Künstliche Intelligenz in der Gastroenterologie

Was ist neu?

Maschinelles Lernen und künstliche Intelligenz Künstliche Intelligenz (KI) verändert derzeit alle Bereiche unseres Lebens- und Arbeitsalltags. Die Welt der Medizin ist hiervon nicht ausgenommen. Eine Kernmethode der künstlichen Intelligenz – künstliche neuronale Netzwerke – ist besonders effektiv im Analysieren von Bilddaten. Dies beeinflusst auch die Gastroenterologie wesentlich.

Klinische Anwendungen Insbesondere endoskopische, radiologische und histologische Bilder können mittels künstlicher neuronaler Netzwerke automatisch analysiert werden. Einerseits können dadurch repetitive Tätigkeiten automatisiert werden, beispielsweise die Suche nach Polypen in der Screening-Koloskopie. Andererseits ermöglicht dies jedoch auch die Erkennung von subtilen Mustern in Bilddaten, welche als neuartige Biomarker für klinische Verläufe genutzt werden könnten.

Ausblick Das Angebot kommerzieller KI-Systeme wird in Zukunft deutlich zunehmen. Wichtig ist die Ausbildung interdisziplinärer Forscherinnen und Forscher, das Vorhandensein standardisierter Datenbanken und das frühzeitige Heranführen der Ärztinnen und Ärzte an die komplexen KI-Anwendungen.

Abstract

Artificial intelligence (AI) is currently transforming all aspects of our daily life, including the practice of medicine. Artificial neural networks are a key method of AI. They can very effectively detect subtle patterns in imaging data and speech or text data. This is highly relevant for the practice of gastroenterology. Here, we summarize the state of the art in AI in gastroenterology and outline major clinical applications. Our focus is on AI-based analysis of endoscopy images, non-invasive imaging and histology images. In these applications, AI can support human pattern recognition. Beyond detection and classification of pathological findings, AI can predict clinical outcome from subtle image features.

Schlüsselwörter

künstliche Intelligenz - Gastroenterologie - Bildgebung

Key words

artificial intelligence - gastroenterology - imaging

Publikationsverlauf

Artikel online veröffentlicht:
06. Oktober 2020

• Literatur

• 1 Vinyals O, Babuschkin I, Czarnecki WM. et al Grandmaster level in StarCraft II using multi-agent reinforcement learning. Nature 2019; 575: 350-354 . doi:10.1038/s41586-019-1724-z
• 2 Min JK, Kwak MS, Cha JM. Overview of Deep Learning in Gastrointestinal Endoscopy. Gut Liver 2019; 13: 388-393 . doi:10.5009/gnl18384
• 3 Guimaraes P, Keller A, Fehlmann T. et al Deep-learning based detection of gastric precancerous conditions. Gut 2020; 69: 4-6 . doi:10.1136/gutjnl-2019-319347
• 4 Urban G, Tripathi P, Alkayali T. et al Deep Learning Localizes and Identifies Polyps in Real Time With 96% Accuracy in Screening Colonoscopy. Gastroenterology 2018; 155: 1069-1078.e1068 . doi:10.1053/j.gastro.2018.06.037
• 5 Ding Z, Shi H, Zhang H. et al Gastroenterologist-Level Identification of Small-Bowel Diseases and Normal Variants by Capsule Endoscopy Using a Deep-Learning Model. Gastroenterology 2019; 157: 1044-1054.e1045 . doi:10.1053/j.gastro.2019.06.025
• 6 Kocak B, Durmaz ES, Ates E. et al Radiomics with artificial intelligence: a practical guide for beginners. Diagn Interv Radiol 2019; 25: 485-495 . doi:10.5152/dir.2019.19321
• 7 Dalal V, Carmicheal J, Dhaliwal A. et al Radiomics in stratification of pancreatic cystic lesions: Machine learning in action. Cancer Lett 2020; 469: 228-237 . doi:10.1016/j.canlet.2019.10.023
• 8 Vivanti R, Szeskin A, Lev-Cohain N. et al Automatic detection of new tumors and tumor burden evaluation in longitudinal liver CT scan studies. Int J Comput Assist Radiol Surg 2017; 12: 1945-1957 . doi:10.1007/s11548-017-1660-z
• 9 Yasaka K, Akai H, Abe O. et al Deep Learning with Convolutional Neural Network for Differentiation of Liver Masses at Dynamic Contrast-enhanced CT: A Preliminary Study. Radiology 2018; 286: 887-896 . doi:10.1148/radiol.2017170706
• 10 Hassan TM, Elmogy M, Sallam ES. Diagnosis of Focal Liver Diseases Based on Deep Learning Technique for Ultrasound Images. Arabian Journal for Science and Engineering 2017; 42: 3127-3140 . doi:10.1007/s13369-016-2387-9
• 11 Guo LH, Wang D, Qian YY. et al A two-stage multi-view learning framework based computer-aided diagnosis of liver tumors with contrast enhanced ultrasound images. Clin Hemorheol Microcirc 2018; 69: 343-354 . doi:10.3233/ch-170275
• 12 Biswas M, Kuppili V, Edla DR. et al Symtosis: A liver ultrasound tissue characterization and risk stratification in optimized deep learning paradigm. Comput Methods Programs Biomed 2018; 155: 165-177 . doi:10.1016/j.cmpb.2017.12.016
• 13 Liu X, Song JL, Wang SH. et al Learning to Diagnose Cirrhosis with Liver Capsule Guided Ultrasound Image Classification. Sensors (Basel) 2017; 17
• 14 Gatos I, Tsantis S, Spiliopoulos S. et al A Machine-Learning Algorithm Toward Color Analysis for Chronic Liver Disease Classification, Employing Ultrasound Shear Wave Elastography. Ultrasound Med Biol 2017; 43: 1797-1810 . doi:10.1016/j.ultrasmedbio.2017.05.002
• 15 Kather JN, Krisam J, Charoentong P. et al Predicting survival from colorectal cancer histology slides using deep learning: A retrospective multicenter study. PLoS Med 2019; 16: e1002730 . doi:10.1371/journal.pmed.1002730
• 16 Kather JN, Pearson AT, Halama N. et al Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nat Med 2019; 25: 1054-1056 . doi:10.1038/s41591-019-0462-y
• 17 Wang P, Liu X, Berzin TM. et al Effect of a deep-learning computer-aided detection system on adenoma detection during colonoscopy (CADe-DB trial): a double-blind randomised study. Lancet Gastroenterol Hepatol 2020; 5: 343-351 . doi:10.1016/s2468-1253(19)30411-x