Arvioi tekoälyjärjestelmän vaikutukset aloittelevien endoskopioiden kolonoskopian laatuun

Kolonoskopia on ratkaiseva tekniikka alemman ruoansulatuskanavan vaurioiden havaitsemiseksi ja diagnosoimiseksi. Endoskopioiden kysyntä on Kiinassa suuri, ja endoskopiasta on pulaa. Kolonoskopia on kuitenkin monimutkainen tekninen toimenpide, joka vaatii koulutusta ja kokemusta maksimaalisen tarkkuuden ja turvallisuuden takaamiseksi. Eri endoskopistien kyvyt vaihtelevat suuresti. Aloittelevilla endoskopioilla on yleensä vaikeuksia ja suuri riski päästä kolonoskopiaan, mikä vaatii asiantuntijoiden apua. Jossain määrin tämä hukkaa aloittelijan tuottavuutta. Jos tutkijat pystyvät järjestämään endoskopiaan tulevien asiantuntijoiden työskentelytavan ja aloittelijoiden vetäytymisen, voidaan kliinistä tehokkuutta ja resurssien käyttöastetta parantaa merkittävästi. Tutkijoiden on kuitenkin otettava huomioon aloittelevien endoskopien heikko tutkimuskyky. On raportoitu, että adenooman havaitsemisprosentti kolonoskopiassa eri ikäisillä endoskopioilla on 7,4 % ~ 52,5 %. Jos aloittelevien endoskopistin tutkimuskykyä voidaan parantaa, tämä huoli voidaan poistaa.

Syväoppimisalgoritmeja on kehitetty jatkuvasti ja ne ovat kehittyneet jatkuvasti viime vuosina. Niitä on vähitellen sovellettu lääketieteen alalla. Tietokonenäkö on tiede, joka tutkii kuinka saada koneita "näkemään". Syväoppimisen avulla kamera ja tietokone voivat korvata ihmissilmät konenäön, kuten kohteen tunnistuksen, seurannan ja mittauksen, suorittamiseksi. Tieteidenvälinen yhteistyö lääketieteellisen kuvantamisen ja tietokonenäön alalla on myös yksi viime vuosien tutkimuskohteita. Tällä hetkellä sitä käytetään pääasiassa leesioiden automaattiseen tunnistamiseen ja havaitsemiseen sekä laadunvalvontaan, ja se on saavuttanut hyviä tuloksia.

Tutkijan alustavat kokeet ovat osoittaneet, että syväoppimisella on korkea tarkkuus endoskooppisessa laadunvalvonnassa, mikä voi tehokkaasti säännellä lääkäreiden toimintaa, vähentää kuolleita kulmia ja parantaa endoskooppisen tutkimuksen laatua. Samalla se voi myös seurata lääkärin vetäytymisaikaa reaaliajassa ja parantaa adenooman havaitsemisnopeutta. Aiemmassa tutkijan tutkimusryhmän työssään tutkijat ovat onnistuneesti kehittäneet syväoppimiseen perustuvaa kolonoskopian vetäytymisnopeuden seurantaa ja suoliston puhtausarviointia sekä varmistaneet tekoälyavusteisen EndoAngel-järjestelmän tehokkuuden gastroskopian ja kolonoskopian laadun parantamisessa kliinisissä kokeissa.

Perustuu yllä olevaan rikkaaseen alustavaan pohjaan ja valtavaan kysyntään noviisien kolonoskopiakyvyn parantamiseksi. Vertaamalla aloittelijoiden ja noviisien suorituskykyä EndoAngelin apuun ja kolonoskopian asiantuntijoihin tutkijat haluavat selvittää, voiko tekoäly auttaa noviisia saavuttamaan kolonoskopian asiantuntijatason.