Künstliche Intelligenz zur Erkennung von endoskopisch resektablen Adenokarzinomen des Ösophagus (EREAC-AI)

  • Die zuverlässige endoskopische Einschätzung der Infiltrationstiefe bei Neoplasien des Barrett-Ösophagus (BO) ist entscheidend für die Therapieentscheidung zwischen organerhaltender endoskopischer Resektion und chirurgischer Resektion. Ziel dieser Studie ist die Entwicklung eines KIVision- Modells, das endoskopisch kurativ resezierbare Läsionen (LGD; HGD; T1a m1 –T1b sm1, L0, V0 und G1-2; EREAC)Die zuverlässige endoskopische Einschätzung der Infiltrationstiefe bei Neoplasien des Barrett-Ösophagus (BO) ist entscheidend für die Therapieentscheidung zwischen organerhaltender endoskopischer Resektion und chirurgischer Resektion. Ziel dieser Studie ist die Entwicklung eines KIVision- Modells, das endoskopisch kurativ resezierbare Läsionen (LGD; HGD; T1a m1 –T1b sm1, L0, V0 und G1-2; EREAC) von nicht kurativ endoskopisch resezierbaren Läsionen (≥ T1b sm2 und/oder L1, V1, G3; NEREAC) anhand endoskopischer Bildgebung unterscheidet. In einer Pilotstudie mit 116 Patient:innen wurde bei der Unterscheidung von T1a vs. T1b mit 230 Bildern ein F1-Score, eine Sensitivität und Spezifität von 74%, 77% und 64% erreicht. [1] Material und Methodik Es handelt sich um eine ambidirektionale multizentrische Studie mit insgesamt n=578 Patient:innen und n=651 Läsionen im Zeitraum Januar 2014 bis Juni 2025. Eingeschlossen wurden Patient:innen mit gesicherter BO-assoziierter Neoplasie anhand des histologischen Goldstandards durch a) endoskopische Submukosadissektion (ESD) oder b) chirurgische Resektion. Insgesamt wurden 526 Läsionen im Arm EREAC und 125 Läsionen der Gruppe im Arm NEREAC akquiriert. Es werden Bild- und Videodaten aus Olympus und Fuji-Endoskopen verwendet. Aus der Videodokumentation wurden Frames extrahiert und anhand eines vordefinierten Schemas annotiert (u.a. Lasionssichtbarkeit, virtuelle (NBI, TXI) und farbbasierte Chromoendoskopie, Zoommodus). Es erfolgte eine mehrstufige Annotation durch einen medizinischen Doktoranden (J.B.), mit 1:1 Supervision durch einen endoskopisch tätigen Facharzt im Bereich Gastroenterologie (D.R.), sowie durch einen Barrett-Experten (A.E). Aufgrund einer Klassenimbalance zugunsten der EREAC-Gruppe erfolgt zunachst eine Zwischenanalyse aus 185 Patient:innen mit 215 Läsionen mit a 500 Frames. Mittels ConvNeXt Tiny Architektur wurde eine 5-fache Cross-Validierung mit Split auf Patientenebene durchgeführt. Primare Leistungsmetriken sind F1-Score, Sensitivität und Spezifität. Ergebnisse Im aktuellen Test erreichte das KI-Modell für die Klassifikation (EREAC vs. NEREAC) einen mittleren F1-Score von 78.3% (resektabel: 79.8%, nicht 2 resektabel: 76.8%). Die mittlere Sensitivität und Spezifität lag bei je 78.3%. Die klassenspezifische Sensitivität und Spezifität zur Erkennung von NEREAC lag bei 72.0% und 84.6%. Zusammenfassung Ein KI-Assistenzmodell kann die endoskopische Einschatzung der Resektabilität von Barrett-Neoplasien unterstutzen, indem es die Infiltrationstiefe aus endoskopischer Bildgebung pradiziert. Klinisch besonders relevant ist die hohe Spezifität in der Erkennung nicht-resektabler Läsionen. Nächste Schritte sind das weitere Training mit höherer Datenmenge, die adressierte Aufarbeitung der Klassenimbalance, externe Validierung sowie die Echtzeit-Implementation.…show moreshow less

Export metadata

Additional Services

Share in Twitter Search Google Scholar Statistics
Metadaten
Author:Jari Bellinghoven, Raphaela Märkl, David RauberOTHORCID, Alanna EbigboORCIDGND, Christoph PalmORCID, Sandra Nagl, Andreas Probst, Helmut Messmann, David Roser
DOI:https://doi.org/10.1055/s-0046-1817759
Parent Title (German):Zeitschrift für Gastroenterologie
Publisher:Thieme
Document Type:conference proceeding (presentation, abstract)
Language:German
Year of first Publication:2026
Release Date:2026/08/17
Volume:64
Issue:03
First Page:e69
Last Page:e70
Konferenzangabe:53. Jahrestagung der Gesellschaft für Gastroenterologie in Bayern e. V.
Institutes:Fakultät Informatik und Mathematik
Fakultät Informatik und Mathematik / Labor Regensburg Medical Image Computing (ReMIC)
Research Center of Biomedical Engineering - RCBE
Research Center of Health Sciences and Technology - RCHST
Begutachtungsstatus:peer-reviewed
DFG subject classification:Ingenieurwissenschaften
research focus:Gesundheit und Soziales
Licence (German): Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG
Frontdoor-URL:https://opus4.kobv.de/opus4-oth-regensburg/10206
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.