Hintergund Die Verwendung von Künstlicher Intelligenz (KI) stellt einen objektiven Ansatz dar, um die Adenomdektionsrate (ADR) zu steigern und gleichzeitig die Interobservervariabilität zu reduzieren. In dieser Studie haben wir ein neues Deep Neural Network (DNN) entwickelt und dessen Fähigkeit zur computergestützten Polypendetektion während der Koloskopie ex vivo und in vivo analysiert.
Methoden Zur Generierung des DNN wurden 116.529 Koloskopiebilder von 278 Patienten mit 788 verschiedenen Polypen gesammelt. Von diesen wurden 10.467 Bilder mit 504 verschiedenen Polypen manuell annotiert und als Goldstandard für das Training des DNN herangezogen. Zur ex-vivo Testung der Performance des DNN wurden 45 unabhängige Koloskopievideos verwendet. Die Fähigkeit des DNN zur in-vivo Detektion von kolorektalen Polypen in Echtzeit wurde in 36 Patienten mit Back-to-back Koloskopie überprüft.
Ergebnisse Bei der Analyse von 15.534 Einzelbildern zeigte das DNN für die Polypendetektion und in-frame Lokalisation eine Sensitivität von 90 % und eine Spezifität von 80 %. In ROC Analysen zeigte sich eine AUC für die korrekte Polypendetektion und Lokalisation von 0,92. In der in vivo Testung an 36 Patienten lagen die baseline PDR und ADR bei 36 % und 25 %; beide Parameter waren durch die Verwendung des DNN deutlich gesteigert (PDR: 50 %; ADR: 33 %). Die Sensitivität des DNN zur Polypendetektion während der laufenden Koloskopie lag bei 100 %. In 18 Patienten zeigte das DNN mindestens eine falsch-positive Detektion mit einer mittleren Anzahl von 3 falsch-positiven Detektionen pro Patient.
Schlussfolgerung Das neu entwickelte DNN ermöglicht eine hochsensitive automatisierte Detektion von kolorektalen Polypen und kann potentiell dazu beitragen, die Effizienz der Koloskopie zu steigern.
