Michael Meinikheim, Robert Mendel, Markus W. Scheppach, Andreas Probst, Friederike Prinz, Tanja Schwamberger, Jakob Schlottmann, Stefan Gölder, Benjamin Walter, Ingo Steinbrück, Christoph Palm, Helmut Messmann, Alanna Ebigbo
- Einleitung
Die sichere Detektion und Charakterisierung von Barrett-Ösophagus assoziierten Neoplasien (BERN) stellt selbst für erfahrene Endoskopiker eine Herausforderung dar.
Ziel
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.
Material und Methodik
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.
Ergebnisse
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%.
Zusammenfassung
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.
MetadatenAuthor: | Michael Meinikheim, Robert Mendel, Markus W. ScheppachORCiD, Andreas Probst, Friederike Prinz, Tanja Schwamberger, Jakob Schlottmann, Stefan Gölder, Benjamin Walter, Ingo Steinbrück, Christoph PalmORCiDGND, Helmut Messmann, Alanna EbigboORCiD |
---|
DOI: | https://doi.org/10.1055/s-0042-1745653 |
---|
Parent Title (German): | Zeitschrift für Gastroenterologie |
---|
Publisher: | Thieme |
---|
Place of publication: | Stuttgart |
---|
Document Type: | conference proceeding (presentation, abstract) |
---|
Language: | German |
---|
Year of first Publication: | 2022 |
---|
Release Date: | 2022/04/11 |
---|
Tag: | Barrett-Ösophagus; Künstliche Intelligenz |
---|
Psyndex Keyword: | Speiseröhrenkrankheit |
---|
Volume: | 60 |
---|
Issue: | 4 |
---|
Article Number: | e251 |
---|
First Page: | 251 |
---|
Konferenzangabe: | 49. Jahrestagung der Gesellschaft für Gastroenterologie in Bayern e.V., Freising |
---|
Institutes: | Fakultät Informatik und Mathematik |
---|
| Fakultät Informatik und Mathematik / Regensburg Medical Image Computing (ReMIC) |
---|
Dewey Decimal Classification: | 0 Informatik, Informationswissenschaft, allgemeine Werke |
---|
| 6 Technik, Medizin, angewandte Wissenschaften |
---|
research focus: | Lebenswissenschaften und Ethik |
---|
Licence (German): | Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG |
---|