AI i å forutsi polypppatologi og endoskopisk klassifisering

Bakgrunn: Koloskopi med optisk diagnose basert på utseende av polypper kan veilede valg av endoskopiske behandlingsmetoder, redusere unødvendige polypektomi-inngrep og behov for vevspatologisk diagnose, og formulere oppfølgingsstrategier i tide [1]. Denne tilnærmingen lindrer betydelig den økonomiske byrden på pasienter og helsevesenet og kan effektivt lette spenningen på kliniske ressurser [2]. Ulike endoskopiske polypper klassifiseringsmetoder, inkludert Pit Pattern [3], NICE [4], WASP [5] og MS [6], brukes til å bestemme patologiske typer. Men å mestre disse klassifiseringsmetodene krever at endoskopister gjennomgår omfattende opplæring, og på grunn av de iboende feilene i hver metode, kan ingen enkelt endoskopisk klassifiseringsmetode nøyaktig diagnostisere alle typer polypper for å oppfylle kravene til optisk diagnose. Denne begrensningen har hindret den utbredte anvendelsen av optisk diagnose i klinisk praksis [7]. Anvendelsen av kunstig intelligens-teknologi på dette feltet, kjent som datastøttet diagnose (CADx), har hatt en rivende utvikling de siste årene. Tallrike prospektive studier i stor skala har vist at nøyaktigheten til CADx-teknologi for optisk diagnose av små lesjoner (<5 mm) i hovedsak har møtt terskelen satt av europeiske og amerikanske endoskopiforeninger for optisk diagnose [8,9]. Den diagnostiske effekten av CADx for polypper ≥5 mm er imidlertid fortsatt uklar. Videre er dagens forskning stort sett begrenset til å skille mellom vanlige adenomer og hyperplastiske polypper, med lite oppmerksomhet til taggete lesjoner, som også er precancerøse lesjoner og utvikler seg enda raskere, og er mer utfordrende for endoskopister å vurdere. Disse årsakene hindrer CADx fra å bli mye brukt i klinisk praksis for nøyaktig bedømmelse av polypppatologiske typer i sanntid.