Polypendetektion mit künstlicher Intelligenz

Abstract

ZusammenfassungDurch die Vorsorgekoloskopie lässt sich die Inzidenz und die Sterblichkeit des kolorektalen Karzinoms effektiv senken. Die Adenomdetektionsrate (ADR = engl. adenoma detection rate) stellt ein entscheidendes Qualitätskriterium der Vorsorgekoloskopie dar. Die Nutzung computerbasierender Assistenzsysteme in der Endoskopie bietet große Chancen, die Adenomdetektionsrate weiter zu steigern und für eine weitere Qualitätssicherung in der Endoskopie zu sorgen.Die theoretischen Grundlagen der künstlichen Intelligenz wurden bereits in den 1950er-Jahren gelegt, eine breite Anwendung ist jedoch erst jetzt durch die Entwicklung schneller Computer und die Verfügbarkeit großer digitaler Datenmengen möglich. Das Deep Learning (dt. mehrschichtiges Lernen oder tiefes Lernen) stellt eine Form des maschinellen Lernens dar, bei dem durch Nutzung eines künstlichen neuronalen Netzwerks nach einer Lernphase komplexe Aufgaben gelöst werden können. Es eignet sich für Anwendungen, die für das menschliche Gehirn keine große Anstrengung darstellen (wie z. B. Gesichts- oder Spracherkennung), die jedoch mit konventionellen Methoden sehr aufwendig zu programmieren sind.Für den Einsatz in der Endoskopie wurden auf künstlicher Intelligenz basierende Systeme zur computergestützten Polypendetektion (engl. computer aided Detection = CADe), computergestützte Diagnose (engl. computer aided diagnosis = CADx) und zum computergestützten Monitoring (engl. computer aided monitoring = CADm) erfolgreich in Studien getestet. Erste kommerzielle Systeme zur Polypendetektion und zur optischen Biopsie im Kolon sind bereits erhältlich und konnten in Studien eine Steigerung der ADR durch Einsatz der künstlichen Intelligenz belegen.Computergestützte Assistenzsysteme auf Basis des Deep Learning könnten in naher Zukunft zum Standard in der Endoskopie werden, um eine optimale Polypendetektion, akkurate Diagnosestellung und objektives Untersuchungsmonitoring zu gewährleisten.