仅使用白光内镜和与光增强AI损伤分类相比,外科医生对显著的直肠息肉的评估

科学领域:

• 胃肠病学 胃肠病学
• 手术瘤学手术瘤学
• 人工智能在医学中的应用

背景情况:

• 对具有模两可的特征的大型直肠息肉进行外科手术期间的决策是复杂的.
• 目前的方法很大程度上依赖于临床医生的判断,准确性有限,观察者之间有显著的变化.
• 放射学和内镜活检可以提供额外的数据,但有局限性,包括假阴性和不准确的分期.

研究的目的:

• 评估临床医生的判断在评估模两可的直肠息肉的准确性,与新型光增强机器学习 (FA-ML) 分类器相比.
• 将FA-ML与内镜活检和MRI等传统方法的性能进行比较,以区分良性与恶性直肠病变.
• 探索FA-ML的潜力,以优化针对大直肠息肉的局部治疗策略.

主要方法:

• 32名外科医生独立评估了14个模糊的直肠病变 (7种良性,7种恶性) 的内镜视频.
• 临床医生的评估与最终的病理学,放射学报告和FA-ML分类器进行了比较.
• 统计分析包括弗莱斯多评审者卡帕评分和斯皮尔曼系数,以评估评审者之间的一致性和准确性.

主要成果:

• 临床医生视觉评估的准确性为49%,与"公平"的评价者之间达成一致,主观信心与准确性无关.
• FA-ML分类器实现了86%的准确性,显著超过了人类的判断力.
• 内镜活检对所有癌症产生了假阴性结果,而MRI对良性病变的假阳性率为60%,癌症的阶段不准确.

结论:

• 目前用于评估模两可的直肠病变的临床方法是不理想的,其特点是观察者之间的广泛变化和不准确性.
• FA-ML提供了一个客观和可解释的方法,可以显著提高诊断准确性.
• 基于光的AI增强有可能促进直肠息肉的管理,从而导致更精确的治疗策略.