深い学習とデバイス支援腸鏡検査：胃腸血管拡張症の自動検出

背景と目的：デバイス支援腸鏡検査（DAE）は、小腸の深い探索を可能にし、診断と治療能力を組み合わせます。中胃出血の疑いがあることは、DAEの最も頻繁な兆候であり、血管病変、特に血管エクタジアは最も一般的な病因です。それにもかかわらず、これらの病変を検出するためのDAEの診断収量は最適です。深い学習アルゴリズムは、内視鏡検査における病変の自動検出の大きな可能性を示しています。AngioEctasia DAE画像の自動検出のための人工知能（AI）モデルを開発することを目指しました。材料と方法：DAE画像を使用して畳み込みニューラルネットワーク（CNN）が開発されました。各フレームは、通常/粘膜または血管拡張症としてラベル付けされました。画像データセットは、トレーニングおよび検証データセットの構成のために分割されました。後者は、CNNのパフォーマンスを評価するために使用されました。結果：合計72のDAE試験が含まれ、6740枚の画像が抽出されました（5345の正常粘膜と血管拡張症の1395）。このモデルの感度は88.5％、特異性は97.1％、AUCは0.988でした。画像処理速度は6.4ミリ秒/フレームでした。結論：AIのDAEへの適用は、中胃出血が疑われる患者の管理に大きな影響を与える可能性があります。

Background and Objectives: Device-assisted enteroscopy (DAE) allows deep exploration of the small bowel and combines diagnostic and therapeutic capacities. Suspected mid-gastrointestinal bleeding is the most frequent indication for DAE, and vascular lesions, particularly angioectasia, are the most common etiology. Nevertheless, the diagnostic yield of DAE for the detection of these lesions is suboptimal. Deep learning algorithms have shown great potential for automatic detection of lesions in endoscopy. We aimed to develop an artificial intelligence (AI) model for the automatic detection of angioectasia DAE images. Materials and Methods: A convolutional neural network (CNN) was developed using DAE images. Each frame was labeled as normal/mucosa or angioectasia. The image dataset was split for the constitution of training and validation datasets. The latter was used for assessing the performance of the CNN. Results: A total of 72 DAE exams were included, and 6740 images were extracted (5345 of normal mucosa and 1395 of angioectasia). The model had a sensitivity of 88.5%, a specificity of 97.1% and an AUC of 0.988. The image processing speed was 6.4 ms/frame. Conclusions: The application of AI to DAE may have a significant impact on the management of patients with suspected mid-gastrointestinal bleeding.