Künstliche Intelligenz in der Endoskopie

KI-Algorithmen können keine Experten übertreffen, aber für unerfahrene Endoskopiker könnten die Systeme hilfreich sein. Die Entwicklung schreitet mit enormer Geschwindigkeit voran doch in Europa sind derzeit für die klinische Praxis nur Applikationen zur Kolonpolypendetektion und Charakterisierung verfügbar. Über die Entwicklungen der KI-Systeme, den möglichen Einsatz, die Vorteile und Limitierungen wird im Folgenden diskutiert.

Kernaussagen

• KI-Algorithmen in der Endoskopie können derzeit unerfahrene Endoskopiker übertreffen, nicht jedoch Experten.

• Während für eine Vielzahl von Einzelaufgaben effektive KI-Algorithmen entwickelt wurden, sind in Europa derzeit für die klinische Praxis nur Applikationen zur Kolonpolypendetektion und Charakterisierung verfügbar.

• Aktuell werden Verfahren der künstlichen Intelligenz in der Endosonografie vor allem innerhalb forschungsorientierten Studien eingesetzt. Vielversprechende Ansätze zeigen sich bereits z. B. bei der Unterscheidung von GIST und Leiomyom oder Differenzierung von Low-Grade- oder High-Grade-IPMNs.

• Während Studienergebnisse ein großes Potenzial von KI in der Erkennung von Dünndarmläsionen suggerieren, ist bislang keine Anwendung für die klinische Praxis zugelassen.

• KI kann die Gastroskopie auf 2 Arten unterstützen: Präkanzerosen und Frühneoplasien werden erkannt und „blinde Flecken“ werden reduziert.

• Die für endoskopische Anwendungen derzeit kommerziell verfügbaren KI-Systeme unterstützen die Polypendetektion bei der Koloskopie.

• KI-Algorithmen können Aussagen über die Krankheitsaktivität von CED auf der Basis verschiedener Bildmodalitäten machen.

Schlüsselwörter

künstliche Intelligenz - Endoskopie - maschinelles Lernen - Endosonografie - Polypendetektionssysteme

Publication History

Article published online:
12 December 2023

• Literatur

• 1 Ebigbo A, Palm C, Probst A. et al. A technical review of artificial intelligence as applied to gastrointestinal endoscopy: clarifying the terminology. Endosc Int Open 2019; 7: E1616-E1623 DOI: 10.1055/a-1010-5705. (PMID: 31788542)
• 2 Pan W, Li X, Wang W. et al. Identification of Barrett’s esophagus in endoscopic images using deep learning. BMC Gastroenterol 2021; 21: 479 DOI: 10.1186/s12876-021-02055-2. (PMID: 34920705)
• 3 Emura F, Chandrasekar VT, Hassan C. et al. Rio de Janeiro Global Consensus on Landmarks, Definitions, and Classifications in Barrett’s Esophagus: World Endoscopy Organization Delphi Study. Gastroenterology 2022; 163: 84-96.e82 DOI: 10.1053/j.gastro.2022.03.022.
• 4 Ali S, Bailey A, Ash S. et al. A Pilot Study on Automatic Three-Dimensional Quantification of Barrett’s Esophagus for Risk Stratification and Therapy Monitoring. Gastroenterology 2021; 161: 865-878.e8 DOI: 10.1053/j.gastro.2021.05.059.
• 5 Römmele C, Mendel R, Barrett C. et al. An artificial intelligence algorithm is highly accurate for detecting endoscopic features of eosinophilic esophagitis. Sci Rep 2022; 12: 11115 DOI: 10.1038/s41598-022-14605-z. (PMID: 35778456)
• 6 Spechler SJ, Souza RF. Barrett’s Esophagus. N Engl J Med 2014; 371: 836-845 DOI: 10.1056/NEJMra1314704. (PMID: 25162890)
• 7 Abdelrahim M, Saiko M, Maeda N. et al. Development and validation of artificial neural networks model for detection of Barrett’s neoplasia: a multicenter pragmatic nonrandomized trial (with video). Gastrointest Endosc 2023; 97: 422-434 DOI: 10.1016/j.gie.2022.10.031. (PMID: 36283443)
• 8 Ebigbo A, Mendel R, Probst A. et al. Real-time use of artificial intelligence in the evaluation of cancer in Barrett’s oesophagus. Gut 2020; 69: 615-616 DOI: 10.1136/gutjnl-2019-319460. (PMID: 31541004)
• 9 Ebigbo A, Mendel R, Rückert T. et al. Endoscopic prediction of submucosal invasion in Barrett’s cancer with the use of artificial intelligence: a pilot study. Endoscopy 2021; 53: 878-883 DOI: 10.1055/a-1311-8570. (PMID: 33197942)
• 10 Yuan XL, Zeng XH, Liu W. et al. Artificial intelligence for detecting and delineating the extent of superficial esophageal squamous cell carcinoma and precancerous lesions under narrow-band imaging (with video). Gastrointest Endosc 2023; 97: 664-672.e4 DOI: 10.1016/j.gie.2022.12.003. (PMID: 36509114)
• 11 Nakagawa K, Ishihara R, Aoyama K. et al. Classification for invasion depth of esophageal squamous cell carcinoma using a deep neural network compared with experienced endoscopists. Gastrointest Endosc 2019; 90: 407-414 DOI: 10.1016/j.gie.2019.04.245. (PMID: 31077698)
• 12 Yasuda T, Hiroyasu T, Hiwa S. et al. Potential of automatic diagnosis system with linked color imaging for diagnosis of Helicobacter pylori infection. Dig Endosc 2020; 32: 373-381 DOI: 10.1111/den.13509. (PMID: 31398276)
• 13 Menon S, Trudgill N. How commonly is upper gastrointestinal cancer missed at endoscopy? A meta-analysis. Endosc Int Open 2014; 2: E46-E50 DOI: 10.1055/s-0034-1365524. (PMID: 26135259)
• 14 Wu L, Shang R, Sharma P. et al. Effect of a deep learning-based system on the miss rate of gastric neoplasms during upper gastrointestinal endoscopy: a single-centre, tandem, randomised controlled trial. Lancet Gastroenterol Hepatol 2021; 6: 700-708 DOI: 10.1016/S2468-1253(21)00216-8. (PMID: 34297944)
• 15 Siegel RL, Miller KD, Jemal A. Cancer statistics, 2018. CA Cancer J Clin 2018; 68: 7-30 DOI: 10.3322/caac.21442. (PMID: 29809280)
• 16 Barbosa DJ, Ramos J, Lima CS. Detection of small bowel tumors in capsule endoscopy frames using texture analysis based on the discrete wavelet transform. Annu Int Conf IEEE Eng Med Biol Soc 2008; 2008: 3012-3015 DOI: 10.1109/IEMBS.2008.4649837. (PMID: 19163340)
• 17 Scheppach MW, Rauber D, Stallhofer J. et al. Detection of duodenal villous atrophy on endoscopic images using a deep learning algorithm. Gastrointest Endosc 2023; 97: 911-916 DOI: 10.1016/j.gie.2023.01.006. (PMID: 36646146)
• 18 Klang E, Barash Y, Margalit RY. et al. Deep learning algorithms for automated detection of Crohn’s disease ulcers by video capsule endoscopy. Gastrointest Endosc 2020; 91: 606-613.e2 DOI: 10.1016/j.gie.2019.11.012.
• 19 Ebigbo A, Mendel R, Scheppach MW. et al. Vessel and tissue recognition during third-space endoscopy using a deep learning algorithm. Gut 2022; 71: 2388-2390 DOI: 10.1136/gutjnl-2021-326470. (PMID: 36109151)
• 20 Deprez PH, Moons LMG, OʼToole D. et al. Endoscopic management of subepithelial lesions including neuroendocrine neoplasms: European Society of Gastrointestinal Endoscopy (ESGE) Guideline. Endoscopy 2022; 54: 412-429 DOI: 10.1055/a-1751-5742. (PMID: 35180797)
• 21 Kim DH, Park CH, Park SY. et al. Diagnostic yields of endoscopic ultrasound-guided fine-needle tissue acquisition according to the gastric location. Medicine (Baltimore) 2021; 100: e26477 DOI: 10.1097/MD.0000000000026477. (PMID: 34160458)
• 22 Ye XH, Zhao LL, Wang L. Diagnostic accuracy of endoscopic ultrasound with artificial intelligence for gastrointestinal stromal tumors: A meta-analysis. J Dig Dis 2022; 23: 253-261 DOI: 10.1111/1751-2980.13110. (PMID: 35793389)
• 23 Suzuki R, Thosani N, Annangi S. et al. Diagnostic yield of EUS-FNA-based cytology distinguishing malignant and benign IPMNs: a systematic review and meta-analysis. Pancreatology 2014; 14: 380-384 DOI: 10.1016/j.pan.2014.07.006. (PMID: 25278308)
• 24 Kuwahara T, Hara K, Mizuno N. et al. Usefulness of Deep Learning Analysis for the Diagnosis of Malignancy in Intraductal Papillary Mucinous Neoplasms of the Pancreas. Clin Transl Gastroenterol 2019; 10: 1-8 DOI: 10.14309/ctg.0000000000000045. (PMID: 31117111)
• 25 Schulz D, Heilmaier M, Phillip V. et al. Accurate prediction of histological grading of intraductal papillary mucinous neoplasia using deep learning. Endoscopy 2023; 55: 415-422 DOI: 10.1055/a-1971-1274. (PMID: 36323331)
• 26 Corley DA, Jensen CD, Marks AR. et al. Adenoma detection rate and risk of colorectal cancer and death. N Engl J Med 2014; 370: 1298-1306 DOI: 10.1056/NEJMoa1309086. (PMID: 24693890)
• 27 Gimeno-García AZ, Hernández Negrin D, Hernández A. et al. Usefulness of a novel computer-aided detection system for colorectal neoplasia: a randomized controlled trial. Gastrointest Endosc 2023; 97: 528-536.e1 DOI: 10.1016/j.gie.2022.09.029. (PMID: 36228695)
• 28 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 DOI: 10.1053/j.gastro.2020.04.062. (PMID: 32371116)
• 29 Barua I, Misawa M, Glissen Brown JR. et al. Speedometer for withdrawal time monitoring during colonoscopy: a clinical implementation trial. Scand J Gastroenterol 2022; 58: 664-670 DOI: 10.1080/00365521.2022.2154616. (PMID: 36519564)
• 30 Ozawa T, Ishihara S, Fujishiro M. et al. Novel computer-assisted diagnosis system for endoscopic disease activity in patients with ulcerative colitis. Gastrointest Endosc 2019; 89: 416-421.e1 DOI: 10.1016/j.gie.2018.10.020. (PMID: 30367878)
• 31 Takenaka K, Ohtsuka K, Fujii T. et al. Development and Validation of a Deep Neural Network for Accurate Evaluation of Endoscopic Images From Patients With Ulcerative Colitis. Gastroenterology 2020; 158: 2150-2157 DOI: 10.1053/j.gastro.2020.02.012. (PMID: 32060000)