你在这里

条文本

菜单条
内窥镜检查的消息
船和组织识别在第三空间内镜使用深学习算法
  1. 阿兰娜Ebigbo1,
  2. 罗伯特·孟德尔2,
  3. 马库斯·W Scheppach1,
  4. Andreas Probst1,
  5. Neal Shahidi3,
  6. Friederike普林茨1,
  7. 卡罗拉她1,
  8. Christoph Rommele1,
  9. 斯蒂芬卡尔Goelder4,
  10. Georg布劳恩1,
  11. 大卫raub2,
  12. 托拜厄斯做出的2,
  13. Luis de Souza Jr5,
  14. 若昂爸爸6,
  15. 迈克尔·伯恩7,
  16. Christoph棕榈2,
  17. 赫尔穆特•Messmann1
  1. 1美国胃肠病学,Universitatsklinikum奥格斯堡,奥格斯堡、德国
  2. 2雷根斯堡医学影像计算(ReMIC),科技Hochschule Ostbayerische雷根斯堡,雷根斯堡、德国
  3. 3医学系的,英属哥伦比亚大学,温哥华,英属哥伦比亚、加拿大
  4. 4美国胃肠病学,Ostalb-Klinikum Aalen,Aalen、德国
  5. 5部门的计算,联邦圣卡洛斯大学,圣卡洛斯、巴西
  6. 6部门的计算,圣保罗州立大学,Botucatu、巴西
  7. 7温哥华总医院,英属哥伦比亚大学的,温哥华,英属哥伦比亚、加拿大
  1. 对应到阿兰娜博士Ebigbo、美国胃肠病学Universitatsklinikum奥格斯堡,奥格斯堡86156年,拜仁,德国;alanna.ebigbo在{}uk-augsburg.de

文摘

在这项研究中,我们旨在建立一个人工智能的临床决策支持解决方案来减轻operator-dependent限制在复杂的内窥镜手术如内镜黏膜下剥离和口周围的内镜肌切开术,例如,出血和穿孔。DeepLabv3-based模型训练描绘血管、组织结构和仪器等内窥镜静态图像的过程。平均旨在交集在联盟和骰子分数分别为63%和76%,分别。应用从第三空间内镜程序标准化的视频剪辑,该算法显示出的意思是船的检出率85%的假阳性率0.75 /分钟。这些性能统计数据表明潜在的临床效益过程安全、时间和培训。

  • 内镜手术
  • 内窥镜检查
  • 肿瘤外科

数据可用性声明

所有数据都包含在相关研究文章或作为补充信息上传。

http://creativecommons.org/licenses/by-nc/4.0/

这是一个开放的分布式条依照创作共用署名非商业性(4.0 CC通过数控)许可证,允许别人分发,混音,适应,建立这个工作非商业化,和许可他们的衍生产品在不同的协议,提供了最初的工作是正确地引用,给出合适的信用,任何更改表示,非商业使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/。

http://dx.doi.org/10.1136/gutjnl - 2021 - 326470

来自Altmetric.com的统计

    请求的权限

    如果你想重用任何或所有本文的请使用下面的链接,这将带你到版权税计算中心的RightsLink服务。你将能够获得快速的价格和即时允许重用内容在许多不同的方式。

    已知关于这个主题是什么呢

    • 最近,人工智能(AI)的临床决策支持工具已经开发诊断内窥镜检查,但到目前为止,没有算法引入治疗干预措施。

    这个研究增加了

    • 考虑出血和穿孔的风险在内镜黏膜下剥离和口周围的内镜肌切开术,有一个明显的需要创新和研究人工智能指导为了最小化operator-dependent并发症。在这项研究中,我们开发了一个深刻的学习算法的实时检测和描述在第三空间内窥镜相关结构。

    这项研究可能会如何影响研究、实践或政策

    • 这种新技术显示了巨大的希望实现更高的手术安全性和速度。未来的研究可以进一步扩大了人工智能应用于胃肠道内窥镜检查的范围。

    更详细地

    内镜黏膜下剥离(ESD)是一种建立organ-sparing治疗内镜切除癌变前的技术和表面浸润性肿瘤的消化道。1 2然而,ESD和口周围的内镜肌切开术(诗)是复杂的过程的风险升高operator-dependent不良事件,特别是intraprocedural出血和穿孔。这是由于疏忽横断通过黏膜下血管或肌层固有层,可视化和切割轨迹在扩大切除缺陷并不明显。3 4一个有效的缓解策略intraprocedural不良事件尚未被开发。

    人工智能的临床决策支持解决方案(AI-CDSS)在诊断内镜迅速扩散。5 - 7因此我们试图开发一种新型AI-CDSS实时intraprocedural检测和描述的船只,组织结构和仪器在ESD和诗歌。8

    16全身12 ESD的视频和4诗程序使用奥林巴斯伊维斯X1系列内视镜(奥林巴斯、东京、日本)提取的奥格斯堡大学医院数据库。2012静态图像从这些视频注释微创切除组织专家(ESD经验≥500程序)使用计算机视觉注释工具类别电刀,内窥镜仪器、黏膜下层、肌层和血管。与KSAC DeepLabv3 +神经网络架构9和101层ResNeSt骨干10(在线补充方法用这些数据)是训练有素的。算法的性能测量内部5倍交叉验证,以及测试453带注释的图片来自11个独立的视频使用的参数交叉在联盟(借据),骰子得分和像素精度(在线补充方法)。借据和骰子分数衡量percentual重叠算法的描述和黄金标准。像素精度措施真正的像素预测每个图像的百分比和所有类。验证指标的计算是通过积累per-fold输出。交叉验证是没有hyperparameter调优。

    三个进一步完整的视频(1×诗,1×直肠ESD和1×食管ESD)被用于评估算法的视频。31个剪辑52预定义的船只(在线补充方法)进行逐帧与人工智能(AI)叠加真假容器检测和船检出率(VDR)确定。

    旨在意味着借据,意味着骰子分数和像素精度分别为63%,76%和81%,分别。测试集,AI-CDSS取得分数的68%,80%和87%为同一参数。个人每个类CIs所示值和95%表1。原始帧的例子,专家注释和AI分割所示图1。

    Examples of original images (left column) with corresponding expert annotations (middle column) and AI segmentations (right column). The muscle layer, submucosa, vessels and knife are segmented with a coloured overlay.
    " data-icon-position="" data-hide-link-title="0">图1
    图1

    原始图像的例子(左列)与相应的注释(中间列)和人工智能专家分割(右列)。肌肉层、黏膜下层血管和刀是分段的叠加。

    把这个表:
    表1

    性能结果的AI-CDSS内部交叉验证和测试数据集:借据和骰子分数为所有类别以及它们意味着在所有类别,像素精度的完整的帧数和95%置信区间在括号中

    平均VDR是85%。直肠ESD的船舶,食管的ESD和诗歌是70%,分别为95%和92%。意思是假阳性率0.75 /分钟。算法发现七9艘船,导致intraprocedural出血。也认可的两艘船需要特定的止血法止血钳主要出血。

    展示的性能AI-CDSS没有计算量化性能的措施,我们将展示一个例子,一个内部诗与AI叠加过程。可视化的实验中,我们显示6个视频剪辑,这是用于评估VDR在同一视频(2×诗,2×直肠ESD和2×食管的防静电;在线补充视频1)。在鲁棒性测试,该算法也适用于一个随机选择的高度压缩的YouTube视频,一个胃per-oral内镜肌切开术过程(ENDOCLUNORD 2020,https://www.youtube.com/watch?v=VKFHWOzYDGM;在线补充视频2)。个体输出结果现在和过去之间的指数移动平均预测缓和的预测,这是一个简单的方法包括时间信息。

    补充视频

    补充视频

    评论

    这项初步研究旨在调查AI在内镜治疗过程的潜在作用如委托人或诗。算法描述组织结构、容器和工具框架从内窥镜视频高重叠英国专家提供的黄金标准。类似的技术11已经证明了应用腹腔镜胆囊切除术区分安全与危险区域的解剖意味着借据的53%和71%,分别。

    视频剪辑与标准化和预定义的船只,该算法显示出VDR的85%。70%的较低的性能相比,直肠ESD的检测食管的超过90%的防静电和诗歌可能被贫穷可辩解的可视化的结构和intraprocedural出血,与临床经验的协议。

    大量的临床前和临床研究人工智能在胃肠道内镜已经出版,但直到现在,人工智能的应用已经在很大程度上限制诊断程序等的检测息肉或描述不清楚病变。在腹部手术,人工智能已经应用各种任务的有前景的结果,包括手术器械的检测,图像制导、导航和技能评估(“智能手术”)。12这项研究的结果表明,人工智能可能有潜力优化复杂的内窥镜手术如委托人或诗提到的类比研究(“智能委托人”)。通过强调黏膜下血管和其他组织结构,如粘膜下剖切面,治疗过程可能会更快,背负更少的不良事件如intraprocedural或postprocedural出血和穿孔。在不久的将来,人工智能援助可能有潜力在内镜加速学员的学习曲线。

    本研究的主要限制是少量的视频用于培训和验证;然而,每一个视频包含一个完整的ESD治疗过程与全面的程序的情况。研究进一步受到限制,该算法还没有在真实的环境中进行测试。然而,人工智能模型测试外部生成的视频序列,能够认识到黏膜下血管和剖切面。此外,代理等参数的检测血管,稍后流血程序期间,产生的结论是,这些并发症可能是由应用程序可预防AI-CDSS。这是第一个临床新技术的相关报告;这还需要进一步的研究来评估一个潜在的临床效益的AI-CDSS细节。

    数据可用性声明

    所有数据都包含在相关研究文章或作为补充信息上传。

    伦理语句

    病人同意出版

    伦理批准

    不适用。道德伦理委员会的批准获得Ludwigs-Maximilians-Universitat,慕尼黑(项目号21 - 1216)。

    引用

    1. ↵
      2. 布瑞克乔丹,
      3. 纽豪斯H,
      4. 伯格曼JJ
      。内镜黏膜下剥离:迹象在西方内镜实践和应用。胃肠病学2018年;154年:1887年- - - - - -900年。doi: 10.1053 / j.gastro.2018.01.068pmid:http://www.ncbi.nlm.nih.gov/pubmed/29486200
      OpenUrl PubMed
    2. ↵
      2. ShahidiN,
      3. 雷克斯DK,
      4. KaltenbachT,等
      。使用内窥镜的印象、人工智能和病理学家解释解决差异身材矮小的结直肠息肉的内镜和病理分析。胃肠病学2020年;158年:783年- - - - - -5。doi: 10.1053 / j.gastro.2019.10.024pmid:http://www.ncbi.nlm.nih.gov/pubmed/31863741
      OpenUrl PubMed
    3. ↵
      2. Draganov光伏,
      3. AiharaH,
      4. Karasik女士,等
      。内镜黏膜下剥离在北美:大型前瞻性多中心研究。胃肠病学2021年;160年:2317年- - - - - -27。doi: 10.1053 / j.gastro.2021.02.036pmid:http://www.ncbi.nlm.nih.gov/pubmed/33610532
      OpenUrl PubMed
    4. ↵
      2. 她C,
      3. Probst一个,
      4. Ebigbo一个,等
      。内镜黏膜下剥离在欧洲:结果,1000年德国内镜黏膜下肿瘤病变解剖注册表。胃肠病学2021年;161年:1168年- - - - - -78年。doi: 10.1053 / j.gastro.2021.06.049pmid:http://www.ncbi.nlm.nih.gov/pubmed/34182002
      OpenUrl PubMed
    5. ↵
      2. 伯恩曼氏金融,
      3. ChapadosN,
      4. 苏丹F,等
      。实时分化腺瘤和增生性小结直肠息肉在一成不变的视频标准的结肠镜检查使用的分析深度学习模型。肠道2019年;68年:94年- - - - - -One hundred.。doi: 10.1136 / gutjnl - 2017 - 314547pmid:http://www.ncbi.nlm.nih.gov/pubmed/29066576
      OpenUrl 文摘/免费的全文
    6. ↵
      2. Ebigbo一个,
      3. 孟德尔R,
      4. Probst一个,等
      。计算机辅助诊断中使用深度学习的评价早期食管腺癌。肠道2019年;68年:1143年- - - - - -5。doi: 10.1136 / gutjnl - 2018 - 317573pmid:http://www.ncbi.nlm.nih.gov/pubmed/30510110
      OpenUrl 免费的全文
    7. ↵
      2. ShahidiN,
      3. 布瑞克乔丹
      。如何管理大型Nonpedunculated结直肠息肉。胃肠病学2021年;160年:2239年- - - - - -43。doi: 10.1053 / j.gastro.2021.04.029pmid:http://www.ncbi.nlm.nih.gov/pubmed/33882288
      OpenUrl PubMed
    8. ↵
      2. Khashab马,
      3. Benias个人电脑,
      4. Swanstrom噢
      。内镜肌切开术为前肠蠕动障碍。胃肠病学2018年;154年:1901年- - - - - -10。doi: 10.1053 / j.gastro.2017.11.294pmid:http://www.ncbi.nlm.nih.gov/pubmed/29454796
      OpenUrl PubMed
    9. ↵
      2. 黄Y,
      3. 王问,
      4. 贾W
      。看到不止一次——Kernel-Sharing深黑色的卷积的语义分割。arXiv2019年;190809443。doi: 10.48550 / arXiv.1908.09443
    10. ↵
      2. 张H,
      3. 吴C,
      4. 张Z
      。份ResNeSt:网络。arXiv2020年;200408955。doi: 10.48550 / arXiv.2004.08955
    11. ↵
      2. Madani一个,
      3. NamaziB,
      4. 阿尔提耶里女士,等
      。术中指导人工智能:使用语义分割识别在腹腔镜胆囊切除术手术解剖。安杂志2020年。doi:doi: 10.1097 / SLA.0000000000004594。[Epub提前打印:2020年11月13日]。pmid:http://www.ncbi.nlm.nih.gov/pubmed/33196488
    12. ↵
      2. 桥本达,
      3. RosmanG,
      4. 俄文D,等
      。人工智能在手术:承诺和危险。安杂志2018年;268年:70年- - - - - -6。doi: 10.1097 / SLA.0000000000002693pmid:http://www.ncbi.nlm.nih.gov/pubmed/29389679
      OpenUrl CrossRef PubMed

    补充材料

    脚注

    • 推特@papa_joaopaulo, @ReMIC_OTH

    • AE和RM同样起到了推波助澜的作用。

    • 贡献者AE和多工作站系统:研究概念和设计,采集的数据,分析和解释数据,起草的手稿和批判性的修订手稿。RM:研究概念和设计、软件实现、分析和解释数据,起草的手稿和批判性的修订手稿。美联社:研究概念和设计,采集的数据和重要的修订手稿。NS:分析和解释数据,起草的手稿和批判性的修订手稿。FP、CF、铬、热议和GB:采集的数据和关键的修订手稿。博士和TR:软件实现和实验评价和关键的修订手稿。小伙子:统计分析和批判性的修订手稿。JP:统计分析、关键的修订手稿和研究监督。MB:研究概念和设计、分析和解释数据,起草的手稿和批判性的修订手稿。CP:研究概念和设计、分析和解释数据,统计分析,重要的修订手稿,行政和技术支持和监督学习。 HM: study concept and design, acquisition of data, critical revision of the manuscript, administrative and technical support, and study supervision. AE: guarantor. All authors: had access to the study data and reviewed and approved the final manuscript.

    • 资金作者并没有宣布具体资助这项研究从任何公共资助机构,商业或非营利部门。

    • 相互竞争的利益NS:演讲者谢礼,波士顿科学Pharmascience。m:创始人和CEO, Satisfai健康。嗯:咨询费,奥林巴斯。

    • 病人和公众参与病人和/或公众没有参与设计、实施、报告或传播计划的研究。

    • 出处和同行评议不是委托;外部同行评议。

    • 补充材料此内容已由作者(年代)。尚未审查由BMJ出版集团有限公司(BMJ)和可能没有被同行评议。任何意见或建议讨论仅代表作者(年代)和不了BMJ的支持。和责任起源于BMJ概不负责任何依赖的内容。内容包括任何翻译材料,BMJ并不保证翻译的准确性和可靠性(包括但不限于当地法规、临床指南,术语,药物名称和药物剂量),和不负责任何错误或遗漏引起的翻译和改编或否则。