AI til at forudsige polyppatologi og endoskopisk klassifikation

Baggrund: Koloskopi med optisk diagnose baseret på udseendet af polypper kan vejlede valget af endoskopiske behandlingsmetoder, reducere unødvendige polypektomiprocedurer og behovet for vævspatologisk diagnose samt formulere opfølgningsstrategier rettidigt [1]. Denne tilgang letter markant den økonomiske byrde for patienter og sundhedsvæsen og kan effektivt lette spændingen på de kliniske ressourcer [2]. Forskellige endoskopiske polyp klassificeringsmetoder, herunder Pit Pattern [3], NICE [4], WASP [5] og MS [6], bruges til at bestemme patologiske typer. At beherske disse klassifikationsmetoder kræver dog, at endoskopister gennemgår omfattende uddannelse, og på grund af de iboende fejl i hver metode kan ingen enkelt endoskopisk klassificeringsmetode nøjagtigt diagnosticere alle typer polypper for at opfylde kravene til optisk diagnose. Denne begrænsning har hindret den udbredte anvendelse af optisk diagnose i klinisk praksis [7]. Anvendelsen af ​​kunstig intelligens-teknologi på dette område, kendt som computer-aided diagnose (CADx), har oplevet en rivende udvikling i de senere år. Talrige prospektive undersøgelser i stor skala har vist, at nøjagtigheden af ​​CADx-teknologi til optisk diagnose af små læsioner (<5 mm) i det væsentlige har opfyldt den tærskel, der er sat af europæiske og amerikanske endoskopiselskaber for optisk diagnose [8,9]. Den diagnostiske effektivitet af CADx for polypper ≥5 mm er dog stadig uklar. Desuden er den nuværende forskning for det meste begrænset til at skelne mellem almindelige adenomer og hyperplastiske polypper, med lidt opmærksomhed på takkede læsioner, som også er præcancerøse læsioner og udvikler sig endnu hurtigere og er mere udfordrende for endoskopister at vurdere. Disse grunde forhindrer CADx i at blive bredt anvendt i klinisk praksis til nøjagtig bedømmelse af polyppatologiske typer i realtid.