胃食道逆流症の診断のための近焦点 NBI 駆動型人工知能

胃食道逆流症 (GORD) は、胃内容物の逆流に続発する症状を伴う慢性疾患です (Vakil et al., 2006)。 それは、びらん性食道炎 (EO)、非びらん性逆流疾患 (NERD)、逆流性過敏症 (RH)、機能性胸やけ (FH) の 4 つの表現型に分けられます (Nikaki, Woodland and Sifrim, 2016)。 これらの表現型の定義は、診断テストとその解釈方法が追加されて進化してきました。最新のものは、Lyon Consensus Statement (Gyawali et al., 2018) です。 GORD を示唆する症状を呈する患者の大部分は、内視鏡検査で粘膜病変が見られません (Nikaki、Woodland、および Sifrim、2016 年)。 消化性狭窄やバレット食道などの GORD の合併症は、WLE を使用して容易に診断できます。 標準定義の WLE を伴う逆流性食道炎の診断は、ロサンゼルス (LA) 分類 (Armstrong et al., 1996) で十分に説明されており (Lundell et al., 1999)、LA グレード C および D で GORD の確認 (Gyawaliら、2018)。 さらに、AET は LA 分類 A から D まで増加することが示されています (Lundell et al., 1999)。 しかし、LA グレード (カッパ係数 0.4)、特に A と B の間の観察者間一致はわずかです。ら、2008)。 これに基づいて GORD の診断と逆流防止手術の決定を下すことはできず、GORD を確認するために pH 検査を行う必要があります。

狭帯域イメージング

WLE と NBI を併用した GORD の LA 分類を使用した高解像度のオリンパス H260 スコープを使用した胃食道接合部のイメージングは​​、WLE 単独と比較して、組み合わせて使用​​した場合の全体的な観察者間再現性の改善を示しました。 k 0.62 対 0.45 (<0.05)(Lee et al., 2007)。 EO (n = 41; LA グレード A および B)、NERD (n = 36)、およびコントロール (n = 32) の場合に、扁平円柱接合部でデジタル倍率 NBI を使用して特定された機能には、微小浸食 (100% EO; 52.8% NERD; 23.3% コントロール)、血管分布の増加 (95.1% EO; 91.7% NERD; 36.7% コントロール) および丸いピット パターン (4.9% EO; 5.6% NERD; 70% コントロール)。 血管分布の増加と丸いピット パターンの欠如により、NERD は感度と特異度が 86.1% および 83.3% のコントロールと区別されます。 この単一施設の研究における観察者間の合意は、血管分布の増加 (k=0.95) および微小侵食 (k=0.89) に適していました。 しかし、ピットパターンでは低い (k=0.59) (フォックら、2009)。

乳頭内毛細血管ループ (IPCL) は、粘膜下静脈から乳頭に至る粘膜毛細血管であり、通常は約 100 マイクロメートル離れた規則的な「ドット」状に配置されています (Inoue, 2001)。 NBI による食道 IPCL の可視化は十分に文書化されており、扁平上皮腫瘍の NBI 分類の基礎となっています (Inoue et al., 2015)。 IPCL 形態の変化は、NERD について調査されている患者、特に拡大 NBI を使用した NERD 患者の IPCL の拡張と伸長で提案されています (Kato et al., 2006)。

GORD の診断のための光学拡大による NBI は、2 つの研究で評価されています (Sharma et al., 2007; Lv et al., 2013)。 Sharma らは、Olympus Q240Z を使用して実現可能性試験を行い、n=50 の GORD (EO n=30; NERD n=20) およびコントロール (n=30) で WLE と NBI による遠位 5cm の四分円検査を行いました。 Fock らと同様に、微小浸食と血管過多の存在は、GORD の間で有意に高かった。 蛇行のIPCL数と形態、拡張は、対照と比較してGORDで有意に多く見られました。 これらの調査結果は、EO および NERD とコントロールの独立した比較において一貫していました。 NERD の最高の感度と特異度 (それぞれ) の ROC 分析しきい値は、最大 ipcl/フィールド 131 (90%、70%)、最小 99 (85%、70%)、平均 117 (90%、70%) でした (Sharma et al 、2007)。

Lv らは、オリンパス GIF-H260Z を使用して、NERD (n=40)、EO (n=40)、バレット (n=40)、および健康なコントロール (n=40) を評価しました。 IPCL番号、形態（延長/拡張/曲がりくねった）、微小侵食、SCJの上または下の丸いピットパターンが逆流の特徴として記録されました。 対照と比較して GERD (NERD/EO および BE) 患者の SCJ より下の IPCL 数、微小侵食、非円形ピット パターンの増加、および RE と比較した NERD 患者の微小侵食の減少に有意差が見られました (Lv et al., 2013)。

ただし、これまでのすべての研究におけるNERDの定義はさまざまであり、主に症状の評価、PPIへの反応、およびpH研究を使用した標準化なしの内視鏡検査での粘膜病変の欠如に基づいています。

人工知能

現在までに、人口統計、病歴、健康状態、症状スコアなどの 45 の変数に基づいて GORD を予測する際の ANN の使用を評価する 1 つの研究があります。 すべての患者は、内視鏡検査で粘膜病変のない患者で行われた OGD、24-pH 試験を受けました。 ANN は、従来の統計的回帰分析を使用した 78% と比較して、100% の精度を示しました (Pace et al., 2005)。 これらは楽観的な結果ですが、使用されたトレーニング データとテスト データの比率は指定されておらず、より大きなデータセットを使用したさらなる評価が明らかに保証されています。 現在まで、GORD を診断するための画像駆動型 AI モデルはありません。 内視鏡画像を使用した機械学習は、GORD の診断のための NBI の以前の研究に基づいて、IPCL を潜在的なターゲットとして、セクション 1.7.7 で説明したように非常に興味深い経路です。 IPCL 検出と形態学を含む CNN は、専門の内視鏡検査医と正確に一致するセグメンテーション技術を使用した食道早期扁平上皮がんのコンピューター支援診断のパイロット研究の文脈で最近報告されました (Zhao et al., 2018)。 Adaptive Local Thresholding の画像セグメンテーション手法は、網膜写真の血管検出に役立つことが実証されており、IPCL にとって魅力的な手法となっています (Jiang and Mojon、2003)。