A VIRTUAL CHROMOENDOSCOPY ARTIFICIAL INTELLIGENCE SYSTEM TO DETECT ENDOSCOPIC AND HISTOLOGIC REMISSION IN ULCERATIVE COLITIS
Notice bibliographique
Résumé
Aims We aimed to develop an artificial intelligence (AI) system to assess endoscopic remission (ER) and histologic remission (HR) of ulcerative colitis (UC) in both white light (WL, using Ulcerative Colitis Endoscopic Index of Severity [UCEIS]) and virtual chromoendoscopy (VCE, using Paddington International Virtual ChromoendoScopy ScOre [PICaSSO]). Methods A convolutional neural network (CNN) was developed based on 559 endoscopy videos, from 302 UC patients prospectively included in the PICaSSO multicentre study. The videos were divided in training (254), validation (62), and testing (243), and comprised 67280 frames in total. The CNN was trained to predict both ER (defined as UCEIS≤1 in WL and as PICaSSO≤3 in VCE) and HR (defined as Robarts Histological Index ≤ 3 with no neutrophils in lamina propria or epithelium) in video clips. Fig. 1 Results In the validation cohort, our system predicted ER in WL videos with 82% sensitivity, 94% specificity and an area under the ROC curve (AUROC) of 0.92. In VCE, sensitivity was 74%, specificity 95%, and AUROC 0.95. In the testing cohort, the diagnostic performance remained similar. The diagnostic performance for the prediction of HR in the validation set had sensitivity, specificity, and accuracy of 92%, 83%, and 85%, respectively, using VCE; and 83%, 87%, and 86% respectively, with WL. In the testing set, these metrics declined modestly while remaining good. Of note, the algorithm’s prediction of histology was similar with VCE and WL videos. Table 1 Diagnostic performance PICaSSO≤3 UCEIS≤1 RHI≤3 and no neutrophils in LP Validation/Testing cohort VCE 62 videos/243 videos WL 58 videos/241 videos VCE 61 videos/241 videos WL 59 videos/238 videos Sensitivity 0.74 (0.53 – 0.93)/0.60 (0.45 – 0.74) 0.82 (0.67 – 0.98)/0.68 (0.49 – 0.83) 0.92 (0.79 – 1.06)/0.78 (0.70 – 0.82) 0.83 (0.62 – 1.04) /0.89 (0.84 – 0.93) Specificity 0.95 (0.89 – 1.02)/0.89 (0.84 – 0.93) 0.94 (0.87 – 1.02)/0.88 (0.83 – 0.92) 0.83 (0.72 – 0.94)/0.77 (0.63 – 0.88) 0.87 (0.78 – 0.97)/0.49 (0.34 – 0.64) Accuracy 0.89 (0.81 – 0.97)/0.83 (0.78 – 0.88) 0.89 (0.81 – 0.97)/0.85 (0.80 – 0.90) 0.85 (0.76 – 0.94)/0.77 (0.71 – 0.82) 0.86 (0.77 – 0.95)/0.81 (0.75 – 0.86) Conclusions Our AI system accurately recognizes ER in videos and predicts HR equally well. Publication History Article published online: 14 April 2022 © 2022. European Society of Gastrointestinal Endoscopy. All rights reserved. Georg Thieme Verlag KG Rüdigerstraße 14, 70469 Stuttgart, Germany
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».