Category Archives

Üre Nefes Testi Nedir?

Üre nefes testi, gastrit, mide ülseri ve peptik ülser hastalığında rol oynayan sarmal bir bakteri olan Helicobacter pylori’nin neden olduğu enfeksiyonları tanımlamak için kullanılan hızlı bir teşhis prosedürüdür.  Test aynı zamanda H. pylori’nin antibiyotik tedavisiyle ortadan kaldırıldığını göstermek için de kullanılabilir.

İletişim ve Referanslar  için  Tıklayınız.

Üre nefes testi radyoaktif midir?

Ağızdan nefes verdiğinizde, midenizde bakteri olup olmadığını görmek için radyoaktif karbondioksit miktarı ölçülebilir . Bu ajan radyoaktif bir ajandır. Ancak test için kullanılan kapsülün içindeki küçük miktarlar nedeniyle vücudunuzun aldığı radyasyon çok düşük ve güvenli kabul ediliyor. Sistemlerimiz radyoaktif madde bulunmamaktadır. Üre nefes cihazlarımız mobil olup, istedğiniz yere götürebilir ve testlerinizi gereçkleştirebilirsiniz. Mobil/ portabl olmasından dolayı çok tercih edilmektedir. Böylece, Çocuk, Gebe, yaşlı ve yatan hastalarda kolaylıkla uygulabilmektedir.

GİRİŞ

Firmamız siz değerli müşterilerimize çok önemli bilgi  ve bilimsel araştırmalar yaparak gerek akademik ve gerekse gelişen teknolojiyi bütünleştirmek adına sizlere yardımcı olmaya çalışıyoruz.

Helicobacter pylori ( H. pylori ), insan midesini enfekte eden ve kronik gastrit, peptik ülser, mide adenokarsinomu, mukoza ile ilişkili lenfoid doku lenfoması ve diğer sindirim hastalıkları dahil olmak üzere çeşitli hastalıklarla yakından ilişkili olan Gram-negatif bir bakteridir. kan sistemi, sinir sistemi, kardiyovasküler sistem , cilt ve oftalmolojinin sindirim dışı hastalıklarının yanı sıra[ 1,2 ]. Uluslararası Kanser Araştırma Ajansı, H. pylori’yi grup 1 kanserojen olarak sınıflandırmıştır . 410879 katılımcıyı bir araya toplayan yeni bir sistematik inceleme ve meta-analiz, dünya çapında H. pylori enfeksiyonunun genel prevalansının %44,3 olduğunu gösterdi (%95 güven aralığı (CI): 40,9-47,7); 3 ]. Bu nedenle H. pylori enfeksiyonunun doğru tanısı, ilgili hastalıkların önlenmesi ve tedavisi açısından son derece önemlidir. Günümüzde H. pylori enfeksiyonlarını tespit etmek için çeşitli tanı yöntemleri mevcuttur (invaziv olmayan ve invazif yöntemler)[ 4 ] ancak H. pylori enfeksiyon durumunu belirlemek için endoskopik değerlendirme , erken gastrik enfeksiyonun taranmasına yardımcı olabilecek yeri doldurulamaz bir yöntemdir.  Yapay zeka (AI), insan zekasını simüle etmek, genişletmek ve genişletmek için kullanılan teori, yöntem, teknoloji ve uygulama sistemini inceleyen ve geliştiren bir teknoloji bilimidir. Derin öğrenmenin (DL) ortaya çıkması ve gelişmesiyle birlikte, yapay zekanın tıpta uygulanması da heyecanla araştırıldı ve kapsamlı bir şekilde araştırıldı[ 5 – 8 ]. Gastroenteroloji, radyoloji, nöroloji, ortopedi, patoloji ve oftalmoloji dahil olmak üzere farklı tıbbi alanlardaki görüntüleri tanımlamak veya ayırt etmek için yapay zeka teknolojisini kullanan çok sayıda araştırma çalışması yayınlanmıştır[ 9 ].Shorten with AI

Bu derlemede, H. pylori enfeksiyonunun endoskopik tanısı alanında AI’nın uygulanmasına odaklanıyoruz ve gelecekteki beklentileri tartışıyoruz.

H. PYLORİ ENFEKSİYONUNUN ENDOSKOPİK TEŞHİSİNİN ÖNEMİ:

Mide kanseri olan hastaların çoğunda H. pylori enfeksiyonu vardır veya geçirilmiştir [ 10 , 11 ]. Çok sayıda çalışma H. ​​pylori’nin yok edilmesinin mide kanseri riskini etkili bir şekilde azaltabileceğini göstermiştir[ 12-14 ] . Bununla birlikte, Mabe ve arkadaşları tarafından yürütülen çalışma [ 15 ], H. pylori’nin yok edilmesinden sonra insanların mide kanserine yakalanma riskinin , H. pylori ile enfekte olmayan kişilere göre hala daha yüksek olduğunu göstermiştir . Bu nedenle, H. pylori’nin yok edilmesinden sonra bile düzenli endoskopik ve histolojik gözetim şiddetle tavsiye edilir[ 16,17 ] . Sonuç olarak, H. pylori enfeksiyon durumunun (enfeksiyon olmaması, geçmiş enfeksiyon ve mevcut enfeksiyon) endoskopik değerlendirmesi giderek daha önemli hale gelmiştir.

H. pylori enfeksiyonunun durumunu değerlendirmek ve mide kanseri riskini daha doğru bir şekilde değerlendirmek için kullanılan, gastritin Kyoto sınıflandırması önerildi [ 18 ]. Endoskopi altında mide mukozasının özelliklerine göre mide mukozası şu üç duruma ayrılabilir:

H. pylori -enfekte olmamış mide mukozası, H. pylori -enfekte mide mukozası ve H. pylori -geçmişte enfekte olmuş mide mukozası[ 18 , 19 ]. Kyoto sınıflandırma skorunun, beş endoskopik özelliğe (atrofi, bağırsak metaplazisi, genişlemiş kıvrımlar, nodülarite ve toplayıcı venüllerin düzenli düzenlenmesi ile birlikte veya düzenli olmayan yaygın kızarıklık) ait skorların toplamı olduğu ve 0 ile 8 arasında değiştiği dikkate alınmalıdır. sistem, H. pylori enfeksiyonunu değerlendirme ve mide kanseri riskini tahmin etme konusunda mükemmel bir yetenek sergilemiştir[ 20 ]

. Bununla birlikte, yukarıdaki endoskopik özelliklerin objektif göstergeleri yoktur ve H. pylori ile enfekte mukozanın optik tanısında gözlemciler arası veya gözlemciler arası değişkenlik potansiyeli vardır[ 21 ]. Başka bir deyişle, H. pylori enfeksiyonunun endoskopik tanısı için endoskopistler arasındaki tanısal tutarlılık ideal değildir. Ayrıca, profesyonel endoskopistler , endoskopik muayene sırasında mukozanın dikkatli görsel muayenesi ile H. pylori enfeksiyonunu belirleyebilirler , ancak acemilerin bu görevi etkili bir şekilde yerine getirebilmeleri için çok fazla zamana ihtiyaçları vardır.

Endoskopik gözetimin önemi, H. pylori’nin enfekte olup olmadığının veya geçirilmiş olup olmadığının belirlenmesiyle sınırlı değildir; midenin genel bir değerlendirmesini de yapabilir. Her şeyden önce, klasik Kimura-Takemoto sınıflandırması, endoskopik atrofik sınırı gözlemleyerek endoskopistlerin midenin atrofik modelini sınıflandırmasına yardımcı olmak için günümüzde hala yaygın olarak kullanılmaktadır[ 22 ]. İkincisi, çoğu mide kanseri H. pylori ile ilişkili gastritten gelişir. Bu , kanser öncesi lezyonların (özellikle atrofik gastrit, bağırsak metaplazisi ve displazi/intraepitelyal neoplazi) çok adımlı bir yolu aracılığıyla meydana gelebilir [ 16 ].

Atrofi ve bağırsak metaplazisinin ciddiyeti ve kapsamına göre mide kanseri riskinin değerlendirmesini yapmak için OLGA ve OLGIM gibi histolojik evreleme sistemlerini kullanabiliriz[ 23-25 ]. Son olarak, bir tespit yöntemi H. pylori negatifliğini gösterdiğinde , ancak endoskopi altında H. pylori enfeksiyonunun tipik belirtileri mevcutsa , bu durumda tanının atlanmasını önlemek amacıyla doğrulama için başka bir farklı yöntem seçilmelidir.

AI NEDİR?

Doktorlar ve endoskopistlerin yapay zeka, makine öğrenimi (ML) ve DL’nin kesin kavramları konusunda kafaları karışabilir. Yapay zeka, birçok dalı olan bir makro kavramdır ( örneğin , Planlama ve Çizelgeleme, Uzman Sistemler, Çoklu Ajan Sistemleri ve Evrimsel Hesaplama). Genel olarak yapay zekaya yönelik üç yaklaşım vardır: Sembolizm (IBM Watson gibi kural tabanlı), bağlantıcılık (DL gibi ağ ve bağlantı tabanlı) ve Bayesian (Bayes teoremine dayalı)[ 26 ]. Yapay zekada bilgisayarlar insanları taklit edebilir ve insanlarınkine benzer zeka sergileyebilir.

ML, yapay zekayı gerçekleştirmeye yönelik bir yöntem olan yapay zekanın bir alt kümesidir. ML, verilerdeki kalıpları otomatik olarak algılayan ve daha sonra gelecekteki verileri tahmin etmek veya belirsiz koşullar altında karar almayı mümkün kılmak için ortaya çıkarılan kalıpları kullanan bir dizi yöntem olarak tanımlanır[ 27 ]. ML yaklaşık olarak denetimli ve denetimsiz yöntemlere ayrılır.

Denetimsiz öğrenme, amaç, grup sayısı veya önemleri hakkında önceden bilgi olmadan, veriler içindeki grupları ortak noktalara göre tanımlamak olduğunda ortaya çıkar. Denetimli öğrenme, eğitim verilerinin girdi-çıktı çiftleri olarak temsil edilen bireyleri içermesi durumunda gerçekleşir. Girdi, bireysel tanımlayıcılardan oluşurken çıktı, tahmin edilmesi gereken ilgi çekici sonuçları (ya sınıflandırma görevleri için bir sınıf ya da regresyon görevleri için sayısal bir değer) içerir. Daha sonra, denetlenen makine öğrenimi algoritması, daha sonra yeni girdilerin çıktılarla eşleştirilmesine izin veren tahmine dayalı modelleri öğrenir[ 28 ]. ML’nin en temel uygulaması [ örneğin , destek vektör makinesi (SVM), rastgele orman ve Gauss karışım modelleri], onlardan öğrenmek amacıyla verileri ayrıştırmak için algoritmalar kullanmak ve ardından gerçek dünyadaki olaylar hakkında kararlar ve tahminler yapmaktır..

Günümüzün makine öğrenimi, bilgisayarla görme ve diğer alanlarda büyük başarılar elde etti; ancak, süreçte belirli miktarda manuel talimat gerektiren sınırlamaları vardır. ML’nin görüntü tanıma oranı ticarileşmeyi gerçekleştirmek için yeterlidir, ancak bazı alanlarda hala çok düşüktür, bu nedenle görüntü tanıma becerileri hala insan yetenekleri kadar iyi değildir[ 29 ].

DL [ örneğin , yapay sinir ağı, derin sinir ağı (DNN), evrişimli sinir ağı (CNN) ve yinelenen sinir ağı] bilgisayarın belirli görevleri yerine getirirken gerekli verileri hızlı bir şekilde topladığı, analiz ettiği ve işlediği bir süreçtir. ML’ye ulaşmanın bir tekniği olan resmi verileri kabul etmek zorunda olmak. DL özerk öğrenme özelliklerine sahiptir; Eğitim veri seti sağlandıktan sonra program, geri yayılım algoritmasını kullanarak ve her bir sinir ağı katmanının dahili parametrelerini insan talimatları olmadan değiştirerek temel özellikleri ve miktarları çıkarabilir[ 30 ].

Geleneksel el yapımı algoritmayla karşılaştırıldığında, yakın zamanda geliştirilen DL algoritması, görüntülerin ayırt edici özelliklerini otomatik olarak çıkarıp öğrenebiliyor ve ardından bu görüntüleri sınıflandırabiliyor[ 31 ]. DL, lezyonları otomatik olarak tespit etme, lezyonları sınıflandırma, hızlı ayırıcı tanı yapma ve yakın gelecekte gerçekleştirilecek ön tıbbi raporları yazma potansiyeline sahiptir.

CNN, insan beyninin görsel korteksinin görüntüleri işlemesi ve tanıması ilkesine dayanan bir DNN’dir; bu, şu anda görüntüler için DL için en popüler ağ mimarisidir[ 29 ]. CNN, bir görüntüden temel özellikleri çıkarmak ve çıktı olarak tamamen bağlı katmanlar aracılığıyla son bir sınıflandırma sağlamak için çoklu ağ katmanlarını (ardışık evrişim katmanları ve ardından havuzlama katmanları) kullanır[ 30 ]. Diğer DL yapılarıyla karşılaştırıldığında CNN, hem video hem de ses uygulamalarında mükemmel performansı nedeniyle görüntü tanıma için yaygın bir yöntemdir. Örneğin CNN, ImageNet[ 32 ] gibi büyük görüntü depolarında görüntü sınıflandırmada en iyi performansı gösterir . Ek olarak, CNN’nin eğitimi diğer DL tekniklerine göre daha kolaydır ve daha az parametre kullanma avantajına sahiptir.

Son yıllarda yapay zeka, gastroenteroloji alanında, özellikle görüntü tanıma ve sınıflandırma olmak üzere sindirim sistemindeki uygulamalarla oldukça gelişti. van der Sommen ve arkadaşları [ 33 ], Barrett özofagusu olan 44 hastadan alınan 100 görüntüye dayanarak Barrett özofagusundaki erken neoplazinin saptanması için otomatik bir bilgisayar algoritması bildirmişlerdir.

Görüntü başına düzeyde, algoritmanın duyarlılığı ve özgüllüğü sırasıyla 0,83 ve hasta düzeyinde 0,86 ve 0,87 idi. Everson ve arkadaşları [ 34 ], yemek borusunun erken skuamöz hücreli kanserinin gerçek zamanlı tahmini için intrapapiller kılcal halkaları sınıflandırmak üzere bir CNN’yi eğitmiş ve %93,7’lik bir duyarlılık ve %91,7’lik bir doğrulukla güçlü bir teşhis performansı sergilemiştir; bu, bir uzmanla karşılaştırılabilecek düzeydedir.

Endoskopistlerden oluşan bir panel. Xu ve arkadaşları [ 35 ] mide kanser öncesi durumlarını (mide atrofisi ve bağırsak metaplazisi dahil) görüntü destekli endoskopi (IEE) ile tespit etmek için derin bir CNN sistemi kurdular. Dahili test setinde, çok merkezli harici test setinde ve prospektif video test setinde gastrik atrofi için tanısal doğruluk sırasıyla 0,901, 0,864 ve 0,878 ve bağırsak metaplazisinin tanısal doğruluğu 0,908, 0,859 ve 0,898 idi.

Erken mide kanserini ayırt etmede endoskopistlere yardımcı olmak için Kanesaka ve arkadaşları [ 36 ], büyütülmüş dar bant görüntülemenin (NBI) kullanımını kolaylaştırmak için SVM teknolojisini kullanan bir bilgisayar destekli teşhis (CAD) sistemi üzerinde çalıştılar; bu sistem, %96,3’lük bir doğruluk, duyarlılık ortaya çıkardı. %96,7 ve özgüllük %95. Kapsül endoskopik görüntü görüntüleme ve teşhis son derece zaman alıcı bir süreç olduğundan, Park ve arkadaşları [ 37 ] farklı lezyon türlerini tanımlamak ve bunun klinik önemini değerlendirmek için Inception-Resnet-V2 modelini temel alan yapay zeka destekli bir okuma modeli geliştirdiler.

Sonuçlar, modelin yalnızca operatörün lezyon tespit oranlarını iyileştirmesine yardımcı olmakla kalmayıp aynı zamanda okuma süresini de azalttığını gösterdi. Urban ve arkadaşları [ 38 ], kolorektal poliplerin yerini belirlemek ve tanımlamak için 2000 hastadan alınan 8641 görüntüyü içeren derin bir CNN modeli oluşturdular; bu model, 0,991’lik alıcı çalışma karakteristik eğrisinin altında bir alan ve %96,4’lük bir doğruluk ortaya çıkardı. Ayrıca çeşitli çalışmalar, H. pylori enfeksiyonunun tanısında AI destekli endoskopinin uygulanabilirliğini ve olasılığını kanıtlamıştır .

H. PYLORİ ENFEKSİYONUNUN AI DESTEKLİ ENDOSKOPİK TANISI

2004 gibi erken bir tarihte, Huang ve arkadaşları [ 39 ] bağımsız olarak, H. pylori ile ilişkili gastrik histolojik özellikleri öngörmek için planlanan sinir ağı (RFSNN) tekniği ile rafine edilmiş özellik seçimine dayalı bir CAD modeli geliştirdiler . Bu çalışmaya toplam 104 dispeptik hasta dahil edildi ve tüm denekler endoskopi ve mide biyopsisi ile prospektif olarak değerlendirildi. Yazarlar, RFSNN modelini eğitmek için 30 hastanın (15’i H. pylori enfeksiyonu olan ve 15’i olmayan) endoskopik görüntülerini ve histolojik özelliklerini kullanmış ve ardından H. pylori enfeksiyonunun tahmin edici bir modelini oluşturmak için geri kalan 74 hastanın görüntü parametrelerini kullanmıştır . Aynı zamanda, mide antrumunun histolojik özelliklerini endoskopik görüntülerden tahmin etmek için altı endoskopik doktor (üç acemi ve üç uzman) davet edildi. Sonuçlar, RFSNN modeli analiz için aynı hastanın antrum, vücut ve kardiya görüntülerini içerdiğinde, H. pylori enfeksiyonunu tespit etme duyarlılığı ve özgüllüğünün sırasıyla %85,4 ve %90,9 olduğunu gösterdi. Birlikte, altı endoskopistin H. pylori enfeksiyonunu tahmin etmedeki doğruluğu sırasıyla %67,5, %64,8, %72,9, %74,3, %79,7 ve %81,1 idi (ilk üçü acemi ve ikinci üçü vasıflı yaşlılardı). Açıkçası, RFSNN modelinin H. pylori enfeksiyonunu antrum görüntüleri ile tahmin etmedeki doğruluğu endoskopistlerinkinden %85,1 daha yüksekti. Tahmin sisteminin, atrofi ve bağırsak metaplazisinin tanısında endoskopistlerinkinden de üstün olan yüksek bir duyarlılığı ve özgüllüğü olması dikkat çekicidir. Bu RFSNN sistemi, endoskopi sırasında mide hakkında gerçek zamanlı ve kapsamlı bilgi sağlar ve lokalize biyopsinin eksikliklerinin üstesinden gelme potansiyeline sahiptir. Çeşitli nedenlerden ötürü, çalışma boyunca H. pylori enfeksiyonunun tanısına daha yardımcı olan IEE yerine beyaz ışıklı endoskopi kullanıldı . H. pylori enfeksiyonunun teşhisinde yapay zekaya ilişkin erken bir çalışma olan bu makale, sonraki çalışmalar için referans verileri ve yenilikçi fikirler sunmaktadır.Shorten with AI

2008 yılında Huang ve arkadaşları [ 40 ] H. pylori enfeksiyonunun tanısında yapay zeka destekli endoskopi alanında daha ileri bir çalışma yürüttüler . Beyaz ışıklı endoskopik görüntülerin özelliklerini kullanarak H. pylori’nin gastrik histolojisini teşhis etmek için SVM ve sıralı ileri kayan seçimi (SFFS) birleştiren bir CAD sistemi tasarladılar . Bu çalışma, histoloji ile çok sayıda aday görüntü özelliği arasındaki ilişkiyi tanımlamak için en uygun özelliği seçmek için SFFS’yi kullanmayı ve ardından sınıflandırma için SVM’yi kullanmayı amaçladı. Bu çalışmaya toplam 236 dispepsi hastası dahil edildi; bunların 130’u, histolojik inceleme altın standart olarak kullanılarak H. pylori ile enfekte hastalar olarak tanımlandı. Sonuçlar , antrum, vücut ve kardiya görüntülerini analiz etmek için SFFS sistemli SVM kullanıldığında H. pylori enfeksiyonunun teşhisinin doğruluğunun sırasıyla %87,8, %87,6 ve %86,7 olduğunu gösterdi . SFFS’siz SVM ile karşılaştırıldığında, SFFS sistemli SVM çoğu durumda daha yüksek tanısal doğruluğa sahipti. Bu, görüntü özelliklerinin sınıflandırılmasından önce tarama için SFFS’nin kullanılmasının büyük önem taşıdığını göstermektedir; bu, yalnızca düşük korelasyona sahip özellikleri hariç tutarak tanısal doğruluğu arttırmakla kalmaz, aynı zamanda sistemin eğitim ve test süresini de azaltır. Ayrıca sınıflandırma sonuçları üzerinde 1000 tekrarlı test gerçekleştirilmiş ve bu da deneyin güvenilirliğini kanıtlamıştır. Ek olarak yazarlar, yeni teşhis sistemini, H. pylori enfeksiyonunu tespit etmek için özellik seçimine sahip bir sinir ağı kullanan önceki sistem[ 39 ] ile karşılaştırdı ve yeni sistemin daha yüksek bir sınıflandırma oranına sahip olduğu gösterildi. Her iki çalışmanın da H. pylori enfeksiyon durumunu yalnızca enfekte ve enfekte olmayan olarak sınıflandırması ve yazarların enfeksiyonun ortadan kaybolduğu veya ilaçlarla ortadan kaldırıldığı vakaları dikkate almaması üzücüdür.Shorten with AI

2017 yılında Shichijo ve arkadaşları [ 41 ] iki derin CNN sistemi geliştirdi; biri H. pylori için pozitif veya negatif 32208 sınıflandırılmamış görüntüye (geliştirme veri seti olarak) ve diğeri sekiz anatomik lokasyona (kardia) göre sınıflandırılmış görüntülere dayalı , üst gövde, orta gövde, küçük eğrilik, açı, alt gövde, antrum ve pilor). Daha sonra test veri seti 397 hastadan (72 H. pylori pozitif ve 325 negatif) alınan toplam 11481 görüntüyü içeriyordu . Bu testlerin herhangi birinde pozitif sonuç veren hastalar (kan veya idrar anti- H. pylori immünoglobulin (Ig) G seviyeleri, dışkı antijen testi veya üreaz nefes testi dahil) H. pylori pozitif olarak sınıflandırıldı . İki CNN’nin teşhis performansını karşılaştırmak için, test veri setlerini birlikte değerlendirmek üzere 23 endoskopist davet edildi. Endoskopistler tecrübelerine göre “Sertifikalı grup”, “görece deneyimli grup” ve “başlangıç ​​grubu” olmak üzere üç gruba ayrıldı. Test sonuçları, sınıflandırılmamış görüntülerle oluşturulan ilk CNN için alıcı çalışma eğrisi (ROC) eğrisinin (AUC) altındaki alanın 0,43 kesme değerinde 0,89 olduğunu gösterdi. İlk CNN’nin duyarlılığı, özgüllüğü, doğruluğu ve tanı süresi sırasıyla %81,9, %83,4, %83,1 ve 3,3 dakika idi. İkincil CNN için bu değerler sırasıyla %88,9, %87,4, %87,7 ve 3,2 dakika idi ve AUC, 0,34 kesme değerinde 0,93 idi. Ayrıca genel endoskopistler için bu değerler sırasıyla %79,0, %83,2, %82,4 ve 230,1 dk idi. İstatistiksel analiz sonrasında, H. pylori enfeksiyonunun tanısında ilk CNN ile 23 endoskopist arasında duyarlılık, özgüllük veya doğruluk açısından herhangi bir fark yoktu . Ancak midenin lokasyonuna göre kategorize edilmiş görüntülerle oluşturulan ikincil CNN’nin doğruluğunun endoskopistlere göre anlamlı düzeyde daha yüksek olduğu görüldü (%5,3; %95 GA: 0,3-10,2). Ayrıca kurul onaylı grubun, başlangıç ​​grubuna göre önemli ölçüde daha yüksek özgüllüğe (%89,3’e karşı %76,3, P < 0,001) ve doğruluğa (% 88,6’ya karşı % 75,6, P < 0,001) sahip olduğu bulundu. Benzer şekilde nispeten deneyimli grup ile başlangıç ​​grubu arasında da anlamlı bir fark gözlendi. Kısacası, ikinci CNN’nin teşhis yeteneği neredeyse yetenekli bir endoskopistinki kadar iyidir. Teşhis süresi açısından CNN endoskopistleri bile tamamen geride bıraktı. Ancak bu çalışmada CNN algoritmasını oluşturmak için hareketsiz görüntüler benimsenmiştir ve dinamik görüntülere dayalı olarak gerçek zamanlı teşhisin gerçekleştirilip gerçekleştirilemeyeceği henüz araştırılmamıştır.Shorten with AI

Bu çalışmanın bir zayıflığı H. pylori’nin ortadan kaldırılmasından sonraki durumu içermemesiydi . Bu konuyu ele almak için yazarlar kısa süre sonra H. pylori enfeksiyon durumunun değerlendirilmesinde AI’nın rolünü daha ayrıntılı olarak ele alan yeni bir çalışma yürüttüler . Shichijo ve arkadaşları [ 42 ] tarafından 2019 yılında oluşturulan derin bir CNN, 5236 hastadan (742 H. pylori -pozitif, 3649 H. pylori -negatif ve 845) alınan 98564 endoskopik görüntüden oluşan bir veri seti üzerinde önceden eğitilmiş ve ince ayar yapılmıştır. H. pylori ortadan kaldırıldı). Önceki çalışmada olduğu gibi, bu AI tabanlı teşhis sistemi, midenin sekiz bölgesini (kardiya, üst gövde, orta gövde, küçük eğrilik, açı, alt gövde, antrum ve pilor) takip eden sınıflandırılmış görüntüler kullanılarak geliştirildi. Oluşturulan CNN’nin tanısal doğruluğunu değerlendirmek için 847 hastadan (70 H. pylori pozitif, 493 H. pylori -negatif ve 284 H. pylori – ortadan kaldırılmış) toplam 23699 görüntüyü içeren bağımsız bir test veri seti hazırlandı. İstatistiksel analize göre, doğru tanı oranları negatif tanı için %80 (465/582), ortadan kaldırılmış tanı için %84 (147/174) ve pozitif tanı için %48 (44/91) idi. Bu teşhis sisteminin performansı, bir çalışmada bu durumları vakaların sırasıyla %88,9, %55,8 ve %62,1’inde teşhis eden yetenekli endoskopistlerin performansı ile karşılaştırılabilir düzeydedir[ 43 ]. Daha sonra yazarlar, H. pylori pozitifini ortadan kaldırılmış olandan ( H. pylori negatif hastalar hariç) ayırt etme konusunda CNN’in tanısal yeteneğini değerlendirdiler . CNN, pozitif olan 70 hastadan 46’sında (%66) doğru pozitif teşhis koyarken, elenen 284 hastadan 243’ünde (%86) CNN doğru şekilde eradike teşhis koydu. Bununla birlikte, bu çalışma H. ​​pylori’nin ortadan kaldırılmasından sonraki süreyi hesaba katmamıştır ancak atrofik gastritin histolojik özellikleri, ortadan kaldırılmasından birkaç yıl sonra kaybolabilir[ 44 ]. O halde muhtemelen tanıda endoskopik özellikler de değişir.Shorten with AI

2019 yılında Zheng ve arkadaşları [ 45 ], bir CNN modeliyle (50 Katmandan oluşan son teknoloji ürünü bir CNN olan ResNet-50) birleştirilmiş yeni bir bilgisayar destekli karar destek sistemi tasarladılar. Bu sistemin , midenin beyaz ışık görüntülerine (WLI) dayanarak H. pylori enfeksiyonunu retrospektif olarak değerlendirmek için kullanılması bekleniyordu . Algoritmayı eğitmek için türetme kohortu olarak H. pylori enfeksiyonu olan 847 kişi dahil olmak üzere toplam 1507 hasta (11729 mide görüntüsü) kullanıldı. Yazarlar üç DL modeli oluşturdular: (1) Tüm mide görüntüleri için tek mide görüntüsü; (2) Farklı mide konumlarına (fundus, korpus, angularis ve antrum) göre tek mide görüntüsü; ve (3) Aynı hasta için birden fazla mide görüntüsü. Daha sonra, doğrulama grubu olarak H. pylori enfeksiyonu olan 310 kişi dahil olmak üzere 452 hasta (3755 görüntü), H. pylori enfeksiyonunun değerlendirilmesinde CNN’nin tanısal doğruluğunu değerlendirmek için kullanıldı . Değerlendirme sonuçları, tek bir mide görüntüsü için AUC, duyarlılık, özgüllük ve doğruluğun sırasıyla 0,93, %81,4, %90,1 ve %84,5 olduğunu gösterdi. Tek bir mide görüntüsünü farklı anatomik konumlara göre değerlendirirken, AUC’ler yüksekten düşüğe 0,94 (korpus), 0,91 (angularis), 0,90 (antrum) ve 0,82 (fundus) idi. İstatistiksel analize göre, tek korpus görüntüsü kullanan CNN modeli, antrum veya fundus ile karşılaştırıldığında en yüksek AUC’ye ( P < 0.01) sahipti. Daha da önemlisi, CNN modeline hasta başına birden fazla mide görüntüsü uygulandığında AUC, duyarlılık, özgüllük ve doğruluk sırasıyla %0,97, %91,6, %98,6 ve %93,8 kadar yüksekti. Sonuç olarak, çoklu mide görüntüleri kullanan CNN modeli, tek mide görüntüsüne ( P < 0,001) veya vücut mide görüntüsüne ( P < 0,001) kıyasla daha yüksek bir AUC’ye sahipti . Bu çalışmaya dahil edilecek endoskopik görüntüleri seçerken, düşük kaliteli görüntüler ( yani , bulanık görüntüler, aşırı mukus, yiyecek artığı, kanama ve/veya yetersiz hava insüflasyonu) hariç tutulmuştur; ancak bunlar, gerçek operasyon sırasında önlenememiştir. endoskopi. Bu nedenle CNN’in düşük kaliteli görüntüleri tanıma yeteneğinden daha fazla yararlanılması gerekiyor.Shorten with AI

2020 yılında Yoshii ve arkadaşları [ 19 ], H. pylori enfeksiyon durumunu (enfeksiyon dışı, geçmiş enfeksiyon ve mevcut enfeksiyon) prospektif olarak değerlendirmek için ML prosedürünü temel alan bir tahmin modeli oluşturdular ve bunu yedi deneyimli endoskopistin genel değerlendirmesiyle karşılaştırdılar. Gastritin Kyoto sınıflandırmasını kullanarak. Çalışmaya toplam 498 kişi katılmıştır (315’i enfeksiyonsuz, 104’ü geçmiş enfeksiyon ve 79’u mevcut enfeksiyon) ve H. pylori enfeksiyonu durumunu belirlemek için altın standart, yok etme tedavisi geçmişi ve H. pylori IgG antikorunun varlığıydı. . Sonuçlar, yedi endoskopistin genel tanısal doğruluk oranının %82,9 olduğunu gösterdi. H. pylori yok etme geçmişi olmayan tahmin modelinin tanısal doğruluğu %88,6, yok etme geçmişi olanlarda ise %93,4 idi. Açıkçası, yok etme geçmişi olan modelde sonuçlar iyileşti. Tahmini model ile yetenekli endoskopistler arasında tanısal doğruluk açısından anlamlı bir fark yoktu. Bu çalışmanın sınırlamalarından biri, H. pylori enfeksiyonunun mevcut durumunu değerlendirmek için yalnızca bir test yönteminin kullanılmış olmasıdır . Ayrıca üre nefes testi veya dışkı antijen testi, özellikle H. pylori antikor titresi 3-10 U/mL olan hastalarda H. pylori enfeksiyonunun mevcut durumunu H. pylori IgG antikor düzeylerinden daha üstün bir şekilde değerlendirecektir.Shorten with AI

Yukarıdaki çalışmaların tümü, yapay zeka teknolojisine dayalı CAD sistemlerini oluşturmak için WLI’yı kullandı.noloji. Ayrıca bazı raporlar, H. pylori enfeksiyonunun tanısında mavi lazer görüntüleme (BLI), bağlantılı renkli görüntüleme (LCI) ve NBI[46-48] gibi görüntü destekli endoskopilerin ( IEE’ler ) potansiyelini göstermiştir . 2018 yılında Nakashima ve arkadaşları [ 49 ], H. pylori enfeksiyonunun ileriye dönük tanısı için derin CNN algoritmasına dayalı bir AI teşhis sistemi oluşturdu . Toplam 222 denek (105 H. pylori pozitif) çalışmaya alındı ​​ve özofagogastroduodenoskopi ve H. pylori IgG antikorları için bir serum testi uygulandı. Serum H. pylori IgG antikor titresi ≥ 10 U/mL, H. pylori enfeksiyonu için pozitif kabul edilirken , < 3,0 U/mL titresi negatif olarak kabul edildi. Ayrıca serum H. pylori IgG antikor titreleri 3,0 ile 9,9 U/mL arasında olan kişiler hariç tutuldu. Bu çalışmada, 75’i H. pylori enfeksiyonu olan 162 denek (1944 görüntü) AI eğitimi için bir eğitim grubu olarak kaydedildi. Geriye kalan 60 denek için (30 H. pylori -pozitif ve 30 H. pylori -negatif), gastrik cismin küçük eğriliğinin bir WLI, bir BLI-parlak ve bir LCI görüntüsü bir test grubu olarak toplanarak test grubu olarak değerlendirildi. Yapay zekanın teşhis performansı. İstatistiksel analize göre WLI için AUC, duyarlılık ve özgüllük sırasıyla %0,66, %66,7 ve %60,0 idi. Bu göstergeler BLI-parlak için sırasıyla %0,96, %96,7 ve %86,7 ve LCI için sırasıyla %0,95, %96,7 ve %83,3 idi. BLI-parlak ve LCI için elde edilen AUC’ler WLI’den belirgin şekilde daha büyüktü ( P < 0.01). Açıkçası, bu yeni AI teşhis sistemi WLI yerine lazer IEE’lere verimli bir şekilde uyarlandı; dolayısıyla, IEE’leri kullanarak H. pylori enfeksiyonunu teşhis etme konusunda mükemmel bir yetenek sergiledi . H. pylori yok etme tedavisi geçmişi olan hastaların bu çalışmaya dahil edilmemiş olması üzücüdür çünkü bu AI sistemi yalnızca temel bir araçtır ve midenin karmaşık özelliklerini tam olarak değerlendiremez.Shorten with AI

2020 yılında Yasuda ve arkadaşları [ 21 ], LCI görüntülerini kullanarak H. pylori enfeksiyonu için SVM algoritmasını temel alan bir otomatik teşhis sistemi oluşturdular .

Yazarlar, H. pylori enfeksiyonunu geriye dönük olarak teşhis etmek için bu sistemi kullanmayı beklediler ve doğruluğunu endoskopistlerinkiyle karşılaştırdılar. Bu çalışmada eğitim verisi olarak 32 hastanın endoskopik görüntüleri (toplam 128 görüntü) dahil edilmiş ve her hastadan küçük (açı-alt gövde ve orta-üst gövde) ve büyük (açı-alt gövde) olmak üzere dört görüntü toplanmıştır. ve orta-üst gövde) eğrilik. H. pylori enfeksiyonunun tanısı ikiden fazla farklı teste dayanıyordu:

Histolojik inceleme, serum antikor testi, dışkı antijen testi ve/veya 13C-üre nefes testi. Olguların H. pylori enfeksiyonuna ilişkin 14 vakanın H. pylori pozitif, 18 vakanın ise negatif olduğu görüldü. Yazarlar, daha küçük (açı-alt gövde ve orta-üst gövde) ve daha büyük (açı-alt gövde ve orta-üst gövde) olan 105 hastadan (42 H. pylori enfekte, 46’sı eradikasyon sonrası ve 17 enfekte olmayan) alınan 525 LCI görüntüsünü kullanmıştır. sistemin teşhis yeteneklerini değerlendirmek için üst gövde) eğriliği ve forniks. H. pylori’nin daha sonra ortadan kaldırıldığı denekler için, H. pylori’nin endoskopi yapıldıktan sonra başarılı bir şekilde ortadan kaldırılmasının üzerinden 1 yıldan fazla (ortalama 5,6 yıl) geçmiş olduğunu belirtmekte fayda var . Aynı zamanda, farklı deneyimlere sahip üç doktor da (A, LCI’nin geliştirilmesinde yer alan bir uzman; B, bir gastroenteroloji uzmanı ve C, bir kıdemli asistan) aynı LCI görüntülerini değerlendirdi. Shorten with AI

Sonuçlar, H. pylori enfeksiyonunun teşhisinde AI sistemi A, B ve C’nin doğruluğunun sırasıyla %87,6, %90,5, %89,5 ve %86,7 olduğunu gösterdi. AI sisteminin doğruluğu deneyimsiz doktora (doktor C) göre daha yüksekti ancak doktorların tanısı ile AI sistemi arasında anlamlı bir fark yoktu ( P > 0.05). H. pylori enfeksiyonunun durumuna göre ayrılan hastaların alt analizine göre , AI sisteminin, A, B ve C doktorlarının H. pylori enfeksiyonunun ortadan kaldırılması sonrası tanısındaki doğruluğu %82,6, %87,0 olarak belirlendi. sırasıyla %89,1 ve %76,1. Mide bölgesinin her bir görüntüsü için AI tanısının alt analizine göre, orta-üst gövdenin küçük eğriliğinin doğruluğu (%88,6), forniksinkinden (%69,5) ve orta-üst gövdenin daha büyük eğriliğinin doğruluğundan önemli ölçüde daha yüksekti. -üst gövde (%73,3). Ancak bu çalışmaya dahil edilen örneklem sayısının az olması nedeniyle büyük örnekleme hatası riski söz konusu olabilir.Shorten with AI

SINIRLAMALAR VE GELECEK YÖNÜ

Yukarıdaki çalışmalar, H. pylori enfeksiyonunun endoskopik tanısında AI uygulamasının büyük ölçüde pratik, uygulanabilir ve umut verici olduğunu göstermektedir. Bu çalışmalara ilişkin detaylı bilgiler Tablo 1’de gösterilmektedir .

Endoskopistlerin manuel tanımlama ve teşhisiyle karşılaştırıldığında, AI teknolojisine dayalı CAD sisteminin yeri doldurulamaz birçok avantajı vardır: (1) Yüksek doğruluk: Mevcut çalışmalara göre AI, H. pylori enfeksiyonunun tanısında acemi endoskopistlerden daha iyidir . duyarlılık, özgüllük ve doğruluk açısından oldukça yeteneklidir ve neredeyse yetenekli endoskopistlerle karşılaştırılabilir düzeydedir; (2) Yüksek verimlilik: Günümüzün son derece gelişmiş bilgisayarları sayesinde yapay zeka, binlerce endoskopik görüntüyü dakikalar içinde sınıflandırabilir ve bu, endoskopistlerin büyük miktarda zaman ve enerji almasına neden olabilir. Aynı zamanda, etkili görüntü tanıma, H. pylori enfeksiyonunun endoskopi altında gerçek zamanlı tanısı için bir temel oluşturur; (3) Yüksek kalite kontrolü: Bazı çalışmalar, endoskopistlerin çalışma saatlerinin uzatılmasıyla birlikte adenom tespit oranının giderek azaldığını bulmuştur. Bu aynı zamanda endoskopist yorgunluğunun tarama kolonoskopisinin etkinliğinde azalmaya yol açabileceğini düşündürmektedir[ 50,51 ].

Ancak AI teknolojisine dayalı CAD sistemi dış etkenlerden etkilenmez ve mükemmel kalite kontrolü sağlar; (4) Yüksek objektiflik: Hepimizin bildiği gibi, endoskopistlerin H. pylori enfeksiyonuna endoskopi altında mide mukozasının özelliklerini gözlemleyerek karar vermesi tamamen subjektiftir . Karar verme yetkisi hala endoskopistlerin elinde olmasına rağmen, yapay zeka destekli endoskopi referans olarak objektif bir ikinci görüş sağlamaya yardımcı olabilir[ 52 ]; ve (5) Yüksek etkili öğretim: Yapay zeka, yetenekli endoskopistlerin öğretme işini üstlenme yeteneğine sahiptir ve acemilere daha erişilebilir, kullanışlı ve objektif rehberlik sağlar.

Kaynak:

Lu YF, Lyu B. Helicobacter pylori enfeksiyonunun endoskopik tanısında mevcut durum ve yapay zeka uygulamasının olasılığı .  Artif Intel Gastrointest Endosc  2021; 2(3): 50-62 [DOI: 10.37126/aige.v2.i3.50 ]

Alıntı: Lu YF, Lyu B. Helicobacter pylori enfeksiyonunun endoskopik tanısında mevcut durum ve yapay zeka uygulamasının olasılığı .  Artif Intel Gastrointest Endosc  2021; 2(3): 50-62
URL: https://www.wjgnet.com/2689-7164/full/v2/i3/50.htm
DOI: https://dx.doi.org/10.37126/aige.v2.i3.50

Lu YF, Lyu B. Helicobacter pylori enfeksiyonunun endoskopik tanısında mevcut durum ve yapay zeka uygulamasının olasılığı .  Artif Intel Gastrointest Endosc  2021; 2(3): 50-62 [DOI: 10.37126/aige.v2.i3.50 ]

İletişim İçin Tıklayınız….