XiaoMi-AI文件搜索系统
World File Search Systemendoscopy
欧洲胃肠内镜学会 (ESGE) P
机构 1 德国奥格斯堡大学第三医学院，奥格斯堡 2 比利时鲁汶天主教大学 (KUL) 胃肠病学和肝病学系，鲁汶大学医院 TARGID 3 意大利罗马阿里恰 Ospedale dei Castelli 医院胃肠病学和消化内镜科 4 意大利罗马大学解剖学、组织学、法医学和骨科科学系 5 葡萄牙波尔图综合癌症中心和 RISE@CI-IPOP（健康研究网络）胃肠病学系 6 葡萄牙波尔图大学医学院 MEDCIDS 7 英国朴茨茅斯朴茨茅斯医院大学 NHS 基金会内镜科 8 英国伦敦伦敦大学学院医院 Wellcome/EPSRC 介入和外科科学中心 9 外科和介入科学，伦敦大学学院医院，伦敦，英国 10 胃肠服务，伦敦大学学院医院，伦敦，英国
上消化道内窥镜检查 (EGD) 及 Bravo Prep 说明
所有处方血液稀释剂都需要在手术前停止使用，无一例外。您有责任尽快致电管理您的血液稀释剂的提供者，以获取有关如何以及何时停止服用它们的指导。未经处方提供者同意，请勿停止服用血液稀释剂。 一些常见的处方血液稀释药物：氯吡格雷 (Plavix)、华法林 (Coumadin)、替格瑞洛 (Brillinta)、普拉格雷 (Effient)、利伐沙班 (Xarelto)、达比加群 (Pradaxa)、阿哌沙班 (Eliquis)、双嘧达莫 (Aggrenox)、磺达肝癸钠 (Arixtra)、达肝素 (Fragmin)、西洛他唑 (Pletal)、依诺肝素 (Lovenox)、依度沙班 (Savaysa) 或噻氯匹定 (Ticlid)。 手术前和手术后，每天服用 81-325 毫克阿司匹林和布洛芬/萘普生/双氯芬酸/美洛昔康 (NSAID) 是安全的。 手术前几天和手术当天，服用处方止痛药和泰诺是安全的。 如果您定期看心脏病专家，请致电他们的办公室，确保您有接受麻醉的医疗许可。为了您的安全，麻醉提供者可能会要求您的心脏病专家提供医疗许可信。
人工智能、胶囊内窥镜、数据库和达摩克利斯之剑
我们饶有兴趣地阅读了 Hassan 等人 [1] 撰写的社论，题为“人工智能在内窥镜检查中的无处不在，不只用于检测和表征”，该社论受到 Hansen 等人最近的论文“新型人工智能 (AI) 驱动的软件显著缩短了计算机视觉项目中注释所需的时间” [2] 的启发。正如 Hassan 等人指出的那样，与经典的机器学习方法 (MLM) 不同，这个新兴领域（即深度学习 [DL]）的主要优势在于它能够自动提取图像特征，以便计算机可以使用它们来表征其内容 [3]。从本质上讲，这意味着这种无监督方法的准确性主要取决于所提供的训练数据的适当性和质量。特别是在胶囊内窥镜 (CE) 领域，图像数据随处可见，但谁来仔细研究图像、描绘/注释和评论感兴趣的区域，并确保使用高质量的材料进行 DL 训练，这还有待确定。考虑到这一点，我们投入了大量的人力（包括个人）[1]，着手创建一系列相应的 CE 数据库，即 KID、CAD-CAP 和 Kvasir Capsule [4 – 6]，以造福计算机科学家，而这却花费了我们自己和同事的努力。尽管它们通过来自不同制造商的 CE 图像得到丰富和扩大，但不同的数据库包含以各种方式准备的多种类别的胃肠道正常和异常发现。因此，数据库的清洁程度各不相同，它们为 AI 软件开发人员提供了独特的机会和各自的参考点。这种方法为结构化交付一系列急需的解决方案奠定了基础，这些解决方案可以准确检测和表征异常 CE 发现。这些包括可靠地生成解剖学缩略图
您的下一代第三空间内窥镜套件就在这里。
随着非侵入性腔内治疗程序和技术在内窥镜领域的不断涌现，富士胶片一直与临床专家合作，设计创新技术和设备解决方案，帮助推进 TSE 并将这些概念推向医疗服务的前沿。现在，您可以在诊所中拥有一套全面、完全兼容、集成且可靠的先进内窥镜套件，专门用于执行各种 TSE 程序，而这一独特产品正是富士胶片首创的。
边缘人工智能无线视频胶囊内窥镜
胃肠道 (GI) 疾病是全球发病率和死亡率较高的原因，包括结肠直肠癌，结肠直肠癌在 50 岁以下成年人中的发病率不断上升。虽然可以通过定期筛查来缓解这一问题，但由于准确性和患者接受度不足，只有一小部分高风险人群接受了全面筛查。为了应对这些挑战，我们设计了一种人工智能 (AI) 无线视频内窥镜胶囊，其性能超越了现有解决方案，包括：(1) 使用板载深度神经网络 (DNN) 进行实时图像处理，(2) 通过部署白光和窄带成像增强粘膜层可视化，(3) 使用无线编程进行移动任务修改和 DNN 更新，以及 (4) 与患者的个人电子设备进行双向通信以报告重要发现。我们在体内环境中测试了我们的解决方案，将我们的内窥镜胶囊施用于全身麻醉的猪。所有在单一平台上成功实现的新功能都经过了验证。我们的研究为新一代胶囊内窥镜的临床应用奠定了基础，将显著提高上、下消化道疾病的早期诊断。
Galar - 大型多标签视频胶囊内窥镜数据集
1 Else Kr ¨ oner Fresenius 数字健康中心，德累斯顿工业大学 (TU Dresden)，德累斯顿，德国 8 2 德累斯顿工业大学 (TU Dresden) 德累斯顿大学医院第一医学系，德累斯顿，9 德国 10 3 德累斯顿工业大学 (TU Dresden) 计算机科学研究所，德累斯顿，德国 11 4 德累斯顿 Diakonissen Krankenhaus，胃肠病学，德累斯顿，德国 12 5 乌尔姆大学和乌尔姆大学医学中心人类遗传学研究所，乌尔姆，德国 13 6 海德堡大学医院国家肿瘤疾病中心 (NCT) 肿瘤内科，海德堡，14 德国 15 7 维尔茨堡 16 大学医院内科 II 介入和实验内镜检查 (InExEn)，维尔茨堡，德国17 8 德国迪波尔迪斯瓦尔德胃肠内科医学办公室 18 † Maxime Le Floch、Fabian Wolf 和 Lucian McIntyre 对本文贡献相同 19 † Nora Herzog 和 Franz Brinkmann 对本文贡献相同 20 * 通讯作者：Maxime LeFloch (Maxime.LeFloch@ukdd.de) 21
利用人工智能辅助内窥镜技术检测难以发现的胃癌
我们饶有兴趣地阅读了 van der Sommen 等人的文章 1，并提出了在临床实践中采用人工智能 (AI) 辅助内窥镜检查的一些重要和相关观点。计算机辅助诊断系统已成功应用于胃肠道的所有部分，甚至是巴雷特食管发育不良的诊断，这是专家内窥镜医师的祸根。2 最近，与专家内窥镜医师的表现相比，实时计算机辅助检测 (CADe) 系统的结肠镜检查实现了更高的息肉检测率。3 然而，在将 CADe 应用于传统食管胃十二指肠镜检查 (OGD) 时，不可避免地会讨论如何提高难以发现的胃癌 (GC) 的检测率。与食道和结肠等其他胃肠道解剖特征相比，胃具有更宽、弯曲的管腔，这意味着在没有盲点的情况下，胃部观察更加费力。在常规 OGD 中，内镜医师必须在更远的视野中将胃肿瘤与周围的胃炎粘膜区分开来，而不是通过近距离图像检测结直肠肿瘤和 Barrett 相关发育不良。此外，早期胃癌通常表现出细微的隆起或凹陷，其不规则的外观很容易隐藏在幽门螺杆菌感染引起的粗糙背景胃炎中。因此，即使是专家有时也很难发现早期胃癌，尤其是较小的胃癌。早期胃癌检测的这种困难可能导致
胶囊内窥镜的未来：人工智能和其他技术进步的作用
胶囊内镜检查因其便利性和无创性而彻底改变了小肠疾病的治疗。胶囊内镜检查是评估不明原因胃肠道出血、克罗恩病、小肠肿瘤和息肉综合征的常用方法。然而，繁琐的读取过程、对小肠病变的忽视以及缺乏运动是扩大其应用的主要障碍。随着人工智能的最新进展，一些研究报告了卷积神经网络系统在诊断各种小肠病变（包括糜烂/溃疡、血管扩张、息肉和出血性病变）方面的良好性能，这减少了胶囊内镜检查解释所需的时间。此外，结肠胶囊内窥镜和磁力驱动的胶囊内窥镜运动已被用于临床应用，并且已经推出了用于主动运动、活检或治疗方法的各种胶囊内窥镜原型。在本综述中，我们将讨论胶囊内窥镜领域人工智能的最新进展，以及对胶囊内窥镜其他技术改进的研究。Clin Endosc 2020;53:387-394
基于计算机的乳糜泻诊断是通过十二指肠内窥镜图像的定量处理
摘要：乳糜泻（CD）是一种终生的慢性自身免疫性全身性疾病，主要影响遗传易感人群的小肠。成人CD的诊断目前依赖于特定的血清学和对上消化性内窥镜检查样品的十二指肠粘膜的组织学评估。由于与十二指肠活检采样和组织病理学相关的几个陷阱，并考虑了小儿无生物检查诊断标准，因此还提出了一种避免活检的策略来进行成人CD诊断。在CD患者的十二指肠上报道了几种内窥镜变化，作为绒毛萎缩（VA）的标志，与血清学有良好的相关性。在这种情况下，在常规内窥镜检查期间对这些内窥镜标记的自动检测，作为未使用的CD的潜在病例发现。，我们从18名CD新诊断的CD患者和16名非CD对照组以及应用机器学习（ML）和深度学习（DL）算法中收集了十二指肠内窥镜图像，用于检测VA。使用组织学标准，对于测试的所有算法，都可以看到高诊断精度，而分层的卷积神经网络（CNN）具有最佳性能，敏感性为99.67％和98.07％的阳性预测价值。在这项初步研究中，我们使用组织学在非CD对照组中通常出现非养分性粘膜的CD患者中与VA相关的粘膜变化的自动检测提供了准确的算法。
GI内窥镜检查中的机器学习：如何解释新领域的实用指导
摘要，胃肠道文献的重点是内窥镜检查中使用机器学习。该领域的相对新颖性对GI期刊的评论者和读者构成了挑战。需要理解机器学习研究的科学质量和新颖性，需要了解技术基础和常用技术。临床医生通常缺乏这种技术背景，而机器学习专家可能不熟悉临床意义和对日常实践的影响。因此，关于如何在内窥镜检查中进行高质量的机器学习研究的多学科，国际评估越来越需要。本评论旨在为经过同行评审的GI期刊的读者和审阅者提供指导，以允许对机器学习研究最相关的质量要求进行严格的评估。本文概述了共同趋势及其潜在的陷阱，并提出了六个总体主题的全面质量要求：术语，数据，算法描述，实验设置，结果解释和临床实践中的机器学习。