For å evaluere kapasiteten til et EUS automatisk bilderapporteringssystem

En velskrevet rapport er den viktigste kommunikasjonsmåten mellom behandlere, henvisende leger og pasienter. Rapporter spiller også en nøkkelrolle for kvalitetsforbedring i fordøyelsesendoskopi. I motsetning til fordøyelsesendoskopi er ikke kvaliteten på rapportering i endoskopisk ultralyd (EUS) grundig evaluert og en referansestandard mangler. I henhold til veiledningserklæringene angående standard EUS-rapporteringselementer utviklet og gjennomgått på Forum for Canadian Endoscopic Ultrasound 2019 Annual Meeting, bør passende bildedokumentasjon av alle relevante lesjoner og anatomiske landemerker inkluderes i EUS-rapporter og lagres for fremtidig referanse. Systematisk bildedokumentasjon i EUS er en indikator på prosedyrekvalitet i henhold til ASGE. Systematisk bildedokumentasjon kan lette EUS-overvåkingsevalueringer. I følge en internasjonal nettbasert undersøkelse brukte de fleste endonografer et strukturert tre i rapporten som beskriver enten normale og unormale funn (81 %) eller bare unormale funn (7 %). Derfor er det nødvendig å utvikle et standardisert endoskopisk ultralydbilderapporteringssystem.

De siste tiårene har vært vitne til den bemerkelsesverdige fremgangen innen kunstig intelligens (AI) innen det medisinske feltet. Deep learning, en undergruppe av AI, har vist et stort potensial i å utvikle bildeanalyse. Innen fordøyelsesendoskopi har dyp læring blitt mye studert, inkludert identifisering av fokale lesjoner, differensiering av ondartede og ikke-maligne lesjoner, og så videre. Imidlertid fungerer sjelden studie på automatisk fotodokumentasjon under endoskopisk ultralyd.

Vårt tidligere arbeid har utviklet et dyplærings EUS-navigasjonssystem som kan identifisere standardstasjonene til bukspyttkjertelen og CBD i sanntid. I denne studien konstruerte vi videre et EUS automatisk bilderapporteringssystem (EUS-AIRS). EUS-AIRS kan automatisk ta bilder av standardstasjoner, lesjoner og biopsiprosedyrer, og merke typer lesjoner, og dermed generere en bilderapport med høy fullstendighet og kvalitet under endoskopisk ultralyd.

Vi testet ytelsen til EUS-AIRS ved å teste ytelsen på retrospektive interne og eksterne data, og vi forventer å bestemme nytten av EUS-AIRS i klinisk praksis ved å teste ytelsen hos påfølgende potensielle pasienter.