Om de mogelijkheden van een EUS Automatic Image Reporting System te evalueren

Een goed geschreven rapport is het belangrijkste communicatiemiddel tussen clinici, verwijzende artsen en patiënten. Rapporten spelen ook een sleutelrol voor kwaliteitsverbetering bij endoscopie van het spijsverteringskanaal. In tegenstelling tot digestieve endoscopie is de kwaliteit van de rapportage bij endoscopische echografie (EUS) niet grondig geëvalueerd en ontbreekt een referentiestandaard. Volgens de richtlijnen met betrekking tot standaard EUS-rapportage-elementen die zijn ontwikkeld en beoordeeld op de jaarlijkse bijeenkomst van het Forum for Canadian Endoscopic Ultrasound 2019, moet geschikte fotodocumentatie van alle relevante laesies en anatomische oriëntatiepunten worden opgenomen in EUS-rapporten en worden opgeslagen voor toekomstig gebruik. Systematische fotodocumentatie in EUS is een indicator van de procedurekwaliteit volgens de ASGE. Systematische fotodocumentatie kan surveillance EUS-evaluaties vergemakkelijken. Volgens een internationale online-enquête gebruikten de meeste endosonografen een gestructureerde boom in het rapport waarin normale en abnormale bevindingen (81%) of alleen abnormale bevindingen (7%) werden beschreven. Daarom is het noodzakelijk om een ​​gestandaardiseerd rapportagesysteem voor endoscopische echografiebeelden te ontwikkelen.

De afgelopen decennia zijn getuige geweest van de opmerkelijke vooruitgang van kunstmatige intelligentie (AI) op medisch gebied. Diep leren, een subset van AI, heeft een groot potentieel getoond bij het uitwerken van beeldanalyse. Op het gebied van digestieve endoscopie is diep leren uitgebreid bestudeerd, waaronder het identificeren van focale laesies, het onderscheiden van kwaadaardige en niet-kwaadaardige laesies, enzovoort. Zeldzaam onderzoek werkt echter aan automatische fotodocumentatie tijdens endoscopische echografie.

Ons eerdere werk heeft met succes een deep learning EUS-navigatiesysteem ontwikkeld dat de standaardstations van de alvleesklier en CBD in realtime kan identificeren. In de huidige studie hebben we verder een EUS automatisch beeldrapportagesysteem (EUS-AIRS) gebouwd. De EUS-AIRS kan automatisch beelden vastleggen van standaardstations, laesies en biopsieprocedures en type laesies labelen, waardoor een beeldrapport met hoge volledigheid en kwaliteit wordt gegenereerd tijdens endoscopische echografie.

We hebben de prestaties van de EUS-AIRS getest door de prestaties te testen op retrospectieve interne en externe gegevens, en we anticiperen op het bepalen van het nut van de EUS-AIRS in de klinische praktijk door de prestaties ervan te testen bij opeenvolgende potentiële patiënten.