Validatie van een op AI gebaseerd biliopancreatisch EUS-navigatiesysteem voor real-time kwaliteitsverbetering: een prospectieve, single-center, gerandomiseerde, gecontroleerde studie

In de afgelopen jaren heeft endoscopische echografie (EUS) zich ontwikkeld tot een geprefereerde beeldvormingsmodaliteit voor de diagnose van biliopancreatische aandoeningen, met name kleine (< 3 cm) pancreastumoren en kleine (< 4 mm) galwegstenen. Daarom wordt EUS vaak gekozen als het belangrijkste hulpmiddel voor het screenen van vroege biliopancreatische ziekten bij personen met een hoog risico. Talrijke onderzoeken hebben echter aangetoond dat het detectiepercentage van biliopancreatische ziekten onder EUS varieert van 70% tot 93% bij verschillende endoscopisten vanwege de kwaliteit van het onderzoek en de verschillen tussen operators, wat suggereert dat er een gemiste diagnose van laesies is. De gemiste diagnose van alvleesklierkanker zorgt ervoor dat patiënten de kans op radicale chirurgie verliezen, en de overlevingskans na vijf jaar wordt teruggebracht tot 7,2%; en de gemiste diagnose van choledocholithiasis veroorzaakt ernstige acute ziekten zoals acute cholangitis en acute pancreatitis; het heeft ernstige gevolgen voor de prognose en kwaliteit van leven van patiënten. Daarom is het belangrijk om de gemiste diagnose van laesies te verminderen en tegelijkertijd de toepassing van EUS verder uit te breiden.

Het waarborgen van de onderzoekskwaliteit is een essentiële voorwaarde voor het ontdekken van biliopancreatische laesies in EUS. Er zijn twee belangrijke redenen die van invloed zijn op de kwaliteit van biliopancreatisch EUS-onderzoek: ten eerste, niet-standaard operatie door endoscopisten; uitstekende biliopancreatische EUS-onderzoeken vereisen de continuïteit en integriteit van de scan. Volgens de ervaring van de Japanese Society of Gastrointestinal Endoscopie en Europese en Amerikaanse experts is multi-station benadering in biliopancreatische EUS vastgesteld als de standaard scanprocedure. En deze standaardstations bevatten anatomische oriëntatiepunten die kunnen worden gebruikt om de transducer te lokaliseren en gebieden te identificeren die niet worden gescand. De American Society for Gastrointestinal Endoscopie (ASGE) en de American Association for Gastrointestinal Endoscopy (ACG) Endoscopic Quality Working Group hebben ook kwaliteitsindicatoren uitgegeven die moeten worden ingevuld voor EUS-onderzoek. Maar ze worden vaak niet goed gevolgd vanwege een gebrek aan toezicht en beschikbaarheid van praktische hulpmiddelen, en er zijn een groot aantal blinde gebieden in de huidige dagelijkse EUS-scans. Ten tweede is het moeilijk om Amerikaanse afbeeldingen met grijze en witte textuur te begrijpen. Zelfs ervaren endoscopisten hebben een aantal uitdagingen bij het identificeren van anatomische structuren in EUS-beelden. Daarom is het van cruciaal belang om een ​​praktische tool te ontwikkelen die het blinde gebied van EUS-onderzoek in realtime kan bewaken, de moeilijkheid van echografische interpretatie kan verminderen en de kwaliteit van EUS-onderzoek kan standaardiseren.

Diep leren is met succes toegepast op veel gebieden van de geneeskunde. Op het gebied van endoscopische echografie zijn de meeste onderzoeken gewijd aan het gebruik van computerhulpmiddelen om te helpen bij de diagnose van laesies in statische beelden, terwijl zeldzaam werk de rol van diep leren bestudeerde bij het bewaken van het blinde gebied van EUS-onderzoeken en het verkennen van hulp bij echte tijd echografische interpretatie. Eerder hebben we met succes een EUS-navigatiesysteem ontwikkeld en gevalideerd dat de standaardstations van pancreas- en galweg-EUS in realtime kan identificeren. Hoewel er bemoedigende voorlopige resultaten zijn gepubliceerd met betrekking tot het gebruik van kunstmatige intelligentie om de moeilijkheidsgraad van EUS-beelden te verminderen, is dit systeem niet gevalideerd in een echte klinische setting en het is onduidelijk of het met succes kan worden toegepast in de klinische praktijk en verbetering kan brengen de kwaliteit van het EUS-examen.

Daarom hebben we in deze studie het EUS-intelligente en real-time endoscopie-analytische apparaat (EUS-IREAD genaamd) geüpdatet op basis van de eerder genoemde biliopancreatische EUS-stationherkenningsmodellen en hebben we een anatomische oriëntatiepuntidentificatiefunctie verder getraind om de transducerpositie beter te lokaliseren en diagnose te stellen biliopancreatische laesies. Vervolgens hebben we een single-center gerandomiseerde gecontroleerde studie uitgevoerd om de aanvullende prestaties ervan voor EUS-endoscopisten in een klinische setting te beoordelen.