CC BY
34Лекции и обзоры
Применение искусственного интеллекта в видеокапсульной эндоскопии
И.Л. Кляритская, Ю.А. Мошко, В.В. Кривой, И.А. Иськова, Е.В. Максимова, Е.И. Стилиди
The use of artificial intelligence in video capsule endoscopy
I.L. Kliaritskaia, Y.A. Moshko, V.V. Kryvy, I.A. Iskova, E.V. Maksimova, E.I. Stilidi
ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского», Институт «Медицинская академия имени С.И. Георгиевского», г. Симферополь
Ключевые слова: искусственный интеллект, видеокапсульная эндоскопия, свёрточная нейронная сеть, диагностика
Резюме
Применение искусственного интеллекта в видеокапсульной эндоскопии
И.Л. Кляритская, Ю.А. Мошко, В.В. Кривой, И.А. Иськова, Е.В. Максимова, Е.И. Стилиди
Искусственный интеллект (ИИ) всё шире применяется в диагностике различных видов патологии. Одним приоритетных его приложений считается обработка результатов видеокапсульной эндоскопии. Поскольку ручное считывание видеозаписей капсульной эндоскопии - трудоёмкий и сложный процесс, для его автоматизации сейчас разрабатываются программные алгоритмы. За последнее десятилетие развитие свёрточной нейронной сети (СНС) позволило с помощью искусственного интеллекта диагностировать множественные поражения желудочно-кишечного тракта. Резко повысилась точность и чувствительность распознавания видеоряда. Однако имеются и сложности во внедрении искусственного интеллекта в повседневную практику медицинских учреждений. К ним относятся трудности при валидации заключений, полученных с помощью свёрточной нейронной сети и проблемы в характеристике реальных изображений капсульной эндоскопии. Сегодня технологии с применением искусственного интеллекта могут использоваться в качестве вспомогательного метода в капсульной эндоскопии, однако есть все основания думать, что в ближайшем будущем она эффективно сократит время анализа видеоряда и в конечном итоге станет полноценной системой диагностики заболеваний ЖКТ в видеокапсульной эндоскопии.
Кляритская Ирина Львовна - доктор медицинских наук, профессор, заведующая кафедрой терапии, гастроэнтерологии, кардиологии и общей врачебной практики (семейной медицины) факультета подготовки медицинских кадров высшей квалификации и дополнительного профессионального образования ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского», Институт «Медицинская академия имени С.И. Георгиевского». [email protected], 295051, Республика Крым, г. Симферополь, б-р Ленина 5/7, Медицинская академия имени С.И. Георгиевского
Мошко Юрий Александрович, кандидат медицинских наук, доцент ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского», Институт «Медицинская академия имени С.И. Георгиевского», кафедра терапии, гастроэнтерологии, кардиологии и общей врачебной практики (семейной медицины), доцент, кандидат медицинских наук E-maiI:[email protected]
Кривой Валерий Валентинович, ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского» Институт «Медицинская академия имени СИ. Георгиевского», кафедра терапии, гастроэнтерологии, кардиологии и общей врачебной практики (семейноймедицины), доцент, кандидат медицинских наук, E-maiI: [email protected]
Иськова Ирина Александровна - кандидат медицинских наук, доцент кафедры терапии, гастроэнтерологии, кардиологии и общей врачебной практики (семейной медицины) факультета подготовки медицинских кадров высшей квалификации и дополнительного профессионального образования ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского», Институт «Медицинская академия имени С.И. Георгиевского». Irinasimf@ yandex.ru, 295051, Республика Крым, г. Симферополь, б-р Ленина 5/7, Медицинская академия имени С.И. Георгиевского
Максимова Елена Владимировна, кандидат медицинских наук, доцент кафедры терапии, гастроэнтерологии, кардиологии и общей врачебной практики (семейной медицины) факультета подготовки медицинских кадров высшей квалификации и дополнительного профессионального образования ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского», Институт «Медицинская академия имени С.И. Георгиевского». [email protected], 295051, Республика Крым, г. Симферополь, б-р Ленина 5/7, Медицинская академия имени С.И. Георгиевского Стилиди Елена Игоревна, кандидат медицинских наук, ассистент кафедры терапии, гастроэнтерологии, кардиологии и общей врачебной практики (семейной медицины) факультета подготовки медицинских кадров высшей квалификации и дополнительного профессионального образования ФГАОУ ВО «Крымский федеральный университет имени В.И. Вернадского», Институт «Медицинская академия имени С.И. Георгиевского». aIeandreeva1@gmaiI. com, 295051, Республика Крым, г. Симферополь, б-р Ленина 5/7, Медицинская академия имени С.И. Георгиевского
-Крымский терапевтический журнал-
Ключевые слова: искусственный интеллект, видеокапсульная эндоскопия, свёрточная нейронная сеть, диагностика.
Abstract
The use of artificial intelligence in video capsule endoscopy
I.L. Kliaritskaia, Y.A. Moshko, V.V. Kryvy, I.A. Iskova, E.V. Maksimova, E.I. Stilidi
Artificial intelligence (AI) has revolutionized the medical diagnostic process for various diseases. Since the manual reading of capsule endoscopy videos is a time-intensive, error-prone process, computerized algorithms have been introduced to automate this process. Over the past decade, the evolution of the convolu-tional neural network (СНС) enabled AI to detect multiple lesions simultaneously with increasing accuracy and sensitivity. Difficulty in validating СНС performance and unique characteristics of capsule endoscopy images make computer-aided reading systems in capsule endoscopy still on a preclinical level. Although AI technology can be used as an auxiliary second observer in capsule endoscopy, it is expected that in the near future, it will effectively reduce the reading time and ultimately become an independent, integrated reading system.
Keywords: artificial intelligence, wireless capsule endoscopy, convolutional neural network, computer-aided reading, small bowel imaging
Применение искусственного интеллекта (ИИ) в здравоохранении расширяется стремительными темпами. Врачу необходимо быстро получать и анализировать обширную медицинскую информацию в течение ограниченного времени. В связи с быстро развивающимися диагностическими методами её интерпретация требует всё более высокой квалификации специалистов.
Одним из перспективных приложений ИИ в медицине сегодня является применение его для анализа данных видеокапсульной эндоскопии.
Известно, что традиционная эндоскопическая диагностика поражений желудка, тонкой и толстой кишки сопряжена с техническими сложностями и даже рисками. Например, колоноскопия способна достичь только терминального отдела подвздошной кишки, также она представляет собой технически сложную и дорогостоящую процедуру, которая может вызвать серьёзные осложнения, включая перфорацию и кровотечение. Полная колоноскопия не всегда достижима из-за технических трудностей (до 15% случаев), плохой подготовки кишечника (16,9% случаев) или непереносимости процедуры пациентом (11,1% среди мужчин и 18,4% среди женщин, соответственно).
Компьютерная томографическая колоноскопия (КТК) является альтернативным традиционной эндоскопии, менее инвазивным способом обследования кишечника. Тем не менее, если этим методом выявлены признаки, подозрительные на патологию толстой кишки, то после КТК приходится обязательно проводить дополнительное колоноскопиче-ское исследование. Это является важным фактором, ограничивающим возможности КТ-колоноскопии в качестве альтернативы традиционной колоноско-пии.
С тех пор, как в 2001 г. впервые был применён метод видеокапсульной эндоскопии [20], он стал прорывом в диагностике заболеваний тонкой кишки. Средняя длина тонкой кишки у взрослых со-
ставляет около 600 см. Протяжённость слизистой оболочки, которую можно осмотреть с помощью эндоскопа, составляет лишь её малую часть. До сих пор не существует инструментального метода, который мог бы считаться «золотым стандартом» для диагностики поражений тонкой кишки. Различные диагностические методы, от традиционной баллонной энтероскопии до новейшей моторизованной энтероскопии, которые используются в условиях практического здравоохранения имеют как свои преимущества, так и существенные недостатки.
Баллонная энтероскопия имеет такие достоинства, как возможность взятия биопсии ткани и выполнять эндоскопическое лечение, но она требует высокой квалификации врача и большого количества времени. Недавно была представлена моторизованная спиральная энтероскопия (PowerSpiral, Olympus, Токио, Япония), позволяющая глубже исследовать тонкую кишку. Моторизованная спиральная энтероскопия (NMSE) — это устройство, в котором спиральный энтероскоп снабжён встроенным мотором, что позволяет существенно сократить время, требуемое для проведения спиральной энте-роскопии. Блок управления спиральным энтероско-пом регулирует направление и скорость вращения спирального сегмента. Кроме того, моторизованная спиральная энтероскопия может выполняться одним специалистом.
Компьютерно-томографическая энтерография имеет ограничения, такие, как необходимость введения контраста, рентгеновское облучение, низкая способность к диагностике мелких новообразований и воспалительных процессов, которе находятся на ранней стадии развития.
Магнитно-резонансная энтерография (МР-энтерография) является многообещающей альтернативой другим методам диагностики, но она пока слишком дорога, чтобы её можно было использовать для скрининга патологии тонкой кишки во всех странах мира.
В отличие от всех перечисленных методов диагностики тонкой кишки, ВКЭ имеет лишь несколько противопоказаний, таких, как кишечная непроходимость, затруднённое глотание и детский возраст. Он может точно распознавать поражения гораздо более удобным для пациента способом, поэтому во многих современных клинических рекомендациях предлагается использовать ВКЭ при множестве различных показаний, включая необъяснимые неясные желудочно-кишечные кровотечения, болезнь Крона тонкой кишки и новообразования тонкой кишки.
Интерпретация и диагностика изображений ВКЭ в значительной степени зависят от способностей врача-эндоскописта и требуют длительного времени. ВКЭ при обследовании только одного пациента содержит примерно 8-10 часов видео и от 50 000 до 70 000 изображений, на которых может наблюдаться только одно или два представляющих диагностический интерес поражения. Из-за ограничений человеческой концентрации неизбежна возможность значительных ошибок. Известно, при интерпретации данных ВКЭ врачи допускают значительный процент промахов: 5,9% для сосудистых поражений, 0,5% для язв и 18,9% для новообразований [14].
Из-за низкой согласованности эндоскопических заключений при ВКЭ среди разных врачей, видео-капсульная эндоскопия является идеальным объектов приложения возможностей систем искусственного интеллекта, который способен помочь врачам идентифицировать различные виды патологии тонкой кишки [15]. В настоящее время в комплексах для ВКЭ используются различные коммерческие системы машинного обучения [16,17], в том числе Quick-View [18] (Medtronic, Миннеаполис, США), индикатор подозрения на кровь [19] (Medtronic) и ExpressView [20] (Intromedic, Сеул, Южная Америка). Корея). Однако они пока малопригодны для распознавания образов и ещё не достигли стадии обеспечения надёжных классификаций поражений из-за своей недостаточной точности [21]. Здесь мы представляем исследования ИИ на основе СНС различных поражений, которые могут быть диагностированы с помощью ВКЭ (Табл. 1, Табл. 2).
Сегодня принято считать, что видеокапсульная эндоскопия (ВКЭ) - это та отрасль эндоскопии, которая может получить наибольшую пользу от внедрения искусственного интеллекта для распознавания образов. Эндоскопистам известно, что анализ видео, полученного при видеокапсульной эндоскопии — это весьма утомительная работа. Кроме того, процесс распознавания образов при видеокапсуль-ной эндоскопии человеком («ручное распознавание») часто подвержен ошибкам, поскольку требует большого времени и опыта.
С тех пор, как была разработана методика глубокого обучения нейросети, активизировались исследования по применению ИИ в медицине. Однако, даже учитывая большой прогресс, наблюдаемый за последнее десятилетие, этот метод ещё не внедрён
в повседневную клиническую практику. В нашей статье мы попытались обобщить новейшую информацию о текущем состоянии этой технологии, включая анализ возможностей наиболее широко используемых свёрточных нейронных сети. Наша статья также рассматривает отдельные аспекты истории использования свёрточных нейронных сетей (СНН) в медицине, возможности ИИ в автоматизированной оценке качества подготовки кишечника и новые алгоритмы обнаружения множественных поражений слизистой оболочки при видеокап-сульной эндоскопии в режиме реального времени с помощью искусственного интеллекта.
История искусственного интеллекта
Раньше считалось, что интеллект присущ только людям. Искусственный интеллект (ИИ) определяется как возможность компьютерных устройств выполнять творческие функции, которые традиционно считаются прерогативой человека [1], с которым тесно связаны наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ [2].
Искусственный интеллект, который сейчас используется в медицине, использует алгоритмы и программное обеспечение для аппроксимации человеческих знаний при анализе сложных медицинских данных. Одной из задач приложений, связанных с медициной, является анализ взаимосвязи между методами профилактики или лечения и результатами лечения пациентов. Например, разработаны и испытаны на практике программы искусственного интеллекта, которые проводят диагностику болезней, разработку протоколов лечения, подбор лекарственных средств и наблюдение за пациентом. Здравоохранение сегодня стало одной из приоритетных областей инвестирования в ИИ [3].
Перспективные сферы применения ИИ в медицине
1) приложения и программные продукты для распознавания медицинских изображений (снимков МРТ, заключений УЗИ, кардиограмм, результатов компьютерной томографии);
2) разработка новых лекарственных препаратов (анализ, изучение эффективности препаратов, исследование вирусов и поиск эффективных вакцин);
3) использование технологий машинного обучения в сфере протезирования (интеллектуальные системы разрабатывают удобные протезы с учётом анатомических особенностей конкретного пациента);
4) приложения для удалённой помощи пациенту, особенно популярные в Великобритании, с их помощью врачи общей практики могут в удалённом режиме дать рекомендации для лечения простудных болезней или других состояний, не угрожающих жизни больного;
Схематическая архитектура свёрточной нейронной сети (СНН).
Объединение
Свёрточный слой
Объединяющий слой
Kim SI Lim YJ. Artificial Intelligence in Capsule Endoscopy: A Practical Guide to Its Past and Future Challenges. Diagnostics (Basel). 2021 Sep 20:11 [9J :1722. doi: 10.33?0/diagrosiics 11091 722.
Вывод
Ш Ь Ш с
Vjvlf
Ш Ш: ЛЙ* С
'-Ч.',1 '--У,
/At 1132 M-&-.J л.
т ^
HJ
)т | тигр |
[.ИЗ
Полностью объединённый слой
Выделение Классификация
признаков
Рис.1.Схематическаяархитектура свёрточнойнейроннойсети(СНН).pdf
Рис. 2. (Л) Эрозия с центральным углублением слизистой оболочки выделена красным цветом. (B) Одновременное обнаружение как эрозии, так и заметной сосудистой сети [45].
5) стартапы по лечению раковых заболеваний (например, SOPHiA AI — приложение по диагностике рака, привлёкшее 30 млн долларов инвестиций, умеющее анализировать клиническую картину состояния пациента и предлагать эффективную схему лечения)[4].
Ряд крупных компаний занимается исследованиями в области искусственного интеллекта. Компания IBM разрабатывает системы в области лечения онкологии. Также она проводит совместную работу с Джонсон & Джонсон в области исследования и лечения хронических заболеваний [5]. Корпорация Microsoft участвует в разработке новых лекарств и методов лечения рака. Этот проект включает в себя анализ изображений опухолей, полученных при медицинских обследованиях, а также математический анализ развития клеток [6].
Платформа DeepMind компании Google используется Национальной службой здравоохранения Великобритании, чтобы обнаружить определённые риски для здоровья на основе данных, собранных через мобильные приложения. Другой проект Google включает в себя анализ медицинских изображений, полученных при обследовании пациентов, для разработки алгоритмов «компьютерного зрения» для обнаружения раковых тканей [7].
Корпорация Intel разрабатывает программы с применением искусственного интеллекта, которые определяют пациентов, входящих в группу риска, и предлагают для каждого из них персональный вариант лечения [8].
Компания Med^on^ совместно с IBM разрабатывают компьютерную программу для людей, страдающих сахарным диабетом. Эта программа будет способна прогнозировать возможность критиче-
ского снижения уровня сахара в крови за 3 часа до наступления этого события. Программа обучена с использованием данных, полученных с глюкоме-тров и инсулиновых помп от 600 анонимных пациентов. Отслеживать своё здоровье больные смогут с помощью специального приложения и носимых медицинских устройств [9].
Большой интерес проявлен рядом компаний к разработкам систем искусственного интеллекта, применяемым в реанимации пациентов с заболеваниями сердца.
Не вызывает сомнений, что искусственный интеллект будет играть большую роль в различных областях гастроэнтерологии и гастроинтестиналь-ной эндоскопии. Эндоскопические исследования, такие как эзофагогастродуоденоскопия (ЭГДС) и ко-лоноскопия, основаны на визуальном обнаружении патологических образований врачом-эндоскопистом. Усовершенствованные с помощью искусственного интеллекта эндоскопические методы могут помочь эндоскопистам быстрее выявлять заболевания, определять их тяжесть и находить «слепые» зоны при осмотре. Уже первые испытания систем искусственного интеллекта по анализу изображений раннего рака желудка, полученных в результате традиционной ЭГДС, показали чувствительность метода, близкую к показателям заключений экспертов-эндоскопистов [10].
Понятие о машинном обучении
Одним из важнейших методов подготовки искусственного интеллекта к его практическому использованию является машинное обучение (МО) [11]. Машинное обучение - это класс методов ис-
Улучшение качества распознавания образов в 10 раз за 8 лет
Алгоритмы ИИ для распознавания образов - победители года с 2010 по 2017 г.
Kim SH, Lim YJ. Artificial Intelligence in Capsule Endoscopy: A Practical Guide to Its Past and Future Challenges. Diagnostics [Basel). 2021 Sep 20; 1 li(9]:l 722. doi: 10.3390/diagnasticsl 1 Q?1722.
Человеческие возможности распознавания образов
2 011 2012 2D13 2014 2015 201i 2017
XRCE AlexNet ZFNet GoogLe ResNet GoogLe SENet
Net Net-v4
Рис.З.Улучшениекачества распознаванияобразовспомощьюискусственногоинтеллекта
кусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, математического анализа, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме [12]. Машинное обучение - это наука о разработке алгоритмов и статистических моделей, которые компьютерные системы используют для выполнения задач без явных инструкций, полагаясь вместо этого на шаблоны и логические выводы. Компьютерные системы используют алгоритмы машинного обучения для обработки больших объёмов статистических данных и выявления шаблонов данных. Так искусственный интеллект получает возможность более точно прогнозировать результаты на основе заданного набора входных данных. Например, специалисты по работе с данными могут обучить медицинское приложение диагностировать рак по рентгеновским изображениям на примере миллионов отсканированных снимков и получить возможность ставить правильный диагноз конкретному больному. Распространение носимых датчиков и устройств породило значительный объём данных о различных патологических процессах. Программы машинного обучения могут анализировать эту информацию и помогать врачам в диагностике и лечении в режиме реального времени. Исследователи машинного обучения разрабатывают программы, которые обнаруживают раковые опухоли и диагностируют глазные заболевания, что значительно повышает качество оказания медицинской помощи. Например, компания Cambia Health Solutions использовала машинное обучение AWS для поддержки стартапов в области здравоохранения с целью автоматизации и персонализации лечения беременных женщин [13].
Метод машинного обучения можно грубо разделить на контролируемые и неконтролируемые. Обучение с учителем — это метод обучения по размеченным данным, то есть по имеющемуся правильному ответу. Напротив, неконтролируемые
методы представляют собой метод автоматической кластеризации похожих данных на основе общих черт. Иногда обучение без учителя используется в качестве основного метода для определения подходящих функций для последующего обучения с учителем.
Среди технологий машинного обучения выделяется инструмент, называемый искусственные нейронные сети (ИНС) — это метод, вдохновлённый нейроанатомией мозга. McCulloch и Pitts впервые предложили эту концепцию в 1943 г. [14]. Она организована подобно нейронам в нашем мозгу, где каждый нейрон представляет собой вычислительную единицу, и все нейроны связаны между собой, образуя сложную сеть. Через некоторое время появилась теория обучения, которая могла активировать синапсы между определёнными нейронами, а также избирательно усиливаться, аналогично живому мозгу. В 1958 году Фрэнком Розенблаттом был разработан перцептрон — математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), впервые реализованная в виде электронной машины «Марк-1» в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером [15].
Свёрточные нейронные сети - один из основных инструментов анализа изображений в медицине
Свёрточная нейронная сеть (англ. convolutional neural network, СНС) — специальная архитектура искусственных нейронных сетей, предложенная Яном Лекуном в 1988 году [16]. Она предназначена для эффективного распознавания образов [17] и принадлежит к категории систем глубокого обучения (англ. deep learning). СНС использует некоторые особенности работы зрительной коры человека [18], в которой были открыты так называемые простые клетки, реагирующие на прямые линии под разными углами, и сложные клетки, реакция которых связана с активацией определённого набора простых клеток. Для её обучения чаще всего используется
Рис. 4. Картирование воспалённой слизистой кишки искусственным интеллектом [52]
Табл. 1
Системы искусственного интеллекта (ИИ) и связанные с ними функции в гастроэнтерологии.
Категории систем ИИ Области помощи
Технические • Руководство по объему введения колоноскопа
Обнаружение (CADe) • Обнаружение полипов • Обнаружение кровотечения
Диагностика (CADx) • Ранняя идентификация рака • Стадирование рака (оценка глубины инвазии) • Характеристика или классификация полипов • Диагностика нормальной или воспаленной слизистой оболочки при ВЗК • Прогноз заболевания ЖКТ по данным пациентов
Терапевтический • Разграничение поражения • Помощь в принятии терапевтических решений (например, дополнительная хирургическая резекция после эндоскопической резекции при злокачественных новообразованиях) • Стратификация риска, прогнозирование результатов и потенциальная потребность в терапевтическом вмешательстве (при желудочно-кишечном кровотечении)
метод обратного распространения ошибки.
Работа свёрточной нейронной сети обычно интерпретируется как переход от конкретных особенностей изображения к более абстрактным деталям, и далее к ещё более абстрактным деталям вплоть до выделения понятий высокого уровня. При этом сеть самонастраивается и сама вырабатывает необходимую иерархию абстрактных признаков (последовательности карт признаков), отфильтровывая маловажные детали и выделяя существенные.
Модели СНС широко применяются для анализа медицинских изображений в различных сферах здравоохранения. Автоматическое распознавание изображений с помощью свёрточных нейронных сетей в области медицинской визуализации исследовалось в нескольких медицинских специальностях, таких как радиология, неврология, ортопедия, гистология и гастроэнтерология.
СНС является большим шагом вперёд в анализе диагностических изображений в области медицинской визуализации. Свёрточная нейронная сеть может распознавать шаблоны на изображениях. В отличие от моделей предыдущего машинного обучения, этот алгоритм отвечает за извлечение признаков изображения и выполняет весь процесс распознавания самостоятельно, вплоть до классификации изображений с помощью одной модели [19]. Если имеется изображение и выходные данные, которые нужно классифицировать, то алгоритм с хорошей производительностью может быть легко реализован без дополнительной ручной работы. Кроме того, его структура помимо простой классификации изображений, может использоваться для обнаружения и сегментации изображений, поэтому она стала важной технологией для глубокого обучения искусственного интеллекта в тех областях медицины, которые требуют распознавания большого количества изображений.
Применение искусственного интеллекта для распознавания определённых видов патологии ЖКТ
Желудочно-кишечное кровотечение
На раннем этапе исследований применения ней-росетей в диагностике поражений слизистой, наибольший интерес исследователей привлекла возможность применять автоматическую диагностику кровотечений. Впервые возможности искусственного интеллекта в диагностике гастроинтестиналь-ных кровотечений были продемонстрированы на свёрточной нейронной сети AlexNet исследователями из Гонконга, Xiao et al. в 2016 году [21]. Для обучения нейросети они использовали 8200 обучающих изображений, и в результате получили чувствительность 99,2% и прогностическую ценность распознавания 99,9%. На Международной конференции IEEE (IEEE — крупнейшая в мире техническая профессиональная организация, занимающаяся развитием технологий) в 2017 году Li et al. сообщили о результатах исследования, сравнивающего производительность и вычислительную сложность в диагностике кровотечений четырёх архитектур нейросетей: LeNet, AlexNet, GoogLeNet и VGG-Net [22]. Нейросеть AlexNet оказалась наиболее эффективной по производительности и вычислительным параметрам, её чувствительность достигала 98,9%. Большое значение здесь имело качество медицинских изображений. Например, распознавание изображений, имеющих низкую яркость или контраст, была низкой, а пузырьки воздуха в кишке приводили к ложной диагностике кровотечений этой нейро-сетью. Другие архитектуры свёрточных нейронных сетей, такие как MobileNet, в 2021 году также были проверены на распознавание изображений кишечных кровотечений, и показали аналогичные результаты [23].
Распознавание ангиэктазий
Ангиэктазия представляет собой очаговое скопление расширенных сосудов в слизистой оболочке и подслизистой оболочке стенки кишечника, которое может приводить к развитию тонкокишечного кровотечения. В 2019 году группа французских специалистов из Сорбонны, Leenhardt et al., сообщили о компьютерной диагностике ангиэктазий по результатам видеокапсульной эндоскопии, с чувствительностью 100% и специфичностью 96%, достигнутыми после обучения нейросети на 600 примерах изображений кишечного кровотечения [24]. В 2020 году японские эндоскописты Tsuboi et al. показали результаты чувствительности 98,8% и специфичности 98,4% при диагностике кровотечений при обучении нейросети на большом наборе обучающих изображений и богатом наборе проверочных изображений (10488 изображений), которые включали не только высококачественные, но и низкокачественные видеокапсульные изображения [25].
Диагностика эрозивных и язвенных поражений ЖКТ
Значительное количество процедур видеокапсульной эндоскопии проводится для диагностики болезни Крона при локализации патологического процесса в тонкой кишке. Поэтому значительная часть исследований ИИ сосредоточена на этой теме. Однако из-за малозаметности язв при болезни Крона, их труднее отличить от нормальной слизистой, чем ярко-красные или активно кровоточащие поражения, вызванные другими видами патологии. Исследователи из Hangzhou (КНР), Fan et al., достигли чувствительности 96,8% и специфичности 93,67% при обучении ИИ на примере 3250 изображений язв и 4910 изображений эрозий. Это было первым использованием глубокого обучения ней-росети для обнаружения эрозий и язв [26].
В 2019 году японские исследователи Aoki et al. провели обучение и проверку диагностических возможностей искусственного интеллекта в более широком масштабе [27], а Wang et al. повысили качество обнаружения небольших язв с помощью так называемой «системы обнаружения второго взгляда» с использованием нескольких отдельных свёрточных нейронных сетей [28]. В другом исследовании Aoki et al. количественно оценили диагностическую эффективность системы искусственного интеллекта, сравнив её использование с работой врача-эндоскописта (ручное распознавание), показав, что их система ИИ существенно сокращает время распознавания (3,1 против 12,2 мин) без снижения качества диагностики (87% против 84%), обеспечивая как достоверность выявления самих поражений, так и точное определение границ области поражения [29]. В 2019 году авторы из Израиля провели обучение и проверку системы искусственного интеллекта на примерах 17640 нормальных изображений, а также примерах патологии, полученных при видеокапсульной эндоскопии 49 па-
циентов с болезнью Крона. Их результаты показали высокую точность - 96,7% [30]. Интересно, что среднее время, необходимое для получения диагностического суждения составило 3,5 минуты на один случай тонкой кишки, что составляет всего 10-25% времени от традиционного ручного распознавания врачом-эндоскопистом.
Диагностика целиакии с помощью ИИ
Международная группа китайских и американских специалистов при компьютерном количественном анализе наличия и степени тяжести кишечных поражений при целиакии с помощью модели глубокого обучения свёрточных нейронных сетей достигла 100% чувствительности и специфичности [31]. Диагностическая вероятность распознавания искусственным интеллектом патологических изменений коррелировала со степенью тяжести поражения слизистой оболочки тонкой кишки. Авторы пришли к выводу о том, что использованный ими диагностический алгоритм ИИ можно применять в качестве инструмента скрининга пациентов, которым потребуется биопсия тонкой кишки.
Полипы и опухоли кишечника
Для обнаружения полипов и опухолей Yuan et al. представили диагностический алгоритм на основе автокодировщика (автоассоциатора) — архитектуры искусственных нейронных сетей, позволяющей применять метод «обучение без учителя» при обучении нейросетей. Этот приём применялся ими для обнаружения полипов, а также для подразделения нормальные изображения кишки на «мутные», «пузырьковые» и «чёткие» по их качеству [32]. Диагностика полипов и опухолей с помощью искусственного интеллекта достигла чувствительности 95,5% и специфичности 98,5%.
Saito et al. обучали нейросеть, используя 5360 изображений с эрозиями и изъязвлениями, и проверили её способность к распознаванию на 17507 независимых тестовых изображениях, на которых имелись 7507 выступающих поражений, а также на 10000 изображениях нормальной слизистой [33]. Нейросеть научилась выявлять различные поражения слизистой: полипы, узелки, эпителиальные опухоли, подслизистые опухоли и аномальные венозные структуры, при этом чувствительность распознавания колебалась от 86,5 до 95,8%.
Определение точного местоположения поражений при видеокапсульной эндоскопии с помощью ИИ
Способность искусственного интеллекта определять локализацию обнаруженных поражений тонкой кишки необходима для дальнейшего лечения пациентов. При видеокапсульной эндоскопии локализация места поражения вызывает значительные трудности. Обычно автоматический считыватель
записывает время прохождения видеокапсулы из двенадцатиперстной кишки в слепую кишку и таким образом, позволяет косвенно оценивать местоположение патологического участка, но такой метод нельзя считать точным.
Для решения этой проблемы с помощью искусственного интеллекта специалистами с 2008 г. было предложено несколько различных алгоритмов машинного обучения, однако они не достигли нужного результата [34-37]. В исследовании видеокапсулы in vitro с применением свёрточной нейросети группа исследователей из Европы и США измеряли как пройденное капсулой расстояние, так и размер обнаруженных поражений [38]. Использование стандартной видеокапсулы в искусственном кишечнике показало среднюю ошибку локализации менее 0,01 см на 20 см пути, что свидетельствует о большом потенциале этой технологии. Чтобы добиться точной локализации капсулы в кишечнике человека, в её конструкцию следует включить несколько дополнительных устройств: двойные видеокамеры, гироскоп, акселерометр и магнитометр [39]. Эта задача может быть решена только тогда, когда инженерам удастся сделать конструкцию капсулы более компактной.
Автоматизированная оценка качества подготовки кишечника
Поскольку диагностический результат ВКЭ сильно зависит от качества подготовки кишечника, его качественная очистка имеет важное значение для успешного проведения видеокапсульной эндоскопии. На сегодняшний день уже разработаны расчётные показатели качества очистки кишки с использованием шкалы интенсивности цвета ткани (PillCam, Medtronic, Миннеаполис, США) или картирования кишки (MiroCam, Intromedic, Сеул, Южная Корея). Однако исследователи столкнулись с тем фактом, что интенсивность цвета на видео при ВКЭ не полностью характеризует чистоту всего кишечника. В связи с этим, Nam et al. разработали новую систему оценки качества подготовки кишечника с применением свёрточной нейронной сети (InceptionResnetV2), которая основана на более объективных автоматизированных критериях оценки качества очистки при подготовке тонкой кишки [41]. Такая система ИИ может более объективно оценивать качество качества подготовки кишечника к капсульной эндоскопии.
Бинарная классификация изображений и искусственный интеллект
Бинарная классификация поражений слизистой оболочки, отображённых на кадрах, захваченных в процессе видеокапсульной эндоскопии, сейчас привлекает большое внимание исследователей. В этой классификации все признаки на видеоизображени-
ях подразделяют на значительные и незначительные. Её достоинства заключаются в том, что она позволяет снизить нагрузку на врача-эндоскописта за счёт тщательного выбора только возможных патологических изображений, требующих ручного считывания. Эта классификация может быть внедрена в реальную практику быстрее, чем алгоритмы обнаружения множественных поражений. Park et al. разработали практическую модель на основе Inception-ResNet, которая может обнаруживать различные поражения и суммировать изображения, полученные при капсульной эндоскопии, в двоичном виде в соответствии с их клинической значимостью [40]. При распознавании видео с помощью ИИ показатели обнаружения повреждений были улучшены, при этом резко сократилось время до получения эндоскопического диагноза. Lui et al. использовали изображения, полученные при видеокапсульной эндоскопии пищевода, желудка, толстой и тонкой кишки для классификации анатомических ориентиров и аномалий слизистой оболочки бинарным способом [41]. В тонкой кишке эта бинарная система показала чувствительность 99,5% и специфичность 98,5%.
Диагностика множественных поражений слизистой оболочки с помощью нейросетей
Одной из важнейших целей исследований ИИ является внедрение алгоритма обнаружения множественных поражений с высоким уровнем точности. Для этого требуется очень большой и сбалансированный набор обучающих данных и подробные точные аннотации к ним. Ding et al. собрали материал из 108 исследований ВКЭ, проведённых в 77 медицинских центрах [42]. Они пометили и описали более 158000 изображений либо как нормальные, либо относящиеся к одной из 10 категорий патологических образований: воспаление, язва, полип, лимфангиэктазия, кровотечение, сосудистая патология, выступающее образование, лимфатическая фолликулярная гиперплазия, дивертикул или паразиты. При сравнении производительности свёр-точной нейронной сети с использованием проверочных изображений и работы врачей-гастроэнтерологов, алгоритм ИИ превзошёл людей. Нейросеть показала чувствительность 99,88% против 74,57% у людей). Среднее время, затраченное искусственным интеллектом на процесс распознавания и оценки данных видеокапсулы, составило всего 5,9 мин, что очень мало по сравнению со средним временем ручного распознавания, которое у людей занимало в среднем 96,6 мин. Этот результат ещё раз продемонстрировал огромный потенциал искусственного интеллекта для обнаружения множественных поражений при видеокапсульной эндоскопии.
Оценка клинической эффективности алгоритмов распознавания
Прежде чем использовать алгоритм ИИ на пациенте, необходимо в достаточной степени проверить, насколько он точен и насколько эффективен при получении клинически достоверных заключений, так как диагностические ошибки могут нанести серьёзный вред пациентам. Кроме того, использование программного обеспечения, которое не улучшает результаты лечения пациента, только увеличивает ненужные медицинские расходы.
Процесс разработки алгоритмов искусственного интеллекта состоит из трёх этапов: обучение, настройка и тестирование.
Сложные алгоритмы ИИ, такие как глубокое обучение, имеют высокую степень зависимости от качества данных, применяемых для обучения использованием отдельных независимых данных, не используемых для обучения и настройки, что называется «внешней проверкой».
Идеальные данные для внешней проверки имеют следующие условия:
1) представление целевого клинического сценария/пациентов в реальной практике без существенной предвзятости,
2) получение данных для проверки из нескольких медицинских учреждений, но не тех, которые предоставили данные для обучения
3) проспективный характер исследований, в которых группа пациентов, созданная и изученная в настоящее время, прослеживается в будущем.
Без внешней проверки алгоритм ИИ недопустимо распространять на реальную клиническую практику. Было много случаев, когда точность алгоритмов в доклинических исследованиях была превосходной, но её было трудно использовать в реальной практике [43, 44]. Согласно метаанализу 516 статей, в которых сообщается о точности алгоритмов машинного обучения, только 6% исследований оценивали точность с помощью внешней проверки [45]. Это показывает, что исследователям нужно прилагать больше внимания и усилий, направленных на проверку точности алгоритма ИИ.
Очень важен для практики также вопрос о том, каким системам ИИ следует доверять больше, а каким меньше, однако выполнение комплексной количественной оценки неопределённости и достоверности алгоритмов ИИ является очень сложным процессом [46]. Хорошо известными показателями эффективности алгоритмов ИИ являются точность, чувствительность, специфичность, положительная прогностическая ценность, отрицательная прогностическая ценность, кривая рабочих характеристик приёмника и кривая точность-полнота. Поэтому одной из будущих задач станет разработка формата, который позволит количественно определять неопределённость искусственного интеллекта, учитывающего как набор данных, так и надёжность внутренней алгоритмической работы.
Перспективы искусственного интеллекта в медицине
Многие исследования сравнивали производительность метода глубокого обучения искусственного интеллекта с производительностью традиционного метода машинного обучения, осуществляемого эндоскопистами вручную. Большинство из них, осуществляемых в области ВКЭ, показали, что метод глубокого обучения превосходит метод машинного обучения [26, 47]. Это происходит потому, что глубокое обучение — это сквозная система обучения. Сквозной процесс обучения — это тип процесса глубокого обучения, в котором все параметры обучаются совместно, а не шаг за шагом. В случае же применения метода машинного обучения, он классифицирует только вручную выбранные функции. При глубоком обучении вычислительная система сама выполняет выбор необходимых функций для получения оптимальных результатов. Эту характеристику глубокого обучения иногда называют чёрным ящиком [50]. Однако одним из ограничений алгоритмов на основе глубокого обучения является необходимость в достаточно большой обучающей базе данных. Изучая классификацию двигательных движений в ВКЭ, Segui et а1. сообщили, что если размер обучающих данных увеличивается в десять раз, точность улучшается только на 3% [48]. Хорошо известной генеративной моделью является генеративно-состязательная сеть, которая может собирать большое количество обучающих данных. Генеративно-состязательная сеть — это структура, впервые предложенная Яном Гудфеллоу в 2014 году и демонстрирующая большие достижения в создании изображений, голосов и естественного языка [49]. Например, когда перед моделью глубокого обучения возникает задача классифицировать собаку или кошку, глядя на определённую фотографию, обычный алгоритм научился классифицировать две группы, показывая реальных собак и кошек. Ожидается, что генеративно-состязательные сети будут активно использоваться в здравоохранении для подготовки данных, необходимых для обучения, в ситуации, когда сложно собрать большой объём медицинских данных, необходимых для обучения ИИ, из-за законов о безопасности личных данных и защите личной информации. Однако, поскольку сами данные, используемые для обучения генеративной модели, также могут иметь серьёзные недостатки, важно проверить, насколько они пригодны к обобщению для реальной клинической практики.
Всё большее число исследований по применению свёрточных нейронных сетей в капсульной эндоскопии публикуется не только в биологических или математических, но и в клинических журналах. Исследования в области применения алгоритмов ИИ в биологии сопряжены с рядом трудностей. Например, они подвержены систематическим ошибкам, таким как систематическая ошибка отбора, поскольку важная клиническая информация,
такая как критерии исключения, здесь отсутствует. Исследований, предлагающих решение задачи диагностики множественных желудочно-кишечных поражений, пока ещё немного. Большинство из них ограничивалось выявлением одного типа поражения, что недостаточно для клинической практики. Кроме того, в большинстве исследований использовались хорошо отобранные неподвижные изображения, а не оригинальные полноформатные видеоролики. Для изображений с низкой яркостью, дрожанием или низкой контрастностью актуальна проблема снижения производительности их распознавания, что неизбежно при использовании современной технологии. Переобучение — ещё одна важная проблема для глубокого обучения. Переобучение - это явление, когда построенная модель хорошо объясняет примеры из обучающей выборки, но относительно плохо работает на примерах, не участвовавших в обучении, то есть на примерах из тестовой выборки. Это связано с тем, что при построении модели («в процессе обучения») в обучающей выборке обнаруживаются некоторые случайные закономерности, которые отсутствуют в генеральной совокупности [50]. Чтобы преодолеть явление переобучения необходимо проделать большую работу по созданию огромного общедоступного набора данных [51], а также пересмотреть и улучшить политику государственного регулирования, подходящую для исследований ИИ в каждой отдельно взятой стране. Кроме того, необходимо устранить дисбаланс данных с очень небольшим количеством патологических изображений во время обучения. В медицинских приложениях, включая классификацию реальных видеороликов капсуль-ной эндоскопии, дисбаланс классов является распространённой проблемой, возникающей из-за дисбаланса положительных и отрицательных классов. Если этого не сделать, то программа будет хорошо работать на тренировочном наборе, но плохо прогнозировать новые случаи, которые не встречались в тренировочном наборе. Это неизбежное ограничение, связанное с самим характером видео, полученного при капсульной эндоскопии тонкой кишки, требует активного использования технологий так называемого «увеличения данных», например алгоритмов отражения, обрезки, вращения и размытия. «Увеличение данных» в анализе данных — это методы, используемые для увеличения объёма данных путём добавления слегка изменённых копий уже существующих данных или вновь созданных синтетических данных, генерированных из существующих данных.
Выводы
Технология искусственного интеллекта для обработки данных видеокапсульной эндоскопии сегодня всё ещё находится на стадии разработки, и её можно использовать пока только в экспериментальных целях в качестве вспомогательного метода
диагностики. Поскольку алгоритмы распознавания изображений развиваются стремительными темпами, есть надежда, что вскоре искусственный интеллект сможет существенно сократить время анализа данных ВКЭ, повысить его точность и, в конечном итоге, стать системой, которая может самостоятельно выполнять распознавание видеокапсуль-ных изображений, без участия человека.
Литература
1. Аверкин А. Н., Гаазе-Рапопорт М. Г., Поспелов Д. А. Толковый словарь по искусственному интеллекту. — М.:Радио и связь, 1992. — 256 с.
2. What is Artificial Intelligence ? на Wayback Machine FAQ от Джона Маккарти, 2007
3. Artificial Intelligence Is Almost Ready for Business, Harvard Business Review.
4. Искусственный интеллект (ИИ) в медицине: новости и статьи. Everest.
5. From Cancer to Consumer Tech: A Look Inside IBM's Watson Health Strategy (англ.), Fortune
6. Microsoft Develops AI to Help Cancer Doctors Find the Right Treatments, Bloomberg.com (20 сентя
7. Baraniuk, Chris. Google DeepMind targets NHS head and neck cancer treatment (англ.), BBC News (31 August 2016)
8. Intel Capital Cancels $1 Billion Portfolio Sale. Fortune. Дата обращения: 23 февраля 2017.
9. Искусственный интеллект в медицине: главные тренды в мире. medaboutme.ru.
10. Cao JS, Lu ZY, Chen MY, Zhang B, Juengpanich S, Hu JH, et al. (April 2021). "Artificial intelligence in gastroenterology and hepatology: Status and challenges". World Journal of Gastroenterology. 27 (16): 1664-1690. doi:10.3748/wjg.v27.i16.1664
11. Mitchell T.M. Machine Learning. McGraw-Hill; New York, NY, USA: 1997
12. https:llru
13. https:llaws.amazon.comlrulwhat-islmachine-learningl
14. McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity. 1943. Bull. Math. Biol. 1990;52:99-115. doi: 10.1016l S0092-8240(05)80006-0
15. https:llru.wikipedia.orglwikilПерцептрон
16. Y. LeCun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard and L. D. Jackel: Backpropagation Applied to Handwritten Zip Code Recognition, Neural Computation, 1(4):541-551, Winter 1989.
17. Convolutional Neural Networks (LeNet) — DeepLearning 0.1 documentation. DeepLearning 0.1. LISA Lab.
18. Matusugu, Masaka^u; Katsuhiko Mori; Yusuke Mitari; Yuji Kaneda. Subject independentfacial expression recognition with robustface detection using a convolutional neural network (англ.) ll Neural Networks: journal. — 2003. — Vol 16, no. 5. — P. 555-559. — doi:10.1016lS0893-6080(03)00115-1
19. Yamashita R., Nishio M., Do R.K.G., Togashi K. Convolutional neural networks: An overview and application in radiology. Insights Into Imaging. 2018;9:611-629. doi: 10.1007ls13244-018-0639-9.
20. Iddan G., Meron G., Glukhovsky A., Swain P. Wireless capsule endosco-py. Nature. 2000;405:417. doi: 10.1038l35013140
21. Xiao J., Meng M.Q. A deep convolutional neural network for bleeding detection in Wireless Capsule Endoscopy images; Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society; Orlando, FL, USA. 16-20 August 2016; pp. 639-642..
22. Li P., Li Z., Gao F., Wan L., Yu J. Convolutional neural networks for intestinal hemorrhage detection in wireless capsule endoscopy images; Proceedings of the 2017 IEEE International Conference on Multimedia and Expo (ICmE); Hong Kong, China.. 10-14 July 2017; pp. 1518-1523
23. Rustam F., Siddique MA., SiddiquiH.U.R., Ullah S., Mehmood A., Ashraf I., Choi G.S. Wireless Capsule Endoscopy Bleeding Images Classification Using CNN Based Model IEEE Access. 2021;9:33675-33688. doi: 10.1109lACCESS.2021.3061592..
24. Leenhardt R., Vasseur P., Philippe M., Saurin J.C., Rahmi G., Cholet F., Becq A., Marteau P., Histace A., Dray X., et al. A neural network algorithm for detection of GI angiectasia during small-bowel capsule endoscopy. Gastrointest. Endosc. 2019;89:189-194. doi: 10.1016lj.gie.2018.06.036..
25. Tsuboi A., Oka S., Aoyama K., Saito H., Aoki T., Yamada A., Mat-suda T., Fujishiro M., Ishihara S., Nakahori M., et al. Artificial intelligence
using a convolutional neural network for automatic detection of small-bowel angioectasia in capsule endoscopy images. Dig. Endosc. 2020;32:382-390.
26. Fan S., Xu L., Fan Y., Wei K., Li L. Computer-aided detection of small intestinal ulcer and erosion in wireless capsule endoscopy images. Phys. Med. Biol. 2018;63:165001. doi: 10.1088[1361-6560/aad51c..
27. Aoki T., Yamada A., Aoyama K., Saito H., Tsuboi A., Nakada A., Niikura R., Fujishiro M, Oka S, Ishihara S, et al. Automatic detection of erosions and ulcerations in wireless capsule endoscopy images based on a deep convolutional neural network. Gastrointest. Endosc. 2019;89:357-363.e2. doi: 10.1016/j.gie.2018.10.027..
28. Wang S., Xing Y, Zhang L., Gao H., Zhang H. A systematic evaluation and optimization of automatic detection of ulcers in wireless capsule endoscopy on a large dataset using deep convolutional neural networks. Phys. Med. Biol. 2019;64:235014. doi: 10.1088/1361-6560/ab5086..
29. Aoki T., Yamada A., Aoyama K., Saito H., Fujisawa G., Odawara N., Kondo R., Tsuboi A., Ishibashi R., Nakada A., et al. Clinical usefulness of a deep learning-based system as the first screening on small-bowel capsule endoscopy reading. Dig. Endosc. 2020;32:585-591. doi: 10.1111/den.13517..
30. Klang E., Barash Y., Margalit R.Y., Soffer S., Shimon O., Albshesh A., Ben-Horin S., Amitai MM.., Eliakim R., Kopylov U. Deep learning algorithms for automated detection of Crohn's disease ulcers by video capsule endoscopy. Gastrointest. Endosc. 2020;91:606-613.e2. doi: 10.1016/j. gie.2019.11.012.
31. Zhou T., Han G., Li B.N., Lin Z., Ciaccio E.J., Green P.H., Qin J. Quantitative analysis of patients with celiac disease by video capsule endoscopy: A deep learning method. Comput. Biol. Med. 2017;85:1-6. doi: 10.1016/j. comp biomed.2017.03.031.
32. Yuan Y., Meng M.Q.-H. Deep learningfor polyp recognition in wireless capsule endoscopy images. Med. Phys. 2017;44:1379-1389. doi: 10.1002/ mp.12147.
33. Saito H., Aoki T., Aoyama K., Kato Y., Tsuboi A., Yamada A., Fu-jishiro M., Oka S., Ishihara S., Matsuda T., et al. Automatic detection and classification of protruding lesions in wireless capsule endoscopy images based on a deep convolutional neural network. Gastrointest. Endosc. 2020;92:144-151.e1. doi: 10.1016/j.gie.2020.01.054
34. Cunha J.P.S., Coimbra M., Campos P., Soares J.M. Automated Topographic Segmentation and Transit Time Estimation in Endoscopic Capsule Exams. IEEE Trans. Med. Imaging. 2007;27:19-27. doi: 10.1109/ TMI.2007.901430..
35. Seguí S., DrozdzalM., Vilarino F., Malagelada C., Azpiroz F., Radeva P., Vitria J. Categorization and Segmentation of Intestinal Content Frames for Wireless Capsule Endoscopy. IEEE Trans. Inf. Technol. Biomed. 2012116:1341-1352. doi: 10.1109/TITB.2012.2221472..
36. Shen Y., Guturu P., Buckles B.P. Wireless Capsule Endoscopy Video Segmentation Using an Unsupervised Learning Approach Based on Probabilistic Latent Semantic Analysis with Scale Invariant Features. IEEE Trans. Inf. TechnoI. Biomed. 2011;16:98-105. doi: 10.1109/ TITB.2011.2171977..
37. Dimas G., Spyrou E., Iakovidis D.K., Koulaouzidis A. Intelligent visual localization of wireless capsule endoscopes enhanced by color information. Comput. Biol. Med. 2017;89:429-440. doi: 10.1016/j.comp-biomed.2017.08.029.
38. Iakovidis D.K., Dimas G., Karargyris A., Bianchi F., Ciuti G., Koulaouzidis A. Deep Endoscopic Visual Measurements. IEEE J. Biomed. Health Inform. 2018;23:2211-2219. doi: 10.1109/JBHI.2018.2853987..
39. Vedaei S.S., Wahid KA. A localization methodfor wireless capsule en-doscopy using side wall cameras and IMU sensor.
doi: T0.1038/s41598-021-90523-w..
40. Park J., Hwang Y., Nam J.H., Oh D.J., Kim K.B., Song H.J., Kim S.H., Kang S.H., Jung M.K., Lim Y.J. Artificial intelligence that determines the clinical significance of capsule endoscopy images can increase the efficiency of reading. PLoS ONE. 2020;15:e0241474. doi: 10.1371/journal. pone.0241474..
41. Lui F., Rusconi-Rodrigues Y., Ninh A., Requa J., Karnes W. Highly Sensitive and Specific Identification of Anatomical Landmarks and Mucosal Abnormalities in Video Capsule Endoscopy With Convolutional Neural Networks: Presidential Poster Award. Am. J. Gastroenterol. 2018;113:S670— S671. doi: 10.14309/00000434-201810001-01177..
42. Ding Z., Shi H., Zhang H., Meng L., Fan M., Han C., Zhang K., Ming F., Xie X., Liu H., et al. Gastroenterologist-Level Identification of Small-Bowel Diseases and Normal Variants by Capsule Endoscopy Using a Deep-Learning Model. Gastroenterology. 2019;157:1044-1054.e5. doi: 10.1053/j.gastro.2019.06.025..
43. Kelly C.J., Karthikesalingam A., Suleyman M., Corrado G., King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019,17:195. doi: 10.1186/s12916-019-1426-2..
44. Zech J.R., Badgeley MA., Liu M., Costa A.B., Titano J.J., Oermann E.K. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. PLoS Med. 2018;15:e1002683. doi: 10.1371/journalpmed.1002683..
45. Kim D.W., Jang H.Y., Kim K.W., Shin Y., Park S.H. Design Characteristics of Studies Reporting the Performance of Artificial Intelligence
Algorithms for Diagnostic Analysis of Medical Images: Results from Recently Published Papers. Korean J. Radiol. 2019;20:405-410. doi: 10.3348/ kjr.2019.0025..
46. Cheng M, Nazarian S, Bogdan P. There Is Hope After All: Quantifying Opinion and Trustworthiness in Neural Networks. Front. Artif. Intell. 2020,3:54. doi: 10.3389/frai.2020.00054.
47. Seguí S, DrozdzalM, Pascual G., Radeva P., Malagelada C., Azpiroz F., Vitria J. Generic feature learningfor wireless capsule endoscopy analysis. Comput. Biol. Med. 2016;79:163-172. doi: 10.1016/j.comp-biomed.2016.10.011.
48. Chartrand G., Cheng P.M., Vorontsov E., DrozdzalM, Turcotte S., Pal C.J., Kadoury S, Tang A. Deep Learning: A Primer for Radiologists. Radiographics. 2017;37:2113-2131. doi: 10.1148/rg.2017170077.
49. Goodfellow I., Pouget-Abadie J., Mirza M, Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative adversarial nets; Proceedings of the 27th International Conference on Neural Information Processing Systems; Montreal, Canada. 8-13 December 2014; pp. 2672-2680
50. Jones B., Wani S. Endoscopic Eradication Therapy for Barrett's Neoplasia: Where Do We Stand a Decade Later ? Curr. Gastroenterol. Rep. 2020;22:61. doi: 10.1007/s11894-020-00799-7
51. Koulaouzidis A., Iakovidis D.K., Yung D.E., Rondonotti E., Kopylov U., Plevris J.N., Toth E., Eliakim A., Johansson G.W., Marlicz W., et al. KID Project: An internet-based digital video atlas of capsule endoscopy for research purposes. Endosc. Int. Open. 2017;5:E477-E483. doi: 10.1055/s-0043-105488
52. Park J, Hwang Y, Nam JH, Oh DJ, Kim KB, et al. (2020) Artificial intelligence that determines the clinical significance of capsule endoscopy images can increase the efficiency of reading. PLOS ONE 15(10): e0241474. https://doi.org/10.1371/journalpone.0241474
