Polypendetektion mit künstlicher Intelligenz

Zusammenfassung

Durch die Vorsorgekoloskopie lässt sich die Inzidenz und die Sterblichkeit des kolorektalen Karzinoms effektiv senken. Die Adenomdetektionsrate (ADR = engl. adenoma detection rate) stellt ein entscheidendes Qualitätskriterium der Vorsorgekoloskopie dar. Die Nutzung computerbasierender Assistenzsysteme in der Endoskopie bietet große Chancen, die Adenomdetektionsrate weiter zu steigern und für eine weitere Qualitätssicherung in der Endoskopie zu sorgen.

Die theoretischen Grundlagen der künstlichen Intelligenz wurden bereits in den 1950er-Jahren gelegt, eine breite Anwendung ist jedoch erst jetzt durch die Entwicklung schneller Computer und die Verfügbarkeit großer digitaler Datenmengen möglich. Das Deep Learning (dt. mehrschichtiges Lernen oder tiefes Lernen) stellt eine Form des maschinellen Lernens dar, bei dem durch Nutzung eines künstlichen neuronalen Netzwerks nach einer Lernphase komplexe Aufgaben gelöst werden können. Es eignet sich für Anwendungen, die für das menschliche Gehirn keine große Anstrengung darstellen (wie z. B. Gesichts- oder Spracherkennung), die jedoch mit konventionellen Methoden sehr aufwendig zu programmieren sind.

Für den Einsatz in der Endoskopie wurden auf künstlicher Intelligenz basierende Systeme zur computergestützten Polypendetektion (engl. computer aided Detection = CADe), computergestützte Diagnose (engl. computer aided diagnosis = CADx) und zum computergestützten Monitoring (engl. computer aided monitoring = CADm) erfolgreich in Studien getestet. Erste kommerzielle Systeme zur Polypendetektion und zur optischen Biopsie im Kolon sind bereits erhältlich und konnten in Studien eine Steigerung der ADR durch Einsatz der künstlichen Intelligenz belegen.

Computergestützte Assistenzsysteme auf Basis des Deep Learning könnten in naher Zukunft zum Standard in der Endoskopie werden, um eine optimale Polypendetektion, akkurate Diagnosestellung und objektives Untersuchungsmonitoring zu gewährleisten.

Schlüsselwörter

Endoskopie - künstliche Intelligenz - Deep Learning - Polypendetektion

Publication History

Article published online:
03 February 2021

• Literatur

• 1 Pan J, Xin L, Ma YF. et al. Colonoscopy reduces colorectal cancer incidence and mortality in patients with non-malignant findings: A meta-analysis. Am J Gastroenterol 2016; 111: 355-365
• 2 Corley DA, Jensen CD, Marks AR. et al. Adenoma detection rate and risk of colorectal cancer and death. New England Journal of Medicine 2014; 370: 1298-1306
• 3 Ngu WS, Bevan R, Tsiamoulos ZP. et al. Improved adenoma detection with Endocuff Vision: The ADENOMA randomised controlled trial. Gut 2019; 68: 280-288
• 4 Sola-Vera J, Catalá L, Uceda F. et al. Cuff-Assisted versus cap-Assisted colonoscopy for adenoma detection: Results of a randomized study. Endoscopy 2019; 51: 742-749
• 5 Xu L, Zhang Y, Song H. et al. Nurse participation in colonoscopy observation versus the colonoscopist alone for polyp and adenoma detection: A meta-analysis of randomized, controlled trials. Gastroenterol Res Pract  2016; 2016 7631981 DOI: 10.1155/2016/7631981.
• 6 Baxter NN, Warren JL, Barrett MJ. et al. Association between colonoscopy and colorectal cancer mortality in a US cohort according to site of cancer and colonoscopist specialty. Journal of Clinical Oncology 2012; 30: 2664-2669
• 7 Jones N. Computer science: The learning machines. Nature 2014; 505: 146-148
• 8 Soffer S, Klang E, Shimon O, Nachmias N, Eliakim R, Ben-Horin S. et al. Deep learning for wireless capsule endoscopy: a systematic review and meta-analysis. Gastrointestinal Endoscopy; 2020 S0016-5107(20)34193-6
• 9 Lui TKL, Tsui VWM, Leung WK. Accuracy of artificial intelligence-assisted detection of upper GI lesions: a systematic review and meta-analysis. Gastrointestinal Endoscopy; 2020 S0016-5107(20)34459-X
• 10 Wang P, Berzin TM, Glissen Brown JR. et al. Real-time automatic detection system increases colonoscopic polyp and adenoma detection rates: A prospective randomised controlled study. Gut 2019; 68: 1813-1819
• 11 Repici A, Badalamenti M, Maselli R. et al. Efficacy of Real-Time Computer-Aided Detection of Colorectal Neoplasia in a Randomized Trial. Gastroenterology 2020; 159: 512-520.e7
• 12 Hassan C, Spadaccini M, Iannone A, Maselli R, Jovani M, Chandrasekar VT. et al. Performance of artificial intelligence for colonoscopy regarding adenoma and polyp detection: a meta-analysis. Gastrointestinal Endoscopy; 2020 S0016-5107(20)34523-5
• 13 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.e8
• 14 Byrne MF, Chapados N, Soudan F. et al. Real-time differentiation of adenomatous and hyperplastic diminutive colorectal polyps during analysis of unaltered videos of standard colonoscopy using a deep learning model. Gut 2019; 68: 94-100
• 15 Su J-R, Li Z, Shao X-J. et al. Impact of a real-time automatic quality control system on colorectal polyp and adenoma detection: a prospective randomized controlled study (with videos). Gastrointestinal Endoscopy 2020; 91: 415-424.e4
• 16 Wu L, Zhang J, Zhou W. et al. Randomised controlled trial of WISENSE, a real-time quality improving system for monitoring blind spots during esophagogastroduodenoscopy. Gut 2019; 68: 2161-2169