Development and Validation of a Feature-Prompted Deep Learning System for Diagnosing Chronic Atrophic Gastritis Under White-Light Endoscopy

Jedes Jahr sind Millionen von Menschen weltweit der Bedrohung durch Magenkrebs ausgesetzt, einer Krankheit, die weiterhin eine der führenden Ursachen für krebsbedingte Todesfälle weltweit ist. Bevor dieser Krebs entsteht, durchläuft die Magenschleimhaut oft eine langsame, stille Transformation, die als chronische atrophische Gastritis bekannt ist. Bei diesem Zustand verdünnt sich das gesunde Gewebe, das den Magen auskleidet, allmählich und verliert seine Funktion – eine Veränderung, die das Risiko für das spätere Auftreten von Krebs erheblich erhöht. Die Erkennung dieses frühen Warnsignals ist entscheidend, bleibt jedoch eine schwierige Aufgabe für Ärzte. Das primäre Werkzeug zur Untersuchung des Inneren des Magens ist eine flexible Kamera an einem dünnen Schlauch, die Bilder des Organinneren aufnimmt. Es ist jedoch äußerst schwierig, die subtilen Anzeichen von Gewebedünnung in diesen Bildern zu identifizieren. Die Veränderungen können schwach ausgeprägt sein, und selbst erfahrene Spezialisten sind sich oft uneinig darüber, was sie sehen, oder übersehen die Anzeichen gänzlich. Aufgrund dieser Unsicherheit greifen Ärzte manchmal auf das Entnehmen von zufälligen Gewebeproben aus verschiedenen Teilen des Magens zurück, um sicherzugehen – ein Prozess, der zeitaufwendig, kostspielig und für die Patienten unangenehm ist.

Ein Team von Forschern am Hangzhou Xiaoshan Hospital of Traditional Chinese Medicine hat ein neues System der künstlichen Intelligenz entwickelt, das darauf ausgelegt ist, Ärzten dabei zu helfen, diese frühen Warnzeichen zuverlässiger zu entdecken. Ihr Ziel war es, einen digitalen Assistenten zu erschaffen, der in der Lage ist, dieselben Live-Videobilder zu betrachten, die ein Arzt während einer Standarduntersuchung sieht, und die spezifischen Muster der Gewebedünnung mit hoher Genauigkeit zu identifizieren. Im Gegensatz zu früheren Versuchen, die versuchten, ein einzelnes Bild in einem Schritt zu analysieren, baute dieses Team ein mehrstufiges System auf, das die sorgfältige Arbeitsweise eines menschlichen Experten bei der Untersuchung eines Patienten nachahmt. Das System prüft zuerst, ob das Bild klar genug ist, um nützlich zu sein, und verwirft unscharfe oder schlecht beleuchtete Einzelbilder. Es identifiziert dann genau, welchen Teil des Magens die Kamera gerade betrachtet, indem es zwischen dem Eingang, dem Hauptkörper und dem Ausgang unterscheidet. Schließlich konzentriert es sich auf die spezifischen Bereiche, in denen die Gewebedünnung verborgen sein könnte, indem es eine Technik verwendet, die die verdächtigen Regionen hervorhebt, bevor eine Diagnose gestellt wird.

Die Forscher testeten dieses System anhand von tausenden Bildern, die von fast tausend Patienten stammen, die zwischen Januar 2024 und September 2025 eine Gastroskopie unterzogen hatten. Um sicherzustellen, dass das System die richtigen Dinge lernt, trainierten sie es mit einer riesigen Sammlung von Bildern, die von erfahrenen Ärzten sorgfältig beschriftet worden waren. Der innovativste Teil ihres Ansatzes war die Art und Weise, wie das System lernte, die Krankheit zu finden. Anstatt den Computer zu fragen, an welcher Stelle im gesamten Bild das Problem liegt, brachten sie zunächst einen separaten Teil des Systems bei, eine digitale Umrandung um die Bereiche zu ziehen, die so aussehen könnten, als ob sie eine Verdünnung aufweisen würden. Das eigentliche Diagnosewerkzeug nutzte diese Umrandungen dann als Leitfaden und konzentrierte seine Aufmerksamkeit nur auf das relevante Gewebe. Diese Methode, die die Forscher als „feature-prompted learning“ (merkmalgesteuertes Lernen) bezeichnen, ermöglichte es dem System, die gesunden Teile des Magens zu ignorieren, die es ablenken könnten – ganz so, wie ein Mensch sich auf ein bestimmtes Detail in einem überfüllten Raum konzentrieren kann, während er den Hintergrund ignoriert.

Als das Team sein bestes Modell testete, waren die Ergebnisse beeindruckend. Das System identifizierte das Vorhandensein von Gewebedünnung in 92,4 % der Fälle korrekt, in denen sie tatsächlich vorhanden war, und schloss sie in 89,2 % der Fälle korrekt aus, in denen sie nicht vorhanden war. Dieses Maß an Genauigkeit war nicht nur ein statistischer Erfolg, sondern auch ein praktischer. Als die Forscher die Leistung des Computers mit einer Gruppe von menschlichen Ärzten verglichen, war das System auf dem Niveau der erfahrensten Spezialisten, die über mehr als fünf Jahre eigenständige Erfahrung verfügten. Die Genauigkeit des Systems von 90,9 % war statistisch nicht von den 90,3 % zu unterscheiden, die diese Experten erreichten. Das System übertraf jedoch signifikant Ärzte mit mittlerer Erfahrung, die drei bis fünf Jahre lang eigenständig praktiziert hatten. Diese weniger erfahrenen Ärzte erreichten eine Genauigkeit von 85,6 %, eine Lücke, die darauf hindeutet, dass die künstliche Intelligenz als ein mächtiger Ausgleicher dienen kann, der weniger erfahrene Praktiker auf das diagnostische Niveau der erfahrensten Experten hebt.

Die Studie zeigte auch, dass das mehrstufige Design des Systems entscheidend für seinen Erfolg war. Als die Forscher eine einfachere Version testeten, die das gesamte Bild betrachtete, ohne zuvor nach Qualität oder Ort zu filtern, sank die Genauigkeit auf 8-7,0 %. Dieser Unterschied bewies, dass die Fähigkeit des Systems, die Daten zu bereinigen und sich auf die richtigen anatomischen Bereiche zu konzentrieren, einen realen, messbaren Unterschied in seinem endgültigen Urteil machte. Die Strategie des „feature-prompted learning“, bei der das System durch die digitalen Umrandungen der verdächtigen Bereiche geleitet wurde, verbesserte die Ergebnisse zusätzlich und zeigte, dass die Lenkung der Aufmerksamkeit des Computers auf die relevantesten Teile des Bildes half, Fehler zu vermeiden. Obwohl das System großes Potenzial zeigte, merkten die Forscher vorsichtig an, dass dies eine Einzelzentrumsstudie war, was bedeutet, dass sie an Patienten eines einzelnen Krankenhauses mit spezifischer Ausrüstung getestet wurde. Sie räumten ein, dass das System noch in einer größeren Vielfalt von Umgebungen und mit verschiedenen Arten von Kameras getestet werden muss, bevor es routinemäßig in Kliniken überall eingesetzt werden kann.

Trotz dieser Einschränkungen stellt die Arbeit einen bedeutenden Schritt nach vorn im Bestreben dar, die Erkennung von krebsvorstufen des Magens zu standardisieren. Durch die Kombination einer sorgfältigen, schrittweisen Analyse mit einer Methode, die den Computer anleitet, sich auf die wichtigsten Details zu konzentrieren, haben die Forscher ein Werkzeug geschaffen, das die Leistung von Top-Experten erreicht. Dieses System ersetzt nicht den Arzt, sondern bietet ein zweites Paar Augen, das niemals müde wird und niemals ein subtiles Anzeichen aufgrund von Erschöpfung oder Ablenkung übersieht. Während sich die Technologie auf größere Multizentren-Studien zubewegt, birgt sie das Potenzial, die Früherkennung von Magenkrebs konsistenter und zugänglicher zu machen und sicherzustellen, dass die Warnsignale einer chronischen atrophischen Gastritis klar gesehen werden, unabhängig davon, wer die Kamera hält.