Utveckling och validering av ett artificiell intelligens-assisterat strategivalssystem för koloskopirengöring

Kolorektal sjukdom som en vanlig mänsklig sjukdom påverkar allvarligt människors hälsa. Med befolkningens åldrande, förändringen av koststrukturen och förvärringen av miljöföroreningar, har förekomsten av kolorektala sjukdomar, såsom tjocktarmscancer, kolonpolyp och inflammatorisk tarmsjukdom, gradvis ökat.

Koloskopi är den enklaste och mest tillgängliga screeningproceduren för förebyggande av kolorektal cancer (CRC) och tidig upptäckt. Koloskopi kan tydligt observera de små förändringarna i den terminala ileum och kolorektala, såsom erosion, sår, blödningar, trängsel, ödem, polyper, tidig cancer, och så vidare. Koloskopi kan biopsi av lesionsstället för patologisk undersökning, för att histologiskt kvalitativ karakterisering av slemhinneskador, såsom inflammation, polypnatur, graden av differentiering av cancer, och så vidare. Det är till hjälp att förstå skadans svårighetsgrad och vägleda formuleringen av den korrekta behandlingsplanen eller bedömningen av behandlingseffekten. Koloskopi kan också vara den minimalt invasiva endoskopiska behandlingen av kolorektala polyper, tidig cancer, blödningar, främmande kroppar och andra sjukdomar.

Eftersom kvaliteten på tarmförberedelser påverkar koloskopins förmåga att upptäcka adenom och polyper, är adekvat tarmförberedelse nödvändig för att säkerställa optimal användning av koloskopi i CRC-prevention. Nästan alla kliniska riktlinjer rekommenderar adekvat tarmförberedelse före koloskopi. Upp till en tredjedel av koloskopierna har dock visat sig visa på otillräcklig tarmförberedelse, vilket beräknas öka kostnaden för koloskopier med 12 % till 22 %. Och det finns 20% av patienternas tarm är inte tillräckligt förberedd. När patientens tarmförberedelse är otillräcklig kan svårigheten att rodna leda till missad upptäckt av adenom. så läkare behöver noggrant identifiera sådana patienter och berätta för dem att ha en andra koloskopi efter en fullständig tarmrengöring. Utvärderingen av tarmens renhet avgörs dock subjektivt av läkare, och det finns ingen objektiv och effektiv poängstandard för att vägleda patienterna att acceptera den andra koloskopin.

Deep learning är ett viktigt genombrott inom området artificiell intelligens under det senaste decenniet. Det har stor potential för att extrahera små funktioner i bildanalys och bildklassificering. Under 2017 publicerade tidskriften Nature en artikel som visar att användning av artificiell intelligens för att diagnostisera hudsjukdomar kan nå expertnivån. Därefter, inom matsmältningsendoskopi, började fler och fler studier tillämpa artificiell intelligens för att hjälpa läkare att hitta polyper och förbättra upptäcktshastigheten för polyper och adenom.Urban, G. team använde artificiell intelligens för att identifiera polyper med 95% känslighet. Misawa, M-teamet använde artificiell intelligens för att identifiera polyper med 90 % känslighet. Syftet med vår forskargrupp är att utveckla EndoAngel med bedömning av tarmens renhet i realtid. Den kan härleda en beslutskurva för tarmens renhet baserad på förhållandet mellan andelen tarmsegment med Boston-poängen 0-1 och detektionshastigheten för adenom. Det kan hjälpa endoskopister att identifiera patienter som behöver en andra koloskopi, för att undvika de missade adenomen och den höga kostnaden för rengöringstid som orsakas av fel beslutsfattande. Samtidigt är artificiell intelligens i det preliminära forskningsstadiet inom matsmältningsendoskopi, våra forskningsresultat förväntas ge nya idéer för att förbättra upptäcktshastigheten för koloskopiska adenom.

Studieprocessen är: Försökspersoner som uppfyllde alla inklusionskriterier och inte uppfyllde alla uteslutningskriterier inkluderades i studien före koloskopi. Under koloskopin måste endoskopisterna förbli i samma utan att dra tillbaka medan de spolar tarmen. De biopsierade patienterna följs upp under en vecka. de icke-biopsierade patienterna följs upp i slutet av sin koloskopi och resultaten skickas till ett oberoende dataanalysteam för granskning. Vi kommer att samla in patienternas video och exkludera klippen av irrigation, biopsi och observation av polyp. Sedan utvärderar EndoAngel Boston Bowel Preparation Scale för uppåtgående kolon, tvärgående kolon och nedåtgående kolon och beräknar andelen 1 poäng.