Development and Validation of SERRATE: A Deep Learning-Based Tool for Diagnosis of Sessile Serrated Lesions in Colonoscopy Images
Deze studie presenteert SERRATE, een op deep learning gebaseerde tool die gebruikmaakt van Swin Transformer-modellen getraind op gebalanceerde datasets van witlicht- en narrowband-beeldvorming, die klinisch relevante nauwkeurigheid vertoont bij het onderscheiden van sessiele geserrateerde laesies van andere polypentypen om de preventie van colorectale kanker te verbeteren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je je lichaam voor als een uitgestrekte, kronkelende tuin waar een verborgen tuinier af en toe kleine, verraderlijke zaadjes plant. De meeste van deze zaadjes groeien uit tot onschadelijk onkruid, maar een paar zijn "slaapagenten"—ze zien er in het begin onschuldig uit, maar kunnen uiteindelijk veranderen in gevaarlijke, invasieve klimplanten die de tuin verstikken. In de wereld van de geneeskunde is deze tuin de dikke darm, en die sluipende zaadjes worden poliepen genoemd. Hoewel artsen al lang experts zijn in het opsporen van het overduidelijke, lelijke onkruid (bekend als conventionele adenomen), is er een specifiek type slaapagent genaamd een "sessiele geserrateerde laesie" (SSL), die berucht moeilijk te vinden is. Deze SSL's zijn plat, versmelten met het omliggende weefsel en zien er vaak precies hetzelfde uit als onschadelijke hyperplastische poliepen. Omdat ze zo moeilijk te onderscheiden zijn, missen artsen ze soms of zien ze aan voor onschadelijke gezwellen, waardoor de slaapagenten achterblijven om later problemen te veroorzaken.
Om dit op te lossen, bouwen wetenschappers "slimme brillen" voor artsen met behulp van kunstmatige intelligentie (AI). Denk aan AI als een super-observante leerling die miljoenen foto's van poliepen heeft bekeken om het verschil te leren tussen een onschadelijk onkruid en een gevaarlijke slaapagent. Echter, tot nu toe waren de meeste van deze digitale leerlingen vooral getraind op het overduidelijke onkruid en kregen ze niet genoeg oefening met de lastige SSL's, wat leidde tot fouten. Deze nieuwe studie introduceert een frisse, speciaal getrainde leerling genaamd SERRATE, ontworpen om specifiek deze ongrijpbare SSL's op te sporen voordat ze schade kunnen aanrichten.
Het team achter SERRATE, onder leiding van onderzoekers van het Peking Union Medical College Hospital en de University of Massachusetts Lowell, besloot hun AI-model te bouwen met een zeer eerlijke en gebalanceerde aanpak. In plaats van de computer alleen duizenden gemakkelijk te herkennen poliepen te voeren, hebben ze zorgvuldig een "klaslokaal" van afbeeldingen verzameld met een gelijke mix van drie typen: de gevaarlijke SSL's, de veelvoorkomende adenomen en de onschadelijke hyperplastische poliepen. Ze gebruikten een geavanceerd type AI-architectuur genaamd een Swin Transformer, wat een soort detective is die niet alleen naar het midden van een afbeelding kijkt, maar ook goed let op de omgeving.
De onderzoekers testten twee verschillende manieren van kijken naar de poliepen: standaard wit licht (zoals een normale zaklamp) en narrow-band imaging (NBI), die speciaal gekleurd licht gebruikt om bloedvaten en oppervlaktepatronen te benadrukken. Ze experimenteerden ook met hoeveel "context" de AI zag. In plaats van de afbeelding strak rond de poliep te croppen, lieten ze de AI de poliep plus een klein beetje van het gezonde weefsel eromheen zien (1,5 keer of 2 keer de grootte van de laesie).
De resultaten waren veelbelovend. Wanneer het SERRATE-model werd getest op nieuwe, ongeziene afbeeldingen van hetzelfde ziekenhuis (een prospectieve interne validatie), bleek het behoorlijk scherp te zijn. Bij het gebruik van het speciale NBI-licht en de "2x context"-weergave behaalde het model een nauwkeurigheid van 82,42% in het correct identificeren van de poliepen. In een race tussen drie partijen om SSL's, adenomen en hyperplastische poliepen te onderscheiden, kreeg het model het 73,44% van de tijd goed. Nog belangrijker nog, wanneer het doel simpelweg was om "gevaarlijke" poliepen (SSL's en adenomen) van "veilige" poliepen (hyperplastische poliepen) te onderscheiden, bereikte het model een nauwkeurigheid van 91,07%.
Echter, het verhaal is nog geen perfect sprookje. Wanneer de onderzoekers ditzelfde model testten op een volledig andere set afbeeldingen van ziekenhuizen in Nederland (de externe POLAR-dataset), daalde de prestatie. De nauwkeurigheid daalde naar 69,46% voor de driedelige classificatie. Dit suggereert dat hoewel het model een getalenteerde student is in zijn eigen klaslokaal, het nog steeds een beetje in de war raakt wanneer de verlichting, de camera of de omgeving verandert. De auteurs suggereren dat dit waarschijnlijk komt doordat verschillende ziekenhuizen verschillende apparatuur gebruiken, wat een "domeinverschuiving" creëert die de AI nog niet volledig heeft geleerd te hanteren.
Ondanks deze hindernis suggereert de studie dat het geven van een breder beeld aan de AI—het zien van de poliep en zijn buren—helpt om betere gissingen te doen. Het model toonde ook aan dat het met vertrouwen de locatie van poliepen kon identificeren in 100% van de gevallen, waarbij 92% van die voorspellingen met een hoge mate van zekerheid werd gedaan. De onderzoekers concluderen dat SERRATE een belangrijke stap voorwaarts is en een hulpmiddel biedt dat artsen kan helpen om die lastige slaapagenten vaker te vangen. Ze merken echter voorzichtig op dat dit geen toverstaf is die de arts vervangt; het is eerder een krachtige assistent die meer training nodig heeft om in elk ziekenhuis ter wereld perfect te werken. Het team plant nu verdere studies om te zien hoe dit hulpmiddel presteert tijdens echte colonoscopieën in realtime, in de hoop deze digitale leerling te transformeren tot een betrouwbare partner in de strijd tegen colorectale kanker.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.