Aplicação de Inteligência Artificial para Diagnóstico Precoce de Câncer Gástrico Durante Endoscopia de Ampliação de Realce Óptico

O câncer gástrico é a terceira causa mais comum de mortes associadas ao câncer em todo o mundo, especialmente na Ásia. A detecção precoce e o tratamento curariam a doença com uma taxa de sobrevida de 5 anos superior a 90%. No entanto, a sensibilidade da endoscopia convencional com imagens de luz branca ( C-WLI) no diagnóstico de cânceres gástricos precoces (EGCs) é de apenas 40%. Técnicas de endoscopia aprimorada por imagem de ampliação (IEE), como imagem de banda estreita de ampliação (M-NBI), foram desenvolvidas e 2 RCT relatam que imagens de luz branca combinadas com M-NBI podem aumentar a sensibilidade para 95%. A estratégia que usa imagens de luz branca para detectar a lesão suspeita e usar técnicas de M-IEE para fazer um diagnóstico de câncer gástrico precoce é recomendada na endoscopia de rastreamento.

O aprimoramento óptico (OE), que é uma das técnicas M-IEE, foi desenvolvido pela HOYA Co. (Tóquio, Japão). Essa tecnologia combina processamento de sinal digital e filtros ópticos para exibição clara da microsuperfície da mucosa (MS) e microvasos (MV). A vantagem do OE é superar a escuridão do NBI, o que leva a menos utilidade para capacidade de detecção no lúmen gastrointestinal totalmente estendido. No entanto, é difícil diferenciar o câncer gástrico precoce de lesões não cancerosas para iniciantes e experiência com inter subótimo -a concordância do observador é essencial para o uso do M-IEE.

Atualmente, a inteligência artificial (IA) usando aprendizado de máquina profundo fez um grande avanço na gastroenterologia, que usa o método de gradiente descendente e retropropagação para extrair automaticamente recursos específicos de imagens. A precisão diagnóstica na identificação de câncer gastrointestinal superior foi de 0,955 em C-WLI. Os pólipos podem ser identificados em tempo real com 96% de precisão na colonoscopia de triagem. AI mostra uma excelente aplicação na detecção e diagnóstico.

Este estudo tem como objetivo desenvolver um modelo de assistência M-OE no diagnóstico de EGCs, distinguindo câncer ou não.