두 인공 지능 CADe 시스템 간의 거짓 활성화 수 비교: NOISE 연구 (NOISE)

결장직장 신생물의 4분의 1은 대장내시경 검사 중 누락되며 이는 결장직장암(CRC)으로 발전할 수 있습니다. 지난 몇 년 동안 인공 지능 딥 러닝 시스템이 내시경 설정에 도입되어 높은 정확도로 폴립의 실시간 컴퓨터 지원 탐지/특성화(CAD)가 가능해졌습니다. 따라서 이러한 목적으로 제안된 CADe(검출) 및 CADx(진단, 특성화)는 거의 없습니다. CAD 시스템은 최종 알고리즘에 대한 인간의 통제 없이 컴퓨터가 감독 데이터에서 폴립 인식을 직접 학습하는 딥 러닝을 기반으로 하기 때문에 그 결과는 적용 후 신중하게 해석되어야 하는 임상 환경에서 예측 불가능성을 포함합니다. 이것은 내시경의가 처음부터 의심 영역으로 선택되지 않았을 FP 이미지를 제시할 수 있음을 의미합니다. 이러한 FP는 CADe-colonoscopy의 효율성을 방해할 수 있습니다. 실제 FP와 가능한 위음성 결과를 구별하는 데 추가 시간이 필요할 수 있습니다. 과도한 FP는 CADe에 대한 내시경 의사의 동기를 감소시켜 임상 실습에서 과소 사용으로 이어질 수 있습니다. CADe의 적응증은 항상 의사가 해석해야 하지만 FP는 적절한 교육 없이 사용할 경우 관련 부작용과 함께 불필요한 용종절제술을 초래할 수 있습니다. 그러나 시스템에서 제공하는 False Positive 신호의 양과 질에 대한 정보가 부족합니다. 우리 기관 Humanitas Clinical and Research Hospital IRCCS에서 수행된 CADe-colonoscopy(GI Genius)의 비디오 라이브러리를 추출하고 분석한 무작위 임상 시험의 사후 분석에서 CADe에 의한 위양성은 주로 창자 벽의 인공물. 높은 빈도에도 불구하고, 이 CADe 시스템의 FP는 대부분 내시경 의사가 즉시 폐기했기 때문에 총 철회 시간이 1% 증가한 것으로 나타났습니다.