Validering af et AI-baseret biliopancreatisk EUS-navigationssystem til kvalitetsforbedring i realtid: et prospektivt, enkeltcenter, randomiseret kontrolleret forsøg

I de senere år har endoskopisk ultralyd (EUS) udviklet sig til en foretrukken billeddannende modalitet til diagnosticering af biliopancreatiske sygdomme, især små (< 3 cm) bugspytkirteltumorer og små (< 4 mm) galdevejssten. Derfor er EUS ofte valgt som det vigtigste værktøj til screening af tidlige biliopancreatiske sygdomme blandt højrisikopersoner. Imidlertid har en masse undersøgelser vist, at detektionsraten for biliopancreatiske sygdomme under EUS varierer fra 70 % til 93 % blandt forskellige endoskopister på grund af undersøgelseskvalitet og operatørforskelle, hvilket tyder på, at der er manglende diagnose af læsioner. Den forpassede diagnose af bugspytkirtelkræft gør, at patienter mister muligheden for radikal kirurgi, og den femårige overlevelsesrate er reduceret til 7,2 %; og den manglende diagnose af choledocholithiasis forårsager alvorlige akutte sygdomme såsom akut cholangitis og akut pancreatitis; det har alvorlige konsekvenser for patienternes prognose og livskvalitet. Derfor er det vigtigt at reducere den manglende diagnose af læsioner og samtidig udvide anvendelsen af ​​EUS.

Sikring af undersøgelseskvaliteten er en afgørende forudsætning for at opdage biliopancreatiske læsioner i EUS. Der er to hovedårsager, der påvirker kvaliteten af ​​biliopancreatisk EUS undersøgelse: For det første, ikke-standard operation af endoskopister; fremragende biliopancreatiske EUS-undersøgelser kræver kontinuitet og integritet af scanningen. Ifølge erfaringerne fra Japanese Society of Gastrointestinal Endoscopy og europæiske og amerikanske eksperter, er multistationstilgang i biliopancreatisk EUS blevet etableret som standard scanningsprocedure. Og disse standardstationer inkluderer anatomiske vartegn, der kan bruges til at lokalisere transduceren og identificere områder, der ikke er scannet. American Society for Gastrointestinal Endoscopy (ASGE) og American Association for Gastrointestinal Endoscopy (ACG) Endoscopic Quality Working Group har også udstedt kvalitetsindikatorer, der bør udfyldes til EUS-undersøgelse. Men de følges ofte dårligt på grund af manglende overvågning og tilgængelighed af praktiske værktøjer, og der er et stort antal blinde områder i de aktuelle daglige EUS-scanninger. For det andet er det svært at forstå amerikanske billeder med grå og hvid tekstur. Selv erfarne endoskopister har nogle udfordringer med at identificere anatomiske strukturer i EUS-billeder. Derfor er det afgørende at udvikle et praktisk værktøj, der kan overvåge det blinde område af EUS-undersøgelse i realtid, reducere vanskeligheden ved ultralydsfortolkning og standardisere kvaliteten af ​​EUS-undersøgelse.

Deep learning er med succes blevet anvendt på mange områder af medicin. Inden for endoskopisk ultralyd er de fleste undersøgelser dedikeret til brugen af ​​computerværktøjer til at hjælpe med diagnosticering af læsioner i statiske billeder, mens sjældent arbejde undersøgte rollen af ​​dyb læring i overvågningen af ​​det blinde område af EUS-undersøgelser og udforskning af hjælp på reel -tids ultralydsfortolkning. Tidligere har vi med succes udviklet og valideret et EUS navigationssystem, der kan identificere standardstationerne for bugspytkirtel og galdegang EUS i realtid. Selvom der er blevet offentliggjort opmuntrende foreløbige resultater vedrørende brugen af ​​kunstig intelligens til at reducere sværhedsgraden af ​​EUS-billeder, er dette system ikke blevet valideret i en virkelig klinisk kontekst, og det er uklart, om det med succes kan anvendes i klinisk praksis og forbedres. kvaliteten af ​​EUS eksamen.

Derfor opdaterede vi i denne undersøgelse den EUS-intelligente og realtidsendoskopi-analytiske enhed (kaldet EUS-IREAD) baseret på de førnævnte biliopancreatiske EUS-stationsgenkendelsesmodeller og videreuddannede en anatomisk milepælsidentifikationsfunktion for bedre at lokalisere transducerens position og diagnosticere biliopancreatiske læsioner. Vi gennemførte derefter et enkeltcenter randomiseret kontrolleret forsøg for at vurdere dets supplerende ydeevne til EUS endoskopister i et klinisk miljø.