger med at finde polypper og forbedre påvisningshastigheden af ​​polypper og adenomer.Urban, G. team brugte kunstig intelligens til at identificere polypper med 95% følsomhed. Misawa, M-teamet brugte kunstig intelligens til at identificere polypper med 90% følsomhed. Formålet med vores forskningsgruppe er at udvikle EndoAngel med vurdering af tarmens renhed i realtid. Den kan udlede en beslutningskurve for tarmens renhed baseret på forholdet mellem procentdelen af ​​tarmsegmenter med en Boston-score på 0-1 og detektionshastigheden af ​​adenomer. Det kan hjælpe endoskopister med at identificere patienter, der har brug for en anden koloskopi, for at undgå de glemte adenomer og de høje omkostninger til rengøringstid forårsaget af den forkerte beslutningstagning. Samtidig er kunstig intelligens i det indledende forskningsstadie inden for fordøjelsesendoskopi, vores forskningsresultater forventes at give nye ideer til at forbedre detektionshastigheden af ​​koloskopiske adenomer.

Studieprocessen er: Forsøgspersoner, der opfyldte alle inklusionskriterier og ikke opfyldte alle eksklusionskriterier, blev inkluderet i undersøgelsen før koloskopi. Under koloskopien skal endoskoperne forblive i det samme uden tilbagetrækning, mens de skyller tarmen. De biopsierede patienter følges op i en uge. de ikke-biopsierede patienter følges op i slutningen af ​​deres koloskopi, og resultaterne sendes til et uafhængigt dataanalyseteam til gennemgang. Vi vil indsamle patienternes video og udelukke klip fra skylning, biopsi og observation af polyp. Derefter evaluerer EndoAngel Boston Bowel Preparation Scale af colon ascendens, transversal colon og synkende colon og beregner andelen af ​​1 Score.