Artificial Intelligence Identifying Polyps in Real-world Colonoscopy
perjantai 14. joulukuuta 2018 päivittänyt: Zhaoshen Li
Validating the Performance of Artificial Intelligence in Identifying Polyps in Real-world Colonoscopy
Recently, artificial intelligence (AI) assisted image recognition has made remarkable breakthroughs in various medical fields with the developing of deep learning and conventional neural networks (CNNs).
However, all current AI assisted-diagnosis systems (ADSs) were established and validated on endoscopic images or selected videos, while its actual assisted-diagnosis performance in real-world colonoscopy is up to now unknown.
Therefore, we validated the performance of an ADS in real-world colonoscopy, which is based on deep learning algorithm and CNNs, trained and tested in multicenter datasets of 20 endoscopy centers.
Tutkimuksen yleiskatsaus
Tila
Valmis
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
The ADS were established in changhai digestive endoscopy center to assess its efficacy in clinical practice.
The ADS automatically initiated once the ileocecal valve was pictured by the colonoscopist or the colonoscopist recorded any image of colon during the insertion.
When colonoscopists withdrew the colonoscopies and inspect the colons, the video streaming of colonoscopies was real-time switched to the ADS, which made it feasible to identify and classify lesions in real time.
Colonoscopists were invited to respond if they doubted potential polyps in the screen, and the ADS also made a voice when identifying potential polyps, followed by repeatedly inspecting to confirm the existence of lesions.
The voice of ADS could be real-time heard by colonoscopists, while the screen of ADS was placed right behind colonoscopists, where polyps identified by ADS could be seen after the colonoscopists' turning but not simultaneously.
The lesion detection by ADS or colonoscopists were determined as follow: A. polyps only identified by ADS, which was considered to be missed by colonoscopists: polyps were reported by the ADS and the colonoscopists did not know the location of polyps without reminder of the ADS until the polyps disappeared from the view; B. polyps first identified by ADS: polyps were first reported by the ADS and the colonoscopists also later knew the location of polyps by themselves; C. polyps simultaneously identified by the ADS and colonoscopists: the time of reporting polyps was closely synchronal (within 1 second); D. polyps first reported by colonoscopists: polyps were first reported by the colonoscopists and the ADS also later identified the location of polyps before the colonoscopists unfolded and pictured the polyps; E. polyps only reported by colonoscopists, which was considered to be missed by the ADS: polyps were reported by the colonoscopists and the ADS did not identify the location of polyps until colonoscopists unfolded and pictured the polyps.
Besides, the false-positives of real-world ADS were also reported with potential causes analyzed by colonoscopists.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
209
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
-
Shanghai, Kiina, 200433
- Changhai Hospital, Second Military Medical University
-
Shanghai, Kiina, 200433
- Changhai Hospital
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
18 vuotta - 75 vuotta (Aikuinen, Vanhempi Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
consecutive outpatient who recieved colonoscopy
Kuvaus
Inclusion Criteria:
- patients receiving screening colonoscopy
- patients receiving surveillance colonoscopy
- patients receiving diagnostic colonoscopy
Exclusion Criteria:
- patients with declined consent
- patients with poor bowel preparation
- patients with failed cecal intubation
- patients with colonic resection
- patients with inflammatory bowel diseases
- patients with polyposis
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Vain tapaus
- Aikanäkymät: Tulevaisuuden
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
colonoscopy withdrawal with the ADS monitoring
The ADS automatically initiated once the ileocecal valve was pictured by the colonoscopist or the colonoscopist recorded any image of colon during the insertion.
When colonoscopists withdrew the colonoscopies and inspect the colons, the video streaming of colonoscopies was real-time switched to the ADS, which made it feasible to identify and classify lesions in real time.
|
During the testing of trained ADS, when the system doubts colonic lesions from the input data of the test images, a rectangular frame was displayed in the endoscopic image to surround the lesion.
If the system confirmed it as the colonic lesions, a sound of reminder will be played and the types of lesions (non-adenomatous polyps, adenomatous polyps and colorectal cancers) will be classified by the system.
We adopted several standards to define the identification and classification of colonic lesions: 1) when the system identified and confirmed any lesion in the images of no polyps or cancers, the results were judged to be false-positive.
2) when the system both confirmed and correctly localized the lesions in images (IoU > 0.3), the results were judged to be true-positive.
3) when the system did not confirm or correctly localize the lesions, the results were judged as false-negative.
4) when system confirmed no lesions in the normal images, the results were judged to be true-negative.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
sensitivity of the ADS in identifying polyps
Aikaikkuna: 1 hour
|
Polyps that were only reported by colonoscopists were considered to be missed by the ADS (polyps were reported by the colonoscopists and the ADS did not identify the location of polyps until colonoscopists unfolded and pictured the polyps.)
|
1 hour
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
false positves of the ADS per colonoscopy withdrawal
Aikaikkuna: 1 hour
|
when the system identified and confirmed any lesion in the images with no polyps or cancers appearing, the results were judged to be false-positive.
|
1 hour
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Julkaisuja ja hyödyllisiä linkkejä
Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.
Yleiset julkaisut
- Byrne MF, Chapados N, Soudan F, Oertel C, Linares Perez M, Kelly R, Iqbal N, Chandelier F, Rex DK. Real-time differentiation of adenomatous and hyperplastic diminutive colorectal polyps during analysis of unaltered videos of standard colonoscopy using a deep learning model. Gut. 2019 Jan;68(1):94-100. doi: 10.1136/gutjnl-2017-314547. Epub 2017 Oct 24.
- Wang Z, Meng Q, Wang S, Li Z, Bai Y, Wang D. Deep learning-based endoscopic image recognition for detection of early gastric cancer: a Chinese perspective. Gastrointest Endosc. 2018 Jul;88(1):198-199. doi: 10.1016/j.gie.2018.01.029. No abstract available.
- Urban G, Tripathi P, Alkayali T, Mittal M, Jalali F, Karnes W, Baldi P. Deep Learning Localizes and Identifies Polyps in Real Time With 96% Accuracy in Screening Colonoscopy. Gastroenterology. 2018 Oct;155(4):1069-1078.e8. doi: 10.1053/j.gastro.2018.06.037. Epub 2018 Jun 18.
- Wang Z, Zhao S, Bai Y. Artificial Intelligence as a Third Eye in Lesion Detection by Endoscopy. Clin Gastroenterol Hepatol. 2018 Sep;16(9):1537. doi: 10.1016/j.cgh.2018.04.032. No abstract available.
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Torstai 1. marraskuuta 2018
Ensisijainen valmistuminen (Todellinen)
Maanantai 10. joulukuuta 2018
Opintojen valmistuminen (Todellinen)
Maanantai 10. joulukuuta 2018
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Perjantai 30. marraskuuta 2018
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Perjantai 30. marraskuuta 2018
Ensimmäinen Lähetetty (Todellinen)
Maanantai 3. joulukuuta 2018
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Maanantai 17. joulukuuta 2018
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Perjantai 14. joulukuuta 2018
Viimeksi vahvistettu
Lauantai 1. joulukuuta 2018
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- AI-1
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
Yhdysvalloissa valmistettu ja sieltä viety tuote
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .