CC BY
2Лекции и обзоры
Применение нейросетей и искусственного интеллекта в диагностике неоплазии при пищеводе Барретта
И.Л. Кляритская, Ю.А. Мошко, В.В. Кривой, И.А. Иськова, Е.В. Максимова, Е.И. Стилиди
The role of artificial intelligence in the diagnosis of Barrett's esophagus neoplasia
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, пищевод Барретта, аденокарцинома, глубокое обучение, эндоскопия
Резюме
Роль искусственного интеллекта в диагностике неоплазии пищевода Барретта
И.Л. Кляритская, Ю.А. Мошко, В.В. Кривой, И.А. Иськова, Е.В. Максимова, Е.И. Стилиди
Пищевод Барретта связан с повышенным риском развития аденокарциномы пищевода. Качество диагностики и скрининга, выполняемого эндоскопистом, имеет исключительное значение для своевременной постановки диагноза и назначения оптимального лечения больного. Обнаружение и характеристика стадии дисплазии и неоплазии при пищеводе Барретта во время обычной эндоскопии является весьма сложной задачей даже для опытного врача-эндоскописта. Несмотря на серьёзный прогресс методов эндоскопической визуализации, достигнутый за последнее время, по-прежнему отмечается значительный процент пропущенных случаев дисплазии и рака при пищеводе Барретта. Искусственный интеллект — новейший и многообещающий инструмент, который может стать полезным помощником человека-эндоскописта при выявлении и дифференциальной диагностике дисплазии слизистой оболочки и рака пищевода. Во многих странах сейчас активно
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». khra3@yandex.ru, 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:chmtj@maiI.ru
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: vaIeny-kryvy@maiI.ru
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
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». HeIenMaksimovatt@mail.ru
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
разрабатываются системы поддержки принятия врачебных решений на основе искусственного интеллекта. Искусственный интеллект показал исключительные результаты и при диагностике дисплазии и барреттовского рака пищевода. Некоторые системы на основе нейросетей уже сегодня продемонстрировали чувствительность более 90% и специфичность выше 80%, что не уступает, а иногда и превосходит результаты, достигнутые людьми-эндоскопистами, экспертами в этой области. Помимо визуального обнаружения и диагностики патологического процесса, искусственный интеллект также может оказаться полезным для контроля качества постановки диагноза и назначенного лечения, оптимизации клинической работы медиков, снижения административной нагрузки на врачей и уменьшения количества выполняемой ими бумажной работы. В нашей статье мы рассматриваем текущее состояние и перспективы использования искусственного интеллекта и нейросетей в диагностике неоплазии и аденокарциномы при пищеводе Барретта. Ключевые слова: аденокарцинома, искусственный интеллект, пищевод Барретта, глубокое обучение, эндоскопия
Abstract
The role of artificial intelligence in the diagnosis of Barrett's esophagus neoplasia
I.L. Kliaritskaia, Y.A. Moshko, V.V. Kryvy, I.A. Iskova, E.V. Maksimova, E.I. Stilidi
Barrett's esophagus is associated with an increased risk of developing esophageal adenocarcinoma. Therefore, the quality of diagnosis and screening performed by the endoscopist is of paramount importance for the quality of diagnosis and the appointment of adequate treatment for the patient. Detection and characterization of the stage of dysplasia or neoplasia in Barrett's esophagus during conventional endoscopy is a very difficult task even for experienced endoscopists. Despite major recent advances in endoscopic imaging techniques, there is still a significant percentage of missed cases of dysplasia and cancer in Barrett s esophagus. Artificial intelligence (AI) is a new and promising tool that can become a useful assistant to a human endoscopist in the detection and differential diagnosis of mucosal dysplasia and esophageal cancer. Medical decision support systems based on artificial intelligence are now rapidly developing. AI has shown exceptional results in detecting dysplasia and esophageal cancer associated with Barrett's esophagus. Some of them have already demonstrated sensitivity of more than 90% and specificity of more than 80%, which is not inferior, and sometimes even surpasses the results of human experts. In addition to visual detection and diagnosis of a pathological process, AI can also be useful for quality control of diagnosis and treatment, optimization of clinical work, reducing the administrative burden on doctors and reducing the amount of paperwork they perform. In this article, we review the current state and prospects for the use of artificial intelligence in the diagnosis of Barrett's esophagus.
Key words: adenocarcinoma, artificial intelligence, Barrett's esophagus, deep learning, endoscopy
Одним из осложнений гастроэзофагеальной рефлюксной болезни является формирование пищевода Барретта (ПБ), осложнения, при котором многослойный плоский эпителий пищевода на уровне желудочно-пищеводного перехода замещается метапластическим эпителием кишечного типа [1,2]. Пищевод Барретта, в свою очередь, это фактор риска развития аденокарциномы пищевода (АКП). Заболеваемость АКП значительно увеличивалась в последние годы и часто связана с плохим прогнозом из-за её поздней диагностики [3,4].
Золотым стандартом диагностики ПБ и аденокарциномы пищевода (АКП) является эндоскопическое обследование с гистологическим подтверждением. Существенными фактором, затрудняющим диагностику пищевода Барретта, являются ошибочные заключения врачей-патологоанатомов при гистологическом исследовании биоптатов. Даже квалифицированные гистологи допускают ошибки, которые приводят к частоте пропусков аденокарциномы
пищевода до 20%, а пищевода Барретта - до 50% [8,9]. Использование при эндоскопии специальных методов диагностики, таких, как узкоспектральная визуализация (ЫВ1), позволяет повысить диагностические возможности эндоскопистов при пищеводе Барретта и аденокарциноме пищевода [10,11]. Хромоэндоскопия с индигокармином или уксусной кислотой также являются превосходными диагностическими методами, эффективными и недорогими, и могут быть рекомендованы для эндоскопи-ческойоценки пищевода Барретта [11-14]. Однако внедрение этих передовых методов диагностики ПБ и АКП в повседневную практику требует высокой квалификации врачей-эндоскопистов. Поэтому помощь в дифференциальной диагностике неди-спластического ПБ и АКП может быть полезна даже опытным эндоскопистам [5,6]. В связи с этим сразу несколько исследовательских групп разрабатывают алгоритмы диагностики пищевода Барретта и АКП, основанные на использовании искусственного интеллекта, при котором нейросети подвергаются
Рис. 1. Визуализация неоплазии пищевода Барретта при эндоскопии различными методами: A) Эндоскопия высокого разрешения в белом свете ^) B) Узкоспектральная визуализация C) Хромоэндоскопия с уксусной кислотой D) хромоэндоскопия с индигокармином Релевантность диагностических заключений искусственного интеллекта при диагностике пищевода Барретта [43].
Рис. 2. Обнаружение дисплазии пищевода Барретта при эндоскопии, выполненной методами NBI (A), текстурной визуализации с усилением цвета (B) и при эндоскопии высокого разрешения в белом свете (C) и распознавание выявленной патологии системой искусственного интеллекта. [43].
глубокому обучению.
Искусственный интеллект: краткое введение
ИИ — это общий термин для широкого круга понятий, и общая их идея состоит в том, чтобы решить проблему с помощью алгоритмов, требующих характеристик, присущих человеческому интеллекту, таких, как способности к обучению. Машинное обучение (МО) как подраздел ИИ, использует алгоритмы, используемые для обучения на основе уже наблюдаемых данных. На сегодняшний день область ИИ, наиболее актуальная для медицины, особенно для эндоскопии — это глубокое обучение. Глубокое обучение является подтипом машинного обучения и использует метод, направленный на решение проблем практически без контроля человека с использованием больших объёмов данных. Подобно человеческому мозгу, прикладные алгоритмы или свер-точные нейронные сети (СНС) состоят из слоёв нейронов. СНС учится выявлять определённые образы в полученных ею входных данных и на их основе давать диагностическое заключение [15]. Дефицит времени врача-эндоскописта и ошибки, допускаемые им при диагностике пищевода Барретта и АКП побудили специалистов в области искусственного интеллекта совместно с медиками искать более эффективные методы диагностики этих состояний. Использование искусственного интеллекта (ИИ) в эндоскопии для этих целей становится всё более актуальным, особенно для ранней диагностики неоплазии. Например, при эндоскопии желудочно-кишечного тракта ИИ способен выявлять степень дисплазии и проводить дифференциацию между дисплазией и метаплазией [16].
Обнаружение дисплазии высокой степени (ДВС) и АКП во время эндоскопии - весьма сложная задача. В практике врача-эндоскописта при выявлении аденокарциномы пищевода часто встречаются ложно отрицательные результаты и факты пропуска имеющихся поражений пищевода, поэтому было бы полезным существование так называемого «другого мнения» по результатам эндоскопического исследования. Таким «другим мнением» может стать заключение, выданное искусственным интеллектом на основе анализа изображений пищевода.
Van der Sommen с соавторами [19] разработали систему искусственного интеллекта на основе распознавания образов, которая позволяет обнаруживать АКП при пищеводе Барретта с чувствительностью и специфичностью более 80%.
Группа исследователей de Groof и соавторы разработали систему ИИ на основе свёрточной нейронной сети, которая превзошла результаты людей-эндоскопистов в анализе эндоскопических изображений [20]. Искусственный интеллект показал чувствительность 93% и специфичность 72%, тогда как врачи-эндоскописты распознавали патологию пищевода с чувствительностью 88% и специфично-
стью 73%. При проспективном наблюдении за этой же группой пациентов при решении задачи дифференциальной диагностики пищевода Барретта и аденокарциномы пищевода на основе анализа эндоскопических изображений высокого разрешения белого света (HD-WLE), искусственным интеллектом была достигнута чувствительность, специфичность и точность результатов 91%, 89% и 90%, соответственно [21].
Групповые исследования по дифференциальной диагностике ПБ и АКП на основе анализа и обработки изображений успешно проводились в нескольких научных центрах. Hashimoto и соавторам удалось обучить искусственный интеллект правильно распознавать пищевод Барретта с чувствительностью, специфичностью и точностью, равными 96,4%, 94,2% и 95,4% соответственно [22].
Группа японских специалистов, Iwagami и соавторы [23] по результатам обследования азиатской популяции разработала систему искусственного интеллекта, которая способна выявлять рак в области пищеводно-желудочного перехода с чувствительностью, специфичностью и точностью 94%, 42% и 66% соответственно. Это исследование включало 232 неподвижных изображений эндоскопии белого света высокого разрешения, 36 онкологических и 43 не онкологических больных. Работа ИИ была сопоставлена с данными заключений экспертов-эндоскопистов, которые показали результаты с чувствительностью, специфичностью и точностью 88%, 43% и 63% соответственно.
Сегодня осуществляется «бесшовная» интеграция в клинические условия компьютерной диагностики на основе искусственного интеллекта. Результирующий прогноз ИИ основан на средних прогнозах исходного изображения и трех его перевернутых вариантов. Каждый отдельный прогноз является результатом ансамбля из четырех независимо обученных моделей, каждая из которых использует 90% доступных обучающих данных. Эта процедура повышает надежность, но требует больше времени. В целом, на настольном компьютере с двумя графическими процессорами NVidia TitanX прогнозирование AI занимает 1,19 и 0,13 секунды с ансамблем и без него соответственно (Рис. 3).
Struyvenberg и соавторы разработали систему ИИ, которая позволяет дифференцировать ПБ и АКП на основании анализа изображений, полученных при эндоскопии с узкоспектральной визуализацией (NBI), которая продемонстрировала чувствительность, специфичность и точность, равные 88%, 78% и 84% соответственно [25]. Hussein и соавторы обучали свёрточную нейросеть на примерах множества эндоскопических изображений пищевода Барретта и аденокарциномы пищевода, полученных двумя методами: эндоскопии белого света высокого разрешения и оптической хромоэндоскопии (i-scan от Pentax Hoya, Токио, Япония). Эта нейронная сеть показала чувствительность при распознавании патологии, равную 91% [26].
Рис. 3. Интеграция искусственного интеллекта в клиническую практику [28].
Рис. 4. Использование ИИ в эндоскопии: синий квадрат — участок патологии, который автоматически выявлен ИИ [44].
Ebigbo и соавторы для обучения нейронной сети применяли эндоскопические изображения, полученные тремя методами: эндоскопии белого света высокого разрешения, ЫВ1 и эндоскопические фотографии, подвергнутые специальной компьютерной обработке для улучшения их текстуры и цвета [27]. Сначала они обучали нейросети на примерах не-
подвижных изображений, полученных методом эндоскопии белого света высокого разрешения из данных, предоставленных организацией Medical Image Computing and Computer Assisted Interventions Society. Проверка эффективности работы этой нейросети при диагностике реальных эндоскопических изображений пищевода у пациентов из
Университетской больницы Аугсбурга ИИ показала результаты распознавания изображений эндоскопии белого света высокого разрешения с чувствительностью и специфичностью 97% и 88%, а при распознавании эндоскопических изображений, полученных методом NBI, чувствительность и специфичность составили 94% и 80%. Таким образом, авторы этой системы искусственного интеллекта доказали возможность её применения в клинической практике. Эта нейросеть могла в случайном порядке захватывать изображения из эндоскопического видео и на их основании дифференцировать ПБ от АКП с точностью 89,9% [28].
В начальных стадиях исследований ИИ, несмотря на то, что он показывал многообещающие результаты в доклинических и нескольких пилотных исследованиях, алгоритмы ИИ в основном определяли ПБ и АКП на каждом отдельно взятом статическом изображении, а не при реальной видеоэндоскопии. Одной из первых исследовательских групп, которые научили искусственный интеллект распознавать аденокарциному пищевода при видеоэндоскопии в реальном времени, были Ebigbo и соавторы [29].
Визуально дифференцировать дисплазию слизистой типа T1a и T1b в процессе эндоскопического осмотра исключительно сложно. Ebigbo и соавторы в экспериментальном исследовании обучали нейронную сеть на примере 230 изображений, полученных методом эндоскопии белого света высокого разрешения. Они разработали алгоритм, с помощью которого искусственный интеллект смог дифференцировать аденокарциному T1a от T1b с чувствительностью и специфичностью в 77% и 64%, соответственно [30]. Эти результаты не уступали по качеству заключениям опытных врачей-эндоскопистов.
Lui и соавторами опубликовали метаанализ 6 разработок ИИ, включавших в сумме 561 эндоскопическое исследование пациентов с пищеводом Барретта [31]. Совокупная чувствительность и специфичность заключений ИИ составили от 86% до 90%, соответственно, что доказывает многообещающий потенциал систем искусственного интеллекта для диагностики неоплазии при ПБ [31].
Корпорация NEC разработала технологию искусственного интеллекта WISE VISION для помощи врачам в эндоскопической диагностике дисплазии при пищеводе Барретта (Рис. 5).
Искусственный интеллект выявляет области, подозрительные на неоплазию, определяет их размер и морфологию поражений. ИИ информирует эндоскописта о подозрительных областях с помощью экранного предупреждения. Врач эндоскопист может решить, нужно ли брать биоптат из этой области или применить эндоскопическую резекцию слизистой оболочки. В конце процедуры ИИ автоматически генерирует отчет о результатах эндоскопического исследования, включая автоматические измерения C&M по Пражской классификации, измерения грыжи пищеводного отверстия диафрагмы и
т. д. (рис. 6,7).
ИИ в анализе данных объёмной лазерной эндомикроскопии
Объёмная лазерная эндомикроскопия (ОЛЭ, или VLE) — это новейший метод ранней диагностики, в котором применяются принципы оптической когерентной томографии [32]. Это один из тех методов, которые способны существенно повысить точность диагностики пищевода Барретта и аденокар-циномы пищевода. Например, в обсервационном исследовании, выполненном Smith и соавторами, установлено, что биопсия, проводимая под контролем ОЛЭ, по сравнению со случайной биопсией, когда образцы получаются при стандартной методике визуального осмотра, повышает частоту выявления аденокарциномы пищевода в 7 раз [33]. Однако практическое применение ОЛЭ и интерпретация полученных этим методом данных требуют от врача высокой квалификации и большого опыта. Поэтому сразу несколько исследовательских групп предложили решение этой проблемы с помощью искусственного интеллекта.
Trindade и соавторы были одними из первых исследователей, которые разработали систему искусственного интеллекта, позволяющую выявлять и дифференцировать признаки дисплазии слизистой на изображениях, полученных методом объёмной лазерной эндомикроскопии [34]. В качестве примера приводится клинический случай пациента с длинным сегментом пищевода Барретта, у которого при осмотре методами эндоскопии белого света высокого разрешения и NBI визуальных признаков дисплазии выявлено не было. Случайным образом полученные из этой зоны биоптаты также дали отрицательный результат. Однако гистологическое исследование под контролем ОЛЭ обнаружило участок дисплазии низкой степени.
Struyvenberg и соавторы также разработали систему искусственного интеллекта, позволяющую анализировать данные ОЛЭ. Нейросеть выполняла эту задачу с показателями чувствительности в 91% и специфичности в 82%, тогда как эксперты-эндоскописты продемонстрировали более слабые результаты: чувствительность и специфичность человека оказались всего 70% и 81% соответственно [35].
Во время пилотного клинического исследования методом NBI-эндоскопии Waterhouse и соавторы протестовали системы ИИ, которые могли отличать пищевод Барретта от аденокарциномы пищевода с чувствительностью 83,7% и специфичностью 85,5% [36].
В настоящее время несколько систем искусственного интеллекта уже одобрены для клинического использования и являются коммерчески доступными. Так, система искусственного интеллекта WISE VISION (Корпорация NEC, Токио, Япония) позволяет проводить дифференциальную диагностику пище-
Рис. 5. Если обнаружена неоплазия, система ИИ создаёт её неподвижное изображение в верхнем правом углу экрана. Тепловая карта показывает область предполагаемой ИИ неоплазии [45].
Рис. 6. Изображение высокого разрешения в белом свете. Рак в сегменте пищевода Барретта [46].
вода Барретта и аденокарциномы пищевода, а также очерчивать на изображении область дисплазии. Другая система искусственного интеллекта, CADU, Odin Medical Ltd, Лондон, Великобритания, также способна диагностировать АКП, визуально очерчивая зону малигнизации.
В настоящее время в разных странах существует множество различных подходов к диагностике ма-лигнизации с использованием нейронных сетей, поэтому настоятельно требуется стандартизированный подход к методам оценки поражений слизистой при использовании искусственного интел-
лекта в клинической практике. В связи с этим для интеграции новых технологий в диагностику ПБ Американское общество желудочно-кишечной эндоскопии (ASGE) разработало рекомендации под названием «Сохранение и использование ценных эндоскопических инноваций». Для тех алгоритмов нейросетей, которые при диагностике дисплазии высокой степени и аденокарциномы пищевода используются с целью замены случайных биопсий на прицельные биопсии, ASGE рекомендует минимальные требования по чувствительности = 90%, и по специфичности = 80% [37].
Контроль качества эндоскопии верхних отделов желудочно-кишечного тракта с использованием нейросетей
ИИ способен повысить качество многих других аспектов эндоскопии желудочно-кишечного тракта, например, решить проблему разноречивости заключений разных специалистов по одному и тому же пациенту. Так, Pan и соавторы разработали систему искусственного интеллекта, которая самостоятельно определяет место перехода плоскоклеточного эпителия пищевода в цилиндрический и, таким образом, маркирует пищеводно-желудочный переход на эндоскопических изображениях [38].
Ali и соавторы работают над системой ИИ, способной определять протяжённость пищевода Барретта по пражской классификации [39]. Поскольку протяжённость ПБ является релевантным прогностическим признаком при стратификации риска развития аденокарциномы пищевода, использование нейронных сетей для этой цели может резко повысить качество диагностики и лечения больных.
Для исключения случаев пропуска патологии пищевода большое значение имеет его полное обследование с тщательным осмотром слизистой. Европейское общество желудочно-кишечной эндоскопии (ESGE) и Британское общество гастроэнтерологов (BSG) рекомендуют осуществлять фотофиксацию эндоскопических ориентиров во время осмотра верхних отделов желудочно-кишечного тракта [40,41]. Согласно Европейскому обществу желудочно-кишечной эндоскопии, для достижения минимальных требований к качеству осмотра
верхних отделов желудочно-кишечного тракта по показателям безопасности, рекомендуется уровень фотодокументирования не менее 90% осмотренных участков[41]. Неполное обследование во время эндоскопии верхних отделов желудочно-кишечного тракта может привести к повышенному риску пропуска патологии, в частности, рака пищевода. Применение ИИ способно существенно повысить качество эндоскопических исследований. Wu и соавторами разработана система искусственного интеллекта WISENSE, которая может обнаруживать «слепые» (пропущенные) зоны, документировать время исследования и автоматически записывать изображения для фотодокументации в процессе эндоскопии [42]. Рандомизированное сравнительное исследование эндоскопии верхних отделов желудочно-кишечного тракта с поддержкой WISENSE или без него продемонстрировало более высокую частоту пропусков «слепых» зон в той группе, где ИИ не использовался [38, 39, 42].
Ограничения возможностей применения искусственного интеллекта для диагностики пищевода Барретта
Несмотря на то, что в настоящее время ряд исследовательских групп уже готов к началу клинических исследований и практическому применению искусственного интеллекта, их хорошие результаты доклинических исследований часто сводятся к данным, полученным из их собственных центров. Это может вызвать определённые сложности, если
\
/
> ji I
эти системы ИИ начинают использоваться в других центрах. Кроме того, для повышения надёжности заключений, выданных системами искусственного интеллекта, необходимо их обучение на наборе разнородных данных, которые включали бы не только множество разных изображений, но и множество различных клинических случаев.
Кроме того, на сегодняшний день не создан стандартизированный метод оценки производительности работы систем ИИ. Нужно также создать единую терминологию, которая бы применялась при анализе клинического материала с помощью искусственного интеллекта и оценке качества их результатов.
Выводы
Объём информации, получаемой сегодня врачом по результатам различных диагностических методов и требующейся ему для постановки диагноза и выбора правильной тактики ведения пациента, растёт в геометрической прогрессии, а человеческие и материальные ресурсы современной медицины не безграничны. Современная клиническая медицина остро нуждается в средствах оперативной обработки информации для достижения высокого качества диагностики и лечения пациентов. Искусственный интеллект может помочь решить эту проблему. Существующие сегодня приложения ИИ разрабатываются для замены рутинного труда человека-специалиста и для оказания помощи врачам практического здравоохранения при решении сложных диагностических и лечебных задач. Правильная интерпретация данных при применении ИИ имеет исключительное значение для достижения оптимальных результатов диагностики. Важное значение имеет создание систем искусственного интеллекта, которые легко интегрируются в практическую работу врача. Качество работы ИИ зависит от качества его обучения и качества полученных им входных данных. Системы искусственного интеллекта способны дать настолько качественные заключения, насколько хороши входные данные, которые они получают, что требует от создателей медицинских нейросетей использования высококачественных обучающих изображений. Несмотря на то, что большинство систем ИИ для диагностики пищевода Барретта и рака пищевода пока находятся на доклинической фазе разработки, они уже показали исключительно большой потенциал для их применения в повседневной клинической практике. Несомненно, в ближайшем будущем искусственный интеллект приведёт к значительному повышению диагностических возможностей клинической эндоскопии, улучшит результаты лечения и прогноз пациентов с пищеводом Барретта и аденокарциномой пищевода.
Литература
1. Spechler SJ, Souza RF. Barrett's esophagus. N Engl J Med. 2014;371:836-845.
2. Qumseya BJ, Bukannan A, Gendy S, et al. Systematic review and me-
ta-analysis of prevalence and risk factors for Barrett's esophagus. Gastrointest Endosc. 2019;90:707-717.
3. Smyth EC, Lagergren J, Fitzgerald RC, et al. Oesophageal cancer. Nat Rev Dis Primers. 2017;3:17048.
4. Coleman HG, Xie SH, Lagergren J. The epidemiology of esophageal adenocarcinoma. Gastroenterology. 2018;154:390-405.
2020: GLOB-
cancers in 185
countries. CA Cancer J Clin. 2021;71:209-249.
6. Kambhampati S, Tieu AH, Luber B, et al. Risk factors for progression of Barrett's esophagus to high grade dysplasia and esophageal adenocarcinoma. Sci Rep. 202010:4899.
7. Chandrasekar VT, Hamade N, Desai M, et al. Significantly lower annual rates of neoplastic progression in short- compared to long-segment non-dys-plastic Barrett's esophagus: a systematic review and meta-analysis. Endoscopy.
8. Visrodia K, Singh S, Krishnamoorthi R, et al. Magnitude of missed esophageal adenocarcinoma after Barrett's esophagus diagnosis: a systematic review and meta-analysis. Gastroenterology. 2016;150:599-607.
9. Singer ME, Odze RD. High rate of missed Barrett's esophagus when screening with forceps biopsies. Esophagus. 2023;20:143-149.
10. Sharma P, Bergman JJ, Goda K et al. Development and validation of a classification system to identify high-grade dysplasia and esophageal adenocarcinoma in Barrett's esophagus using narrow-band imaging. Gastroenterology. 2016150:591-598.
11. ASGE Technology Committee. Thosani N, Abu Dayyeh BK, et al. ASGE Technology Committee systematic review and meta-analysis assessing the ASGE Preservation and Incorporation of Valuable Endoscopic Innovations thresholds for adopting real-time imaging-assisted endoscopic targeted biopsy during endoscopic surveillance of Barreffs esophagus. Gastrointest Endosc. 2016;83:684-698.
12. Qumseya BJ, Wang H, Badie N, et al. Advanced imaging technologies increase detection of dysplasia and neoplasia inpatients with Barrett's esophagus: a meta-analysis and systematic review. Clin Gastroenterol Hepatol. 201311:1562-1570.
13. Tholoor S, Bhattacharyya R, Tsagkournis O, et al. Acetic acid chromoen-doscopy in Barrett's esophagus surveillance is superior to the standardized random biopsy protocol: results from a large cohort study (with video) Gastrointest Endosc. 2014;80:417-424.
14. Chedgy FJ, Subramaniam S, Kandiah K, et al. Acetic acid chromoendosco-py: improving neoplasia detection in Barrett's esophagus. World J Gastroenter-oi. 2016;22:5753-5760. 1 &
15. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44-56.
16. van der Sommen F, de Groof J, Struyvenberg M, et al. Machine learning in GI endoscopy:practical guidance in how to interpret a novelfield. Gut. 2020;69:2035-2045.
17. Hsiao CH, Lin PC, Chung LA, et al. A deep learning-based precision and automatic kidney segmentation system using efficient feature pyramid networks in computed tomography images. Comput Methods Programs Biomed. 2022221:106854.
18. Zou KH, Warfield SK, Bharatha A, et al. Statistical validation of image segmentation quality based on a spatial overlap index. Acad Radiol. 2004111:178-189.
19. van der Sommen F, Zinger S, Curvers WL, et al. Computer-aided detection of early neoplastic lesions in Barrett's esophagus. Endoscopy. 2016;48:617-624.
20. de Groof AJ, Struyvenberg MR, van der Putten J, et al. Deep-learning system detects neoplasia in patients with Barrett's esophagus with higher accuracy than endoscopists in a multistep training and validation study with benchmarking. Gastroenterology. 2020;158:915-929.
21. de Groof AJ, Struyvenberg MR, Fockens KN, et al. Deep learning algorithm detection of Barrett's neoplasia with high accuracy during live endoscopic procedures: a pilot study (with video) Gastrointest Endosc. 2020;91:1242-
22. Hashimoto R, Requa J, Dao T, et al. Artificial intelligence using convolu-tional neural networks for real-time detection of early esophageal neoplasia in Barrett's esophagus (with video) Gastrointest Endosc. 2020;91:1264-1271.
23. Iwagami H, Ishihara R, Aoyama K, et al. Artificial intelligence for the detection of esophageal and esophagogastric junctional adenocarcinoma. J Gas-troenterolHepatoL2021;36:131-136.
24. Ghatwary N, Zolgharni M, Ye X. Early esophageal adenocarcinoma detection using deep learning methods. Int J Comput Assist Radiol Surg. 2019114:611-621.
25. Struyvenberg MR, de Groof AJ, van der Putten J, et al. A computer-assisted algorithm for narrow-band imaging-based tissue characterization in Barretfs esophagus. Gastrointest Endosc. 2021;93:89-98.
26. Hussein M, Gonzalez-Bueno PuyalJ, Lines D, et al. A new artificial intelligence system successfully detects and localises early neoplasia in Barrett's esophagus by using convolutional neural networks. UnitedEuropean Gastroenterol J. 202210:528-537.
27. Ebigbo A, Mendel R, Probst A, et al. Computer-aided diagnosis using deep learning in the evaluation of early oesophageal adenocarcinoma. Gut. 2019;68:1143-1145.
28. Ebigbo A, Mendel R, Probst A, et al. Real-time use of artificial intelligence in the evaluation of cancer in Barrett's oesophagus. Gut. 2020;69:615-
29. Ebigbo A, Mendel R, Probst A, et al. Multimodal imaging for detection and segmentation of Barrett's esophagus-related neoplasia using artificial intelligence. Endoscopy. 2022;54:E587.
30. Ebigbo A, Mendel R, Ruckert T, et al. Endoscopic prediction of submucosal invasion in Barrett's cancer with the use of artificial intelligence: a pilot study. Endoscopy. 2021;53:878-883.
31. Lui TK, Tsui VW, Leung WK. Accuracy of artificial intelligence-assisted detection of upper GI lesions: a systematic review and meta-analysis. Gastroin-test Endosc. 2020;92:821-830.
32. Elsbernd BL, Dunbar KB. Volumetric laser endomicroscopy in Barrett's esophagus. Tech Innov Gastrointest Endosc. 2021;23:P69—P76.
33. Smith MS, Cash B, Konda V, et al. Volumetric laser endomicroscopy and its application to Barrett's esophagus: results from a 1,000patient registry. Dis Esophagus. 2019;32:doz029.
34. Trindade AJ, McKinley MJ, Fan C, et al. Endoscopic surveillance of Barrett's esophagus using volumetric laser endomicroscopy with artificial intelligence image enhancement. Gastroenterology. 2019;157:303-305.
35. Struyvenberg MR, de Groof AJ, Fonollà R, et al. Prospective development and validation of a volumetric laser endomicroscopy computer algorithm for detection of Barrett's neoplasia. Gastrointest Endosc.
36. Waterhouse DJ, Janus^ewicz W, Ali S, et al. Spectral endoscopy enhances contrast for neoplasia in surveillance of Barrett's esophagus. Cancer Res. 2021;81:3415-3425.
37. Sharma P, Savides TJ, Canto MI, et al. The American Societyfor Gastrointestinal Endoscopy PIVI (Preservation and Incorporation of Valuable Endoscopic Innovations) on imaging in Barrett's Esophagus. Gastrointest Endosc. 2012;76:252-254.
38. Pan W, Li X, Wang W, et al. Identification of Barrett's esophagus in endoscopic images using deep learning. BMC Gastroenterol. 2021;21:479.
39. Ali S, Bailey A, Ash S, et al. A pilot study on automatic three-dimensional quantification of Barrett's esophagus for risk stratification and therapy monitoring. Gastroenterology. 2021;161:865-878.
40. Beg S, Ragunath K, Wyman A, et al. Qualify standards in upper gastrointestinal endoscopy: a position statement of the British Society of Gastroenterology (BSG) and Association of Upper Gastrointestinal Surgeons of Great Britain ana Ireland (AUGIS) Gut. 2017;66:1886-1899.
41. Bisschops R, Areia M, Coron E, et al. Performance measures for upper gastrointestinal endoscopy: a European Society of Gastrointestinal Endoscopy
(ESGE) Quality Improvement Initiative. Endoscopy. 2016;48:843-864.
42. Wu L, Zhang J, Zhou W, et al. Randomised controlled trial of WISENSE, a real-time quality improving system for monitoring blind spots during esophagogastroduodenoscopy. Gut. 2019;68:2161-2169.
43. Meinikheim M, Messmann H, Ebigbo A. Role of artificial intelligence in diagnosing Barrett's esophagus-related neoplasia. Clin Endosc. 2023 Jan;56(1):14-22. doi: 10.5946/ce.2022.247. Epub 2023 Jain 17. PMID: 36646423; PMCID: PMC9902686.
44. httpsflwww.vinmec.comlenlnewslhealth-newslgeneral-health-checkl diagnosis-ofbarretts-esophagus-and-esophageal-cancerfy-artificial-intelligence/
45. https:llwww.nec.comlenlpressl202105lglobal_20210528_01.html
46. Nour Hamade, Prateek Sharma. Artificial intelligence in Barrett's Esophagus. Therapeutic Advances in GastrointestinalEndoscopyVolume 14, January-December 2021. https:lldoi.orgl10.1177l26317745211049964
