Use of image-enhanced endoscopy in the characterization of colorectal polyps: Still some ways to go
Notice bibliographique
Résumé
BACKGROUND/AIM: Instrument-based image-enhanced endoscopy (IEE) is of benefit in detecting and characterizing lesions during colonoscopy. We aimed to study the ability of community-based gastroenterologists to differentiate between neoplastic and non-neoplastic lesions using IEE modalities and to identify predictors of correct classification and the confidence of the optical diagnosis made. MATERIALS AND METHODS:: An electronic survey was sent to practicing gastroenterologists using electronic tablets during a gastroenterology meeting. Demographic and professional information was gathered and endoscopic images of various colonic lesions were shown and they were requested to classify the images based in white light, flexible spectral imaging color enhancement (FICE), iScan, and narrow band imaging (NBI). RESULTS:: Overall, 71 gastroenterologists responded to the survey, 76% were males and the majority were aged between 36 and 45 years (44%). Most of the respondents practiced both hepatology and gastroenterology (56%) and most of them had never received any training on IEE (66%). Correct identification of lesions using regular white light endoscopy was low (range 28%-84%). None of the IEE modalities increased the percentage of correct diagnoses apart from one NBI image where it increased from 28% (95%CI: 17%-38%) to 56% (95%CI: 44%-68%) (P < 0.01). Those who identified themselves as practicing mainly luminal gastroenterology were more confident 72% (95%CI: 60%-84%) compared with hepatologists 36% (95%CI: 25%-48%), or those who practiced both 48% (95%CI: 39%-56%) despite no difference in the percentage in correct answers. CONCLUSION:: There remain areas of improvement in the performance of endoscopists in practice and would recommend more dedicated training programs, which could make use of asynchronous technological platforms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».