A124 A SYSTEMATIC REVIEW OF THE EFFICACY OF ARTIFICIAL INTELLIGENCE IN IDENTIFYING BARRETT'S ESOPHAGUS NEOPLASIA
Notice bibliographique
Résumé
Abstract Background Barrett’s Esophagus (BE) is a known precursor for esophageal adenocarcinoma and requires frequent surveillance with esophagogastroduodenoscopy. Due to tumour heterogeneity and logistical demands on endoscopists, identification of BE dysplasia is difficult and random biopsies are riddled with sampling error. Artificial Intelligence (AI), in the form of computer-aided detection, has entered the endoscopic realm to improve BE dysplasia detection. This systematic review aims to evaluate its efficacy in BE screening. Aims To survey the literature regarding the efficacy of machine learning tools in identifying BE dysplasia. The primary outcome was recognition of BE from a database of endoscopic images with histopathologic correlation utilizing a machine learning algorithm, with sensitivity and specificity reported. Methods Using the PRISMA framework, MEDLINE, EMBASE and Compendex databases were searched from inception to Sept 1, 2023. Of 1915 articles identified, 35 were selected for full-text review. Two reviewers, JB and JK, independently completed the literature review and discrepancies were reviewed by the PI. After applying inclusion and exclusion criteria, 20 studies were included in the systematic review. The quality of studies was assessed using the Newcastle-Ottawa Scale. Inclusion Criteria: -Must include Barrett's esophagus and / or EAC (esophageal adenocarcinoma) -Must include novel research (not a systematic review or MA) -Requires use of endoscopic images -English only, full text manuscripts Exclusion Criteria: -No prior surgery (esophagectomy) -Does not include esophageal squamous cell carcinoma Results Of the 20 articles selected, seven were published after 2021. All studies utilized a machine learning algorithm to aid in identification of BE dysplasia. Various imaging modalities were used, including white light imaging, narrow-band imaging, or volumetric laser endomicroscopy. A total of 3,886 patients were included with 5,605 images. Sensitivity ranged from 72 – 100%, specificity ranged from 64 – 94%. The overall quality of studies included was low. Conclusions Surveillance of BE dysplasia remains a difficult and time-intensive task. Computer-aided detection of BE dysplasia demonstrates strong performance independent of the machine learning algorithm or imaging modality. Meta-analyses are required to illustrate heterogeneity and power to bolster these preliminary findings. Funding Agencies None
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 | 0,016 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,010 |
| Bibliométrie | 0,018 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».