Artificial Intelligence Identifying Polyps in Real-world Colonoscopy
2018. december 14. frissítette: 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.
A tanulmány áttekintése
Állapot
Befejezve
Körülmények
Beavatkozás / kezelés
Részletes leírás
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.
Tanulmány típusa
Megfigyelő
Beiratkozás (Tényleges)
209
Kapcsolatok és helyek
Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.
Tanulmányi helyek
-
-
-
Shanghai, Kína, 200433
- Changhai Hospital, Second Military Medical University
-
Shanghai, Kína, 200433
- Changhai Hospital
-
-
Részvételi kritériumok
A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.
Jogosultsági kritériumok
Tanulmányozható életkorok
18 év (Felnőtt, Idősebb felnőtt)
Egészséges önkénteseket fogad
Nem
Tanulmányozható nemek
Összes
Mintavételi módszer
Nem valószínűségi minta
Tanulmányi populáció
consecutive outpatient who recieved colonoscopy
Leírás
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
Tanulási terv
Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.
Hogyan készül a tanulmány?
Tervezési részletek
- Megfigyelési modellek: Csak esetre
- Időperspektívák: Leendő
Kohorszok és beavatkozások
Csoport / Kohorsz |
Beavatkozás / kezelés |
|---|---|
|
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.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
sensitivity of the ADS in identifying polyps
Időkeret: 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
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
false positves of the ADS per colonoscopy withdrawal
Időkeret: 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
|
Együttműködők és nyomozók
Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.
Szponzor
Publikációk és hasznos linkek
A vizsgálattal kapcsolatos információk beviteléért felelős személy önkéntesen bocsátja rendelkezésre ezeket a kiadványokat. Ezek bármiről szólhatnak, ami a tanulmányhoz kapcsolódik.
Általános kiadványok
- 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.
Tanulmányi rekorddátumok
Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
2018. november 1.
Elsődleges befejezés (Tényleges)
2018. december 10.
A tanulmány befejezése (Tényleges)
2018. december 10.
Tanulmányi regisztráció dátumai
Először benyújtva
2018. november 30.
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
2018. november 30.
Első közzététel (Tényleges)
2018. december 3.
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
2018. december 17.
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
2018. december 14.
Utolsó ellenőrzés
2018. december 1.
Több információ
A tanulmányhoz kapcsolódó kifejezések
További vonatkozó MeSH feltételek
Egyéb vizsgálati azonosító számok
- AI-1
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Nem
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Nem
az Egyesült Államokban gyártott és onnan exportált termék
Nem
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .