Evaluer effekten av et AI-system på koloskopikvaliteten til nybegynnere endoskopister

Koloskopi er en avgjørende teknikk for å oppdage og diagnostisere lesjoner i nedre fordøyelseskanal. Etterspørselen etter endoskopi er stor i Kina, og endoskopi er mangelvare. Imidlertid er en koloskopi en kompleks teknisk prosedyre som krever opplæring og erfaring for maksimal nøyaktighet og sikkerhet. Evnen til ulike endoskopister varierer sterkt. Nybegynnere endoskopister har generelt vanskeligheter og høy risiko ved å gå inn i koloskopi, og krever eksperthjelp. Til en viss grad sløser dette med nybegynnerens produktivitet. Hvis etterforskere kan ordne arbeidsmodusen til eksperter som kommer inn og nybegynnere som trekker seg fra endoskopi, kan den kliniske effektiviteten og ressursutnyttelsesgraden forbedres betydelig. Imidlertid må etterforskere vurdere den dårlige undersøkelsesevnen til nybegynnere endoskopister. Det er rapportert at deteksjonsraten for adenom i koloskopi utført av endoskopister med forskjellig ansiennitet er 7,4 % ~ 52,5 %. Hvis undersøkelsesevnen til nybegynnere endoskopister kan forbedres, kan denne bekymringen elimineres.

Dyplæringsalgoritmer har blitt kontinuerlig utviklet og stadig mer modne de siste årene. De har gradvis blitt brukt til det medisinske feltet. Datasyn er en vitenskap som studerer hvordan man lager maskiner for å "se". Gjennom dyp læring kan kamera og datamaskin erstatte menneskelige øyne for å utføre maskinsyn som målgjenkjenning, sporing og måling. Tverrfaglig samarbeid innen medisinsk bildediagnostikk og datasyn er også et av forskningshotspotene de siste årene. For tiden brukes den hovedsakelig til automatisk identifisering og påvisning av lesjoner og kvalitetskontroll og har oppnådd gode resultater.

Etterforskerens foreløpige eksperimenter har vist at dyp læring har høy nøyaktighet i endoskopisk kvalitetsovervåking, som effektivt kan regulere legers operasjoner, redusere blinde flekker og forbedre kvaliteten på endoskopisk undersøkelse. Samtidig kan den også overvåke legens tilbaketrekkingstid i sanntid og forbedre deteksjonshastigheten for adenom. I det forrige arbeidet til etterforskerens forskningsgruppe har etterforskere utviklet dypt læringsbasert koloskopi, tilbaketrekningshastighetsovervåking og tarmens renslighetsvurdering og verifisert effektiviteten til det AI-assisterte systemet EndoAngel for å forbedre kvaliteten på gastroskopi og koloskopi i kliniske studier.

Basert på det ovennevnte rike grunnlaget for forarbeid og den enorme etterspørselen etter å forbedre koloskopievnen til nybegynnere. Ved å sammenligne ytelsen til nybegynnere og nybegynnere med EndoAngel-hjelp og eksperter innen koloskopi, ønsker etterforskere å undersøke om kunstig intelligens kan hjelpe nybegynnere til å nå ekspertnivået innen koloskopi.