Spatial artificial intelligence in gastric endoscopy for premalignant lesions and early gastric cancer: a systematic review
Diese systematische Übersicht über 39 Studienfamilien hebt hervor, dass die räumliche KI in der Gastroskopie zwar in Richtung einer klinisch relevanten Kartierung von prämalignen Läsionen und frühem Magenkrebs voranschreitet, ihre Bereitschaft zur Unterstützung prozeduraler Entscheidungen jedoch derzeit durch einen Mangel an robusten Referenzstandards, prospektiver Validierung und Live-Evaluierung begrenzt ist.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Im Inneren des menschlichen Magens ist die Schleimhaut eine empfindliche Landschaft, in der Krebs als eine subtile, fast unsichtbare Veränderung beginnen kann. Für Ärzte, die mit einer flexiblen Kamera in das Innere blicken, bestand die Herausforderung lange Zeit nicht nur darin, einen verdächtigen Fleck zu entdecken, sondern genau zu wissen, wo er beginnt und wo er endet. Diese Grenze ist entscheidend. Wenn eine Läsion zu klein oder zu groß ist oder wenn ihre Ränder unklar sind, ändert sich der Behandlungsplan komplett. Manchmal ermöglicht eine präzise Karte einem Arzt, den Krebs mittels eines kamerabasierten Verfahrens vollständig zu entfernen; in anderen Fällen bedeutet die Ungewissheit, dass ein Patient eine invasivere Operation benötigt. Jahrelang wurden Computerprogramme darauf trainiert, als ein zweites Paar Augen zu fungieren, um dabei zu helfen, diese gefährlichen Bereiche zu markieren. Doch eine neue Frage ist aufgetaucht: Können diese Programme mehr tun, als nur zu sagen: „Hier stimmt etwas nicht“? Können sie die genaue Umrandung des Problems mit genügend Genauigkeit zeichnen, um die Hand eines Chirurgen zu führen?
Ein Forscherteam setzte sich zum Ziel, dies zu beantworten, indem es eine große Sammlung von Studien überprüfte, die künstliche Intelligenzsysteme testeten, die speziell für die Kartierung dieser Magenläsionen entwickelt wurden. Sie untersuchten Dutzende von Projekten, bei denen Computer gebeten wurden, die Grenzen von frühem Magenkrebs oder präkanzerösen Veränderungen nachzuzeichnen, anstatt lediglich deren Vorhandensein zu detektieren. Die Forscher stellsten fest, dass diese Systeme zwar sehr gut darin geworden sind, Linien auf gespeicherten Bildern zu zeichnen, der Beweis jedoch noch sehr dünn ist, dass sie dies zuverlässig während eines echten, lebenden medizinischen Eingriffs können. Die Technologie hat sich von der einfachen Detektion zur komplexen Kartierung entwickelt, aber sie hat die Brücke von einem vielversprechenden Werkzeug im Labor zu einem vertrauenswürdigen Wegweiser im Krankenhaus noch nicht vollständig überquert.
Die Übersicht untersuchte neununddreißig Gruppen von Studien, die hauptsächlich in Ost- und Südostasien durchgeführt wurden, wo Magenkrebs ein erhebliches Gesundheitsprokt darstellt. Diese Studien konzentrierten sich auf zwei Hauptziele: frühen Magenkrebs und präkanzeröse Zustände wie die intestinale Metaplasie, die bekannt dafür ist, das Krebsrisiko zu erhöhen. Die Forscher untersuchten, wie diese Systeme der künstlichen Intelligenz abschnitten, wenn sie darum gebeten wurden, das abnormale Gewebe vom gesunden Gewebe zu segmentieren oder zu trennen, und wie gut sie die spezifischen Kanten einer Läsion identifizieren konnten. In vielen Fällen wurden die Systeme an tausenden von Standbildern getestet, die aus früheren Eingriffen stammten. Die Ergebnisse zeigten, dass die Computer auf diesen gespeicherten Bildern oft Umrisse zeichnen konnten, die mit den Zeichnungen menschlicher Experten eine hohe Übereinstimmung aufwiesen. Einige Systeme schafften es sogar, zwischen verschiedenen Arten von Gewebe zu unterscheiden oder die exakte Linie zu identifizieren, an der ein Krebs endet und gesundes Gewebe beginnt.
Die Forscher fanden jedoch eine signifikante Lücke zwischen diesen beeindruckenden Zahlen auf dem Papier und der Realität der klinischen Praxis. Die meisten Studien stützten sich auf Bilder, die nachträglich gespeichert und überprüft worden waren, anstatt die Systeme während der Durchführung einer Endoskopie durch einen Arzt zu testen. Als die Forscher nach Beweisen für den Einsatz der Technologie in Echtzeit suchten, fanden sie sehr wenig. Nur zwei Studien berichteten über die Evaluierung des Systems, während die Kamera im Körper eines Patienten bewegt wurde, und nur eine Studie zeigte, dass die Karte des Computers tatsächlich das Handeln des Arzers während des Eingriffs veränderte, beispielsweise durch das Anstoßen einer zusätzlichen Biopsie. Darüber hinaus mangelte es der Art und Weise, wie diese Systeme getestet wurden, oft an der für die medizinische Sicherheit erforderlichen Strenge. Viele Studien trennten die Daten von verschiedenen Patienten nicht klar genug, was bedeutete, dass der Computer möglicherweise an Bildern derselben Person getestet wurde, an der er trainiert wurde, was den scheinbaren Erfolg aufbläht. Nur eine Handvoll Studien testete die Systeme an völlig neuen Patientengruppen aus anderen Krankenhäusern, ein entscheidender Schritt, um zu beweisen, dass die Technologie für jeden funktioniert und nicht nur für die spezifische Gruppe, für die sie entwickelt wurde.
Auch die Definition von „korrekt“ variierte in den Studien stark, was einen direkten Vergleich schwierig machte. In einigen Fällen wurde der Computer gegen eine von einem Arzt auf einem Bildschirm gezeichnete Karte beurteilt, während er in anderen Fällen mit dem tatsächlich entnommenen und mikroskopisch untersuchten Gewebe verglichen wurde. Die Forscher merkten an, dass die Zeichnung eines Arztes auf einem Bildschirm nicht dasselbe ist wie die wahre biologische Grenze, die in einem Labor gefunden wird. Ein System könnte die Zeichnung eines Arztes perfekt treffen und dennoch die wahre Kante der Krankheit verpassen, welche die einzige Kante ist, die für eine erfolgreiche Operation zählt. Da die Standards dafür, was als eine „gute“ Karte galt, so unterschiedlich waren, konnten die Forscher die Ergebnisse nicht zu einem einzigen Durchschnittswert zusammenführen. Stattdessen beobachteten sie eine Landschaft variierender Leistung, in der einige Systeme bei spezifischen Aufgaben auf spezifischen Bildern gut funktionierten, aber keines davon bisher bewiesen hatte, dass es die Grenzen einer Läsion mit der für lebenswichtige Entscheidungen erforderlichen Zuverlässigkeit konsistent definieren kann.
Die Übersicht kommt zu dem Schluss, dass die räumliche künstliche Intelligenz zwar bemerkenswerte Fortschritte beim Verständnis der Geografie der Magenkrankheiten gemacht hat, aber noch nicht bereit ist, der primäre Wegweiser für die Behandlungsplanung zu sein. Die Technologie hat erfolgreich den Schritt von der einfachen Detektion zur komplexen Aufgabe der Kartierung vollzogen, aber die Beweise für ihren Einsatz in Live-Verfahren sind noch begrenzt. Die Forscher betonen, dass diese Werkzeuge, um zu Standard zu werden, in zukünftigen Studien an lebenden Patienten getestet werden müssen, strengere Methoden anwenden müssen, um sicherzustellen, dass der Computer nicht einfach die Antworten auswendig gelernt hat, und beweisen müssen, dass die von ihnen gezeichneten Karten tatsächlich zu besseren Patientenergebnissen führen. Bis dahin bleiben diese Systeme mächtige Assistenten, die potenzielle Problemstellen hervorheben können, aber die endgültige Entscheidung darüber, wo geschnitten oder wo eine Biopsie durchgeführt werden muss, muss weiterhin beim menschlichen Arzt liegen. Der Weg von einem Computer, der eine Linie auf ein Foto zeichnen kann, zu einem System, das einen Chirurgen sicher durch einen komplexen Eingriff führen kann, ist noch in vollem Gange.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.