<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>3507</id>
    <completedYear/>
    <publishedYear>2022</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst>251</pageFirst>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue>4</issue>
    <volume>60</volume>
    <type>conferencepresentation</type>
    <publisherName>Thieme</publisherName>
    <publisherPlace>Stuttgart</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2022-04-10</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Einsatz von künstlicher Intelligenz (KI) als Entscheidungsunterstützungssystem für nicht-Experten bei der Beurteilung von Barrett-Ösophagus assoziierten Neoplasien (BERN)</title>
    <abstract language="deu">Einleitung&#13;
Die sichere Detektion und Charakterisierung von Barrett-Ösophagus assoziierten Neoplasien (BERN) stellt selbst für erfahrene Endoskopiker eine Herausforderung dar.&#13;
&#13;
Ziel&#13;
Ziel dieser Studie ist es, den Add-on Effekt eines künstlichen Intelligenz (KI) Systems (Barrett-Ampel) als Entscheidungsunterstüzungssystem für Endoskopiker ohne Expertise bei der Untersuchung von BERN zu evaluieren.&#13;
&#13;
Material und Methodik&#13;
Zwölf Videos in „Weißlicht“ (WL), „narrow-band imaging“ (NBI) und „texture and color enhanced imaging“ (TXI) von histologisch bestätigten Barrett-Metaplasien oder BERN wurden von Experten und Untersuchern ohne Barrett-Expertise evaluiert. Die Probanden wurden dazu aufgefordert in den Videos auftauchende BERN zu identifizieren und gegebenenfalls die optimale Biopsiestelle zu markieren. Unser KI-System wurde demselben Test unterzogen, wobei dieses BERN in Echtzeit segmentierte und farblich von umliegendem Epithel differenzierte. Anschließend wurden den Probanden die Videos mit zusätzlicher KI-Unterstützung gezeigt. Basierend auf dieser neuen Information, wurden die Probanden zu einer Reevaluation ihrer initialen Beurteilung aufgefordert.&#13;
&#13;
Ergebnisse&#13;
Die „Barrett-Ampel“ identifizierte unabhängig von den verwendeten Darstellungsmodi (WL, NBI, TXI) alle BERN. Zwei entzündlich veränderte Läsionen wurden fehlinterpretiert (Genauigkeit=75%). Während Experten vergleichbare Ergebnisse erzielten (Genauigkeit=70,8%), hatten Endoskopiker ohne Expertise bei der Beurteilung von Barrett-Metaplasien eine Genauigkeit von lediglich 58,3%. Wurden die nicht-Experten allerdings von unserem KI-System unterstützt, erreichten diese eine Genauigkeit von 75%.&#13;
&#13;
Zusammenfassung&#13;
Unser KI-System hat das Potential als Entscheidungsunterstützungssystem bei der Differenzierung zwischen Barrett-Metaplasie und BERN zu fungieren und so Endoskopiker ohne entsprechende Expertise zu assistieren. Eine Limitation dieser Studie ist die niedrige Anzahl an eingeschlossenen Videos. Um die Ergebnisse dieser Studie zu bestätigen, müssen randomisierte kontrollierte klinische Studien durchgeführt werden.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0042-1745653</identifier>
    <enrichment key="ConferenceStatement">49. Jahrestagung der Gesellschaft für Gastroenterologie in Bayern e.V., Freising</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Michael Meinikheim</author>
    <author>Robert Mendel</author>
    <author>Markus W. Scheppach</author>
    <author>Andreas Probst</author>
    <author>Friederike Prinz</author>
    <author>Tanja Schwamberger</author>
    <author>Jakob Schlottmann</author>
    <author>Stefan Karl Gölder</author>
    <author>Benjamin Walter</author>
    <author>Ingo Steinbrück</author>
    <author>Christoph Palm</author>
    <author>Helmut Messmann</author>
    <author>Alanna Ebigbo</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Barrett-Ösophagus</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>psyndex</type>
      <value>Speiseröhrenkrankheit</value>
    </subject>
    <collection role="ddc" number="0">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <collection role="ddc" number="6">Technik, Medizin, angewandte Wissenschaften</collection>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="persons" number="palmbarrett">Palm, Christoph (Prof. Dr.) - Projekt Barrett</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
  </doc>
</export-example>
