Evaluer virkningerne af et AI-system på koloskopikvaliteten hos begyndere endoskopister

Koloskopi er en afgørende teknik til at opdage og diagnosticere læsioner i nedre fordøjelseskanal. Efterspørgslen efter endoskopi er stor i Kina, og endoskopi er en mangelvare. Imidlertid er en koloskopi en kompleks teknisk procedure, der kræver træning og erfaring for maksimal nøjagtighed og sikkerhed. Forskellige endoskopers evner varierer meget. Nybegyndere endoskopister har generelt svært ved og høj risiko ved at gå ind i koloskopi, hvilket kræver ekspertbistand. Til en vis grad spilder dette nybegynderens produktivitet. Hvis efterforskere kan arrangere arbejdsmetoden for eksperter, der går ind og nybegyndere, der trækker sig fra endoskopi, kan den kliniske effektivitet og ressourceudnyttelsesgraden forbedres væsentligt. Efterforskere skal dog overveje den dårlige undersøgelsesevne hos uerfarne endoskopister. Det er rapporteret, at påvisningsraten for adenom i koloskopi udført af endoskopister med forskellig anciennitet er 7,4% ~ 52,5%. Hvis nybegyndere endoskopers undersøgelsesevne kan forbedres, kan denne bekymring elimineres.

Deep learning algoritmer er løbende blevet udviklet og bliver mere og mere modne i de senere år. De er gradvist blevet anvendt til det medicinske område. Computersyn er en videnskab, der studerer, hvordan man laver maskiner til at "se". Gennem dyb læring kan kamera og computer erstatte menneskelige øjne til at udføre maskinsyn såsom målgenkendelse, sporing og måling. Tværfagligt samarbejde inden for medicinsk billeddannelse og computersyn er også et af de seneste års forsknings-hotspots. På nuværende tidspunkt anvendes det hovedsageligt til automatisk identifikation og påvisning af læsioner og kvalitetskontrol og har opnået gode resultater.

Investigators foreløbige eksperimenter har vist, at deep learning har høj nøjagtighed i endoskopisk kvalitetsovervågning, som effektivt kan regulere lægers operationer, reducere blinde pletter og forbedre kvaliteten af ​​endoskopisk undersøgelse. Samtidig kan den også overvåge lægens tilbagetrækningstid i realtid og forbedre påvisningshastigheden af ​​adenom. I det tidligere arbejde i investigators forskergruppe har efterforskerne med succes udviklet dyb læringsbaseret koloskopi, overvågning af tilbagetrækningshastighed og vurdering af tarmens renhed og verificeret effektiviteten af ​​det AI-assisterede system EndoAngel til at forbedre kvaliteten af ​​gastroskopi og koloskopi i kliniske forsøg.

Baseret på ovenstående rige fundament af forarbejde og den massive efterspørgsel efter forbedring af nybegynderes koloskopievne. Ved at sammenligne præstationer for nybegyndere og nybegyndere med EndoAngel assistance og eksperter i koloskopi, ønsker efterforskere at undersøge, om kunstig intelligens kan hjælpe nybegyndere til at nå ekspertniveauet inden for koloskopi.