The use of artificial intelligence in colonoscopic evaluations
Notice bibliographique
Résumé
PURPOSE OF REVIEW: This review aims to highlight the transformative impact of artificial intelligence in the field of gastrointestinal endoscopy, particularly in the detection and characterization of colorectal polyps. RECENT FINDINGS: Over the past decade, artificial intelligence has significantly advanced the medical industry, including gastrointestinal endoscopy. Computer aided diagnosis - detection (CADe) systems have shown notable success in increasing ADR. Recent meta-analyses of RCTs have demonstrated that patients undergoing colonoscopy with CADe assistance had a higher ADR compared with conventional methods. Similarly, computer aided diagnosis - characterization (CADx) systems have proven effective in distinguishing between adenomatous and nonadenomatous polyps, enhancing diagnostic confidence and supporting cost-saving measures like the resect-and-discard strategy. Despite the high performance of these systems, the variability in real-world adoption highlights the importance of integrating artificial intelligence as an assistive tool rather than a replacement for human expertise. SUMMARY: Artificial intelligence integration in colonoscopy, through CADe and CADx systems, marks a significant advancement in gastroenterology. These systems enhance lesion detection and characterization, leading to improved diagnostic accuracy, training outcomes, and clinical workflow efficiency. While artificial intelligence offers substantial benefits, the optimal approach involves using artificial intelligence to augment the expertise of endoscopists, ensuring that clinical decisions remain under human oversight.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».