Deep-Learning basierter Bildanalyse-Algorithmus zur Erkennung der atrophischen Gastritis

Deep-Learning basierter Bildanalyse-Algorithmus zur Erkennung der atrophischen Gastritis. Casper, M, Guimarães, P, Fehlmann, T, Keller, A, & Lammert, F Zeitschrift für Gastroenterologie, 57:KV 406, Georg Thieme Verlag KG, September, 2019.
doi abstract bibtex

Einleitung: Chronisch-entzündliche Prozesse der Magenschleimhaut initiieren die Entstehung präkanzeröser Bedingungen (chronisch atrophische Gastritis, intestinale Metaplasie), die dann über die Dysplasie in ein Magenkarzinom vom intestinalen Typ münden können. Die konventionelle Weißlichtendoskopie hat eine niedrig Sensitivitäten und Spezifität zur Identifizierung dieser präkanzerösen Veränderungen. Ziel war daher die Etablierung eines Computer-Algorithmus zur automatisierten Bildanalyse und Diagnose. Patienten und Methodik: Mithilfe von 200 Real-life-Endoskopiebildern (Magenfundus und -corpus) von Patienten mit histopathologisch gesicherter bzw. ausgeschlossener atrophischer Gastritis (jeweils 100) wurde unter Nutzung eines vortrainierten Modells ein Deep learning (DL)-basierter Algorithmus zur Bildanalyse etabliert. Ein zweiter unabhängiger Datensatz (70 Bilder; 30 mit und 40 ohne Atrophie) wurde zur Validierung des Diagnosealgorithmus genutzt. Diese Bilder wurden unabhängig durch Endoskopiker bewertet. Ergebnisse: Der DL-basierte Diagnosealgorithmus lieferte für alle Bilder ein Ergebnis. Die Diagnosegenauigkeit der automatisierten Bildanalyse lag bei 0,93und der F1-Score betrug 0,92 bei einer Sensitivität von 1,00 und einer Spezifität von 0,86. Der positive prädiktive Wert (PPV) war 0,88, der negativ prädiktive Wert (NPV) 1,00. Für die Bildauswertung durch Endoskopiker ergaben sich eine Genauigkeit von 0,80 ± 0,07), ein F1-Score von 0,76 ± 0,13), eine Sensitivität von 0,80 ± 0,26), eine Spezifität von 0,80 ± 0,17, ein PPV von 0,80 ± 0,15 und ein NPV von 0,88 ± 0,14). Damit konnte für die Parameter diagnostische Genauigkeit und F1-Score eine signifikante Überlegenheit der automatisierten Bildanalyse mittels DL gezeigt werden (p < 0,05). Schlussfolgerungen: Die automatisierte Diagnose unter Nutzung von DL kann für endoskopische Fragestellungen angewendet werden. Dabei lag der Fokus bislang auf der Detektion fokaler Schleimhautveränderungen (z.B. Polpyen). Hier konnten wir zeigen, dass auch visuell schwierig zu diagnostizierende diffuse Schleimhautveränderungen zuverlässig ohne Biopsie klassifiziert werden können. Unser Diagnosealgorithmus kann online unter https://ccb-test.cs.uni-saarland.de/atrophy/genutzt werden.

@Article{Casper2019,
  author       = {M Casper and P Guimarães and T Fehlmann and A Keller and F Lammert},
  title        = {Deep-Learning basierter Bildanalyse-Algorithmus zur Erkennung der atrophischen Gastritis},
  journal      = {Zeitschrift für Gastroenterologie},
  publisher    = {Georg Thieme Verlag KG},
  year         = {2019},
  volume       = {57},
  issue        = {09},
  pages        = {KV 406},
  issn         = {406},
  issn-linking = {406},
  month        = sep,
  abstract     = {Einleitung: Chronisch-entzündliche Prozesse der Magenschleimhaut initiieren die Entstehung präkanzeröser Bedingungen (chronisch atrophische Gastritis, intestinale Metaplasie), die dann über die Dysplasie in ein Magenkarzinom vom intestinalen Typ münden können. Die konventionelle Weißlichtendoskopie hat eine niedrig Sensitivitäten und Spezifität zur Identifizierung dieser präkanzerösen Veränderungen. Ziel war daher die Etablierung eines Computer-Algorithmus zur automatisierten Bildanalyse und Diagnose. Patienten und Methodik: Mithilfe von 200 Real-life-Endoskopiebildern (Magenfundus und -corpus) von Patienten mit histopathologisch gesicherter bzw. ausgeschlossener atrophischer Gastritis (jeweils 100) wurde unter Nutzung eines vortrainierten Modells ein Deep learning (DL)-basierter Algorithmus zur Bildanalyse etabliert. Ein zweiter unabhängiger Datensatz (70 Bilder; 30 mit und 40 ohne Atrophie) wurde zur Validierung des Diagnosealgorithmus genutzt. Diese Bilder wurden unabhängig durch Endoskopiker bewertet. Ergebnisse: Der DL-basierte Diagnosealgorithmus lieferte für alle Bilder ein Ergebnis. Die Diagnosegenauigkeit der automatisierten Bildanalyse lag bei 0,93und der F1-Score betrug 0,92 bei einer Sensitivität von 1,00 und einer Spezifität von 0,86. Der positive prädiktive Wert (PPV) war 0,88, der negativ prädiktive Wert (NPV) 1,00. Für die Bildauswertung durch Endoskopiker ergaben sich eine Genauigkeit von 0,80 ± 0,07), ein F1-Score von 0,76 ± 0,13), eine Sensitivität von 0,80 ± 0,26), eine Spezifität von 0,80 ± 0,17, ein PPV von 0,80 ± 0,15 und ein NPV von 0,88 ± 0,14). Damit konnte für die Parameter diagnostische Genauigkeit und F1-Score eine signifikante Überlegenheit der automatisierten Bildanalyse mittels DL gezeigt werden (p < 0,05). Schlussfolgerungen: Die automatisierte Diagnose unter Nutzung von DL kann für endoskopische Fragestellungen angewendet werden. Dabei lag der Fokus bislang auf der Detektion fokaler Schleimhautveränderungen (z.B. Polpyen). Hier konnten wir zeigen, dass auch visuell schwierig zu diagnostizierende diffuse Schleimhautveränderungen zuverlässig ohne Biopsie klassifiziert werden können. Unser Diagnosealgorithmus kann online unter https://ccb-test.cs.uni-saarland.de/atrophy/genutzt werden.},
  doi          = {10.1055/s-0039-1695506},
  pii          = {10.1055/s-0039-1695506},
}

Downloads: 0