Artificial intelligence and colon capsule endoscopy: Automatic detection of ulcers and erosions using a convolutional neural network
Notice bibliographique
Résumé
BACKGROUND AND AIM: Colon capsule endoscopy (CCE) has become a minimally invasive alternative for conventional colonoscopy. Nevertheless, each CCE exam produces between 50 000 and 100 000 frames, making its analysis time-consuming and prone to errors. Convolutional neural networks (CNNs) are a type of artificial intelligence (AI) architecture with high performance in image analysis. This study aims to develop a CNN model for the identification of colonic ulcers and erosions in CCE images. METHODS: A CNN model was designed using a database of CCE images. A total of 124 CCE exams performed between 2010 and 2020 in two centers were reviewed. For CNN development, a total of 37 319 images were extracted, 33 749 showing normal colonic mucosa and 3570 showing colonic ulcers and erosions. Datasets for CNN training, validation, and testing were created. The performance of the algorithm was evaluated regarding its sensitivity, specificity, positive and negative predictive values, accuracy, and area under the curve. RESULTS: The network had a sensitivity of 96.9% and a specificity of 99.9% specific for the detection of colonic ulcers and erosions. The algorithm had an overall accuracy of 99.6%. The area under the curve was 1.00. The CNN had an image processing capacity of 90 frames per second. CONCLUSIONS: The developed algorithm is the first CNN-based model to accurately detect ulcers and erosions in CCE images, also providing a good image processing performance. The development of these AI systems may contribute to improve both the diagnostic and time efficiency of CCE exams, facilitating CCE adoption to routine clinical practice.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».