Spatial artificial intelligence in gastric endoscopy for premalignant lesions and early gastric cancer: a systematic review
Deze systematische review van 39 onderzoeksfamilies benadrukt dat hoewel ruimtelijke AI bij gastroscopie vooruitgaat naar klinisch relevante mapping van premaligne laesies en vroeg stadium maagkanker, de gereedheid ervan om procedurele beslissingen te ondersteunen momenteel beperkt wordt door een gebrek aan robuuste referentiestandaarden, prospectieve validatie en live evaluatie.
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
Binnenin de menselijke maag is het slijmvlies een delicaat landschap waar kanker kan beginnen als een subtiele, bijna onzichtbare verandering. Voor artsen die met een flexibele camera in het binnenste kijken, is de uitdaging lang niet alleen geweest om een verdachte plek te ontdekken, maar om precies te weten waar deze begint en waar deze eindigt. Deze grens is cruciaal. Als een laesie te klein of te groot is, of als de randen onduidelijk zijn, verandert het behandelplan volledig. Soms stelt een precieze kaart een arts in staat om de kanker volledig te verwijderen met een camera-gebaseerde procedure; andere keren betekent de onzekerheid dat een patiënt een invasievere operatie nodig heeft. Jarenlang zijn computerprogramma's getraind om te fungeren als een tweede paar ogen, om te helpen bij het signaleren van deze gevaarlijke gebieden. Maar er is een nieuwe vraag ontstaan: kunnen deze programma's meer doen dan alleen zeggen "hier is iets mis"? Kunnen ze de exacte contouren van het probleem tekenen met genoeg nauwkeurigheid om de hand van een chirurg te begeleiden?
Een team van onderzoekers zette zich in om dit te beantwoorden door een grote verzameling studies te beoordelen die kunstmatige intelligentiesystemen testten die specifiek zijn ontworpen om deze maaglaesies in kaart te brengen. Ze bekeken tientallen projecten waarbij computers de opdracht kregen om de grenzen van vroege maagkanker of voorstadia van kanker te traceren, in plaats van enkel hun aanwezigheid te detecteren. De onderzoekers ontdekten dat hoewel deze systemen behoorlijk goed zijn geworden in het tekenen van lijnen op opgeslagen beelden, het bewijs dat ze dit betrouwbaar kunnen doen tijdens een echte, live medische procedure nog zeer mager is. De technologie is verschoven van eenvoudige detectie naar complexe mapping, maar heeft de brug van een veelbelovend hulpmiddel in een laboratorium naar een vertrouwde gids in een ziekenhuis nog niet volledig overgestoken.
De review onderzocht drieëndertig groepen studies, voornamelijk uitgevoerd in Oost- en Zuidoost-Azië, waar maagkanker een aanzienlijk gezondheidsprobleem vormt. Deze studies richtten zich op twee hoofddoelen: vroege maagkanker en pre-cancereuze condities zoals intestinale metaplasie, die bekend staan om het verhogen van het risico op kanker. De onderzoekers keken naar hoe deze systemen van kunstmatige intelligentie presteerden wanneer ze werden gevraagd om te segmenteren, oftewel het abnormale weefsel te scheiden van het gezonde weefsel, en hoe goed ze de specifieke randen van een laesie konden identificeren. In veel gevallen werden de systemen getest op duizenden stilstaande beelden die afkomstig waren van eerdere procedures. De resultaten toonden aan dat de computers op deze opgeslagen foto's vaak contouren konden tekenen die met een hoge mate van overlap overeenkwamen met de tekeningen van menselijke experts. Sommige systemen slaagden er zelfs in om verschillende soorten weefsel te onderscheiden of de exacte lijn te identificeren waar een kanker eindigt en gezond weefsel begint.
De onderzoekers vonden echter een aanzienlijke kloof tussen deze indrukwekkende cijfers op papier en de realiteit van de klinische praktijk. De meeste studies vertrouwden op beelden die achteraf waren opgeslagen en beoordeeld, in plaats van het testen van de systemen terwijl een arts daadwerkelijk een endoscopie uitvoerde. Wanneer de onderzoekers zochten naar bewijs van het gebruik van de technologie in realtime, vonden zij er zeer weinig. Slechts twee studies rapporteerden het evalueren van het systeem terwijl de camera in een patiënt bewoog, en slechts één studie toonde aan dat de kaart van de computer daadwerkelijk de handelingen van de arts tijdens de procedure veranderde, zoals het stimuleren van een extra biopsie. Bovendien ontbrak het de manier waarop deze systemen werden getest vaak aan de strengheid die nodig is voor medische veiligheid. Veel studies scheidden de gegevens van verschillende patiënten niet duidelijk, wat betekende dat de computer mogelijk werd getest op beelden van dezelfde persoon op wie hij getraind was, wat het schijnbare succes opblaast. Slechts een handvol studies testte de systemen op volledig nieuwe groepen patiënten uit verschillende ziekenhuizen, een cruciale stap om te bewijzen dat de technologie voor iedereen werkt, en niet alleen voor de specifieke groep waarop zij is gebouwd.
Ook de definitie van "correct" varieerde sterk tussen de studies, wat een directe vergelijking moeilijk maakte. In sommige gevallen werd de computer beoordeeld tegenover een kaart die een arts op een scherm had getekend, terwijl het in andere gevallen werd vergeleken met het daadwerkelijk verwijderde weefsel dat onder een microscoop werd onderzocht. De onderzoekers merkten op dat een tekening van een arts op een scherm niet hetzelfde is als de werkelijke biologische grens die in een laboratorium wordt gevonden. Een systeem kan een tekening van een arts perfect matchen, maar nog steeds de werkelijke rand van de ziekte missen, wat de enige rand is die ertoe doet voor een succesvolle operatie. Omdat de standaarden voor wat als een "goede" kaart werd beschouwd zo verschillend waren, konden de onderzoekers de resultaten niet combineren tot één gemiddelde score. In plaats daarvan observeerden zij een landschap van variërende prestaties waarbij sommige systemen goed werkten voor specifieke taken op specifieke beelden, maar geen van hen nog had bewezen dat ze de grenzen van een laesie consistent konden definiëren met de betrouwbaarheid die vereist is voor beslissingen van leven of dood.
De review concludeert dat hoewel ruimtelijke kunstmatige intelligentie opmerkelijke stappen heeft gezet in het begrijpen van de geografie van maagziekten, het nog niet klaar is om de primaire gids voor behandelplanning te zijn. De technologie is er succesvol in geslaagd om verder te gaan dan eenvoudige detectie naar de complexe taak van mapping, maar het bewijs dat de ondersteuning biedt voor gebruik in live procedures is nog steeds beperkt. De onderzoekers benadrukken dat voor deze instrumenten om standaard te worden, toekomstige studies hen moeten testen op levende patiënten, striktere methoden moeten gebruiken om te garanderen dat de computer niet simpelweg de antwoorden heeft gememoriseerd, en moeten bewijzen dat de kaarten die zij tekenen daadwerkelijk leiden tot betere resultaten voor de patiënt. Tot die tijd blijven deze systemen krachtige assistenten die potentiële problemen kunnen highlighten, maar de uiteindelijke beslissing over waar te snijden of waar een biopsie te nemen, moet nog steeds bij de menselijke arts liggen. De reis van een computer die een lijn op een foto kan tekenen naar een systeem dat een chirurg veilig door een complexe procedure kan leiden, is nog in volle gang.
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.