Jämföra antalet falska aktiveringar mellan två artificiell intelligens CADe-system: NOISE-studien (NOISE)

En fjärdedel av kolorektala neoplasier missas under screening av koloskopier - dessa kan utvecklas till kolorektal cancer (CRC). Under de senaste åren har Artificiell Intelligens djupinlärningssystem introducerats i endoskopisk miljö för att möjliggöra datorstödd detektering/karakterisering (CAD) av polyper i realtid med hög noggrannhet. Få CADe (detektion) och CADx (diagnos, karakterisering) har därför föreslagits med detta syfte. Eftersom CAD-system är baserade på djupinlärning där datorn direkt lär sig polypigenkänning från övervakade data utan någon mänsklig kontroll på den slutliga algoritmen, innehåller deras resultat en viss oförutsägbarhet i den kliniska miljön som måste tolkas försiktigt efter tillämpningen. Det innebär att endoskopisten kan få FP-bilder som han aldrig skulle ha valts ut i första hand som misstankeområden. Dessa FP:er kan hämma effektiviteten av CADe-koloskopi. Ytterligare tid kan krävas för att skilja mellan en faktisk FP och ett eventuellt falskt negativt resultat. Ett överskott av FP:er kan minska motivationen hos endoskopisten för CADe, vilket leder till underanvändning i klinisk praxis. Även om indikationerna på en CADe alltid måste tolkas av läkare, kan FP resultera i onödig polypektomi med relaterade biverkningar när den används utan lämplig utbildning. Ändå finns det en brist på information om kvantitet och kvalitet på falska positiva signaler som tillhandahålls av systemen. Från en post-hoc analys av en randomiserad klinisk prövning, där vi extraherade och analyserade ett videobibliotek av CADe-koloskopi (GI Genius) utfört i vår institution Humanitas Clinical and Research Hospital IRCCS, har vi siktat på att falska positiva resultat av CADe främst beror på artefakter från tarmväggen. Trots en hög frekvens resulterade FP från detta CADe-system i en försumbar 1% ökning av den totala utsättningstiden eftersom de flesta av dem omedelbart kasserades av endoskopisterna.