XiaoMi-AI文件搜索系统
World File Search Systemendoscopy
研究文章 确定胶囊内窥镜图像临床意义的人工智能可以提高阅读效率
1 韩国首尔顺天乡大学医学院消化系统研究所消化系统疾病中心内科，2 韩国清州忠北国立大学电子工程系，3 韩国高阳东国大学医学院一山医院内科消化内科分部，4 韩国清州忠北国立大学医学院内科，5 韩国济州岛济州国立大学医学院内科，6 韩国首尔首尔市首尔国立大学波拉梅医疗中心内科，7 韩国大田忠南国立大学医学院内科消化内科和肝病内科，8 韩国大邱庆北国立大学医院内科消化内科和肝病内科
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
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。
图像数据库、人工智能和胶囊内窥镜；赌注就在眼前
胶囊内镜已成为小肠检查的主要内镜方式，这一点已得到时间的认可。因此，胶囊内镜 (CE) 已成为千禧一代的又一项技术，他们现在以力量、意志和决心展望未来，走上更具颠覆性的道路 [1]。尽管如此，即使对于勇敢的年轻人来说，成熟也伴随着一定的“义务”和社会要求。当然，当医疗技术成为关注的主题时，这或多或少会转化为诊断产量、并发症率和质量/性能保证措施 [2 – 4]。此外，就该领域的未决问题而言，仍然存在一些问题。我们也许毫不犹豫地一口气数出 CE 的适应症，甚至提供类似的并发症率和安全“胶囊化”的途径，但对于我们这些在高容量中心阅读 CE 视频的人来说，我们希望制造商现在已经对一些技术调整进行了分类。它们的范围从更好的图像分辨率和电池寿命到各种软件增强和/或硬件进步 [5, 6]。事实上，我们一直在重复呼吁 CE 革命的下一波浪潮，即包括治疗能力、集成/智能、数据（不仅仅是图像）收集、驱动和定位的浪潮，总结了任何当前可用的 CE 提供系统必须面对的主要挑战，以提高其市场提案和价值超过竞争对手。人工智能 (AI) 的热潮并不新鲜；事实上，CE 阅读软件的本质是早期人工智能的应用之一。Lewis Score [7]、QuickView [8]、疑似血液指标 [9] 等工具只不过是专有阅读软件早期版本中集成的人工智能的巧妙片段，主要目的是协助、支持和/或加快医疗决策过程 [10]。