<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>8500</id>
    <completedYear/>
    <publishedYear>2025</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue>8</issue>
    <volume>63</volume>
    <type>conferencepresentation</type>
    <publisherName>Thieme</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2025-09-22</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Instrumentenerkennung während der endoskopischen Submukosadissektion mittels künstlicher Intelligenz</title>
    <abstract language="deu">Einleitung: Die endoskopische Submukosadissektion (ESD) ist eine komplexe Technik zur Resektion gastrointestinaler Frühneoplasien. Dabei werden für die verschiedenen Schritte der Intervention spezifische endoskopische Instrumente verwendet. Die präzise und automatische Erkennung und Abgrenzung der verwendeten Instrumente (Injektionsnadeln, elektrochirurgische Messer mit unterschiedlichen Konfigurationen, hämostatische Zangen) könnte wertvolle Informationen über den Fortschritt und die Verfahrensmerkmale der ESD liefern und eine automatische standardisierte Berichterstattung ermöglichen.&#13;
&#13;
Ziele: Ziel dieser Studie war die Entwicklung eines KI-Algorithmus zur Erkennung und Delineation von endoskopischen Instrumenten bei der ESD.&#13;
&#13;
Methodik: 17 ESD-Videos (9×rektal, 5×ösophageal, 3×gastrisch) wurden retrospektiv zusammengestellt. Auf 8530 Einzelbilder dieser Videos wurden durch 2 Studienmitarbeiter die folgenden Klassen eingezeichnet: Hakenmesser – Spitze, Hakenmesser – Katheter, Nadelmesser – Spitze und – Katheter, Injektionsnadel -Spitze und – Katheter sowie hämostatische Zange – Spitze und – Katheter. Der annotierte Datensatz wurde zum Training eines DeepLabV3+-Deep-Learning-Algorithmus mit ConvNeXt-Backbone zur Erkennung und Abgrenzung der genannten Klassen verwendet. Die Evaluation erfolgte durch 5-fache interne Kreuzvalidierung.&#13;
&#13;
Ergebnis: Die Validierung auf Einzelpixelbasis ergab insgesamt einen F1-Score von 0,80, eine Sensitivität von 0,81 und eine Spezifität von 1,00. Es wurden F1-Scores von 1,00, 0,97, 0,80, 0,98, 0,85, 0,97, 0,80, 0,51 bzw. 0,85 für die Klassen Hakenmesser – Katheter und – Spitze, Nadelmesser – Katheter und – Spitze, Injektionsnadel – Katheter und – Spitze, hämostatische Zange – Katheter und – Spitze gemessen.&#13;
&#13;
Schlussfolgerung: In dieser Studie wurden die wichtigsten endoskopischen Instrumente, die während der ESD verwendet werden, mit hoher Genauigkeit erkannt. Die geringere Leistung bei der hämostatische Zange – Katheter kann auf die Unterrepräsentation dieser Klassen in den Trainingsdaten zurückgeführt werden. Zukünftige Studien werden sich auf die Erweiterung der Instrumentenklassen sowie auf die Ausbalancierung der Trainingsdaten konzentrieren.</abstract>
    <parentTitle language="deu">Zeitschrift für Gastroenterologie</parentTitle>
    <identifier type="doi">10.1055/s-0045-1811092</identifier>
    <enrichment key="ConferenceStatement">79. Jahrestagung der DGVS mit Sektion Endoskopie Jahrestagung der Deutschen Gesellschaft für Allgemein- und Viszeralchirurgie mit den Arbeitsgemeinschaften der DGAV und Jahrestagung der CACP. - Viszeralmedizin 2025; 15.-20. September 2025</enrichment>
    <enrichment key="BegutachtungStatus">peer-reviewed</enrichment>
    <enrichment key="opus.source">publish</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Markus W. Scheppach</author>
    <author>David Rauber</author>
    <author>C. Zingler</author>
    <author>Danilo Weber Nunes</author>
    <author>Andreas Probst</author>
    <author>Christoph Römmele</author>
    <author>Sandra Nagl</author>
    <author>Alanna Ebigbo</author>
    <author>Christoph Palm</author>
    <author>Helmut Messmann</author>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="DFGFachsystematik" number="3">Lebenswissenschaften</collection>
    <collection role="othforschungsschwerpunkt" number="">Gesundheit und Soziales</collection>
  </doc>
</export-example>
