16. Phát triển thuật toán trí tuệ nhân tạo trong phát hiện viêm thực quản trào ngược trên tập ảnh nội soi
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Đánh giá độ chính xác của thuật toán AI trong phát hiện tổn thương viêm thực quản trào ngược, khảo sát yếu tố liên quan đến việc bỏ sót, nhận nhầm. Phương pháp nghiên cứu: Mô tả cắt ngang. Thuật toán được kiểm chứng trên tập ảnh tĩnh bao gồm 1000 ảnh với các chế độ ánh sáng bằng cách so sánh phần khoanh vùng chuẩn của chuyên gia. Độ chính xác được đánh giá bằng độ nhạy, độ đặc hiệu, giá trị dự báo dương tính, giá trị dự báo âm tính. So sánh các tỷ lệ - xét mối liên quan được sử dụng để khảo sát những yếu tố liên quan đến tỉ lệ bỏ sót và nhận nhầm. Kết quả: Độ chính xác là 81,7%. Số lượng và kích thước tổn thương liên quan đến tỉ lệ bỏ sót. Tổn thương kèm theo, độ sạch liên quan đến tỉ lệ nhận nhầm. Kết luận: Thuật toán Yolov8 có độ chính xác tốt, có tiềm năng phát triển theo hướng đồng kiểm với bác sĩ nội soi trong khi soi, hậu kiểm sau nội soi, tham gia đào tạo y khoa với dữ liệu lớn.
Chi tiết bài viết
Từ khóa
Trí tuệ nhân tạo, nội soi tiêu hóa trên, viêm thực quản trào ngược, khoanh vùng tổn thương
Tài liệu tham khảo
2. Tack J, Becher A, Mulligan C, Johnson DA. Systematic review: the burden of disruptive gastro-oesophageal reflux disease on health-related quality of life. Aliment Pharmacol Ther. 2012; 35(11): 1257-1266.
3. Herbella FA, Patti MG. Gastroesophageal reflux disease: From pathophysiology to treatment. World J Gastroenterol. 2010; 16(30): 3745-3749.
4. Goh KL, Lee YY, Leelakusolvong S, et al. Consensus statements and recommendations on the management of mild-to-moderate gastroesophageal reflux disease in the Southeast Asian region. JGH Open. 2021; 5(8): 855-863. doi:10.1002/jgh3.12602.
5. Gyawali CP, Kahrilas PJ, Savarino E, et al. Modern diagnosis of GERD: the Lyon Consensus. Gut. 2018; 67(7): 1351-1362.
6. Bjørsum-Meyer T, Koulaouzidis A, Baatrup G. Comment on “Artificial intelligence in gastroenterology: A state-of-the-art review.” World J Gastroenterol. 2022; 28(16): 1722-1724.
7. Sharma P, Hassan C. Artificial Intelligence and Deep Learning for Upper Gastrointestinal Neoplasia. Gastroenterology. 2022; 162(4): 1056-1066. doi:10.1053/j.gastro.2021.11.040.
8. Chiu YC, Chen WL, Yang TW, Tsai MC, Tseng MH. A Deep Learning Model for Classification of Endoscopic Gastroesophageal Reflux Disease. Int J Environ Res Public Health. 2021; 18(5): 2428.
9. Basford PJ, Brown J, Gadeke L, et al. A randomized controlled trial of pre-procedure simethicone and N-acetylcysteine to improve mucosal visibility during gastroscopy – NICEVIS. Endosc Int Open. 2016; 4(11): E1197-E1202. doi:10.1055/s-0042-117631.
10. Sami S, Ragunath K. The Los Angeles Classification of Gastroesophageal Reflux Disease. Video Journal and Encyclopedia of GI Endoscopy. 2013; 1:103-104. doi:10.1016/S2212-0971(13)70046-3.
11. Ge H, Zhou X, Wang Y, et al. Development and Validation of Deep Learning Models for the Multiclassification of Reflux Esophagitis Based on the Los Angeles Classification. Journal of Healthcare Engineering. 2023; 2023: e7023731. doi:10.1155/2023/7023731.
12. Visaggi P, Barberio B, Gregori D, et al. Systematic review with meta-analysis: artificial intelligence in the diagnosis of oesophageal diseases. Aliment Pharmacol Ther. 2022; 55(5): 528-540.
13. Kusano M, Ino K, Yamada T, et al. Interobserver and intraobserver variation in endoscopic assessment of GERD using the “Los Angeles” classification. Gastrointestinal Endoscopy. 1999; 49(6): 700-704. doi:10.1016/S0016-5107(99)70285-3.
14. Hoshihara Y, Kogure T. What are longitudinal vessels? Endoscopic observation and clinical significance of longitudinal vessels in the lower esophagus. Esophagus. 2006; 3(4): 145-150. doi:10.1007/s10388-006-0096-2.