Open Access

Aims  Evaluation of the add-on effect an artificial intelligence (AI) based clinical decision support system has on the performance of endoscopists with different degrees of expertise in the field of Barrett's esophagus (BE) and Barrett's esophagus-related neoplasia (BERN). Methods  The support system is based on a multi-task deep learning model trained to solve a segmentation and several classification tasks. The training approach represents an extension of the ECMT semi-supervised learning algorithm. The complete system evaluates a decision tree between estimated motion, classification, segmentation, and temporal constraints, to decide when and how the prediction is highlighted to the observer. In our current study, ninety-six video cases of patients with BE and BERN were prospectively collected and assessed by Barrett's specialists and non-specialists. All video cases were evaluated twice – with and without AI assistance. The order of appearance, either with or without AI support, was assigned randomly. Participants were asked to detect and characterize regions of dysplasia or early neoplasia within the video sequences. Results  Standalone sensitivity, specificity, and accuracy of the AI system were 92.16%, 68.89%, and 81.25%, respectively. Mean sensitivity, specificity, and accuracy of expert endoscopists without AI support were 83,33%, 58,20%, and 71,48 %, respectively. Gastroenterologists without Barrett's expertise but with AI support had a comparable performance with a mean sensitivity, specificity, and accuracy of 76,63%, 65,35%, and 71,36%, respectively. Conclusions  Non-Barrett's experts with AI support had a similar performance as experts in a video-based study.

Einleitung  Die Differenzierung zwischen nicht dysplastischem Barrett-Ösophagus (NDBE) und mit Barrett-Ösophagus assoziierten Neoplasien (BERN) während der endoskopischen Inspektion erfordert viel Expertise. Die frühe Diagnosestellung ist wichtig für die weitere Prognose des Barrett-Karzinoms. In Deutschland werden Patient:innen mit einem Barrett-Ösophagus (BE) in der Regel im niedergelassenen Sektor überwacht. Ziele  Ziel ist es, den Einfluss von einem auf Künstlicher Intelligenz (KI) basierenden klinischen Entscheidungsunterstützungssystems (CDSS) auf die Performance von niedergelassenen Gastroenterolog:innen (NG) bei der Evaluation von Barrett-Ösophagus (BE) zu untersuchen. Methodik  Es erfolgte die prospektive Sammlung von 96 unveränderten hochauflösenden Videos mit Fällen von Patient:innen mit histologisch bestätigtem NDBE und BERN. Alle eingeschlossenen Fälle enthielten mindestens zwei der folgenden Darstellungsmethoden: HD-Weißlichtendoskopie, Narrow Band Imaging oder Texture and Color Enhancement Imaging. Sechs NG von sechs unterschiedlichen Praxen wurden als Proband:innen eingeschlossen. Es erfolgte eine permutierte Block-Randomisierung der Videofälle in entweder Gruppe A oder Gruppe B. Gruppe A implizierte eine Evaluation des Falls durch Proband:innen zunächst ohne KI und anschließend mit KI als CDSS. In Gruppe B erfolgte die Evaluation in umgekehrter Reihenfolge. Anschließend erfolgte eine zufällige Wiedergabe der so entstandenen Subgruppen im Rahmen des Tests. Ergebnis  In diesem Test konnte ein von uns entwickeltes KI-System (Barrett-Ampel) eine Sensitivität von 92,2%, eine Spezifität von 68,9% und eine Accuracy von 81,3% erreichen. Mit der Hilfe von KI verbesserte sich die Sensitivität der NG von 64,1% auf 71,2% (p<0,001) und die Accuracy von 66,3% auf 70,8% (p=0,006) signifikant. Eine signifikante Verbesserung dieser Parameter zeigte sich ebenfalls, wenn die Proband:innen die Fälle zunächst ohne KI evaluierten (Gruppe A). Wurde der Fall jedoch als Erstes mit der Hilfe von KI evaluiert (Gruppe B), blieb die Performance nahezu konstant. Schlussfolgerung  Es konnte ein performantes KI-System zur Evaluation von BE entwickelt werden. NG verbessern sich bei der Evaluation von BE durch den Einsatz von KI.

In dieser Ausgabe geht es um Transnationalismus. Die Einführung ist ein erklärender Artikel zum Themenbereich. Im Anschluss wird das methodische Vorgehen vorgestellt. Schließlich werden die einzelnen Ergebnisse dargestellt und abschließend zusammengefasst.

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.

The endoscopic features associated with eosinophilic esophagitis (EoE) may be missed during routine endoscopy. We aimed to develop and evaluate an Artificial Intelligence (AI) algorithm for detecting and quantifying the endoscopic features of EoE in white light images, supplemented by the EoE Endoscopic Reference Score (EREFS). An AI algorithm (AI-EoE) was constructed and trained to differentiate between EoE and normal esophagus using endoscopic white light images extracted from the database of the University Hospital Augsburg. In addition to binary classification, a second algorithm was trained with specific auxiliary branches for each EREFS feature (AI-EoE-EREFS). The AI algorithms were evaluated on an external data set from the University of North Carolina, Chapel Hill (UNC), and compared with the performance of human endoscopists with varying levels of experience. The overall sensitivity, specificity, and accuracy of AI-EoE were 0.93 for all measures, while the AUC was 0.986. With additional auxiliary branches for the EREFS categories, the AI algorithm (AI-EoEEREFS) performance improved to 0.96, 0.94, 0.95, and 0.992 for sensitivity, specificity, accuracy, and AUC, respectively. AI-EoE and AI-EoE-EREFS performed significantly better than endoscopy beginners and senior fellows on the same set of images. An AI algorithm can be trained to detect and quantify endoscopic features of EoE with excellent performance scores. The addition of the EREFS criteria improved the performance of the AI algorithm, which performed significantly better than endoscopists with a lower or medium experience level.