Optical Polyp Diagnosis in the Era of Artificial Intelligence
Notice bibliographique
Résumé
The development of new image enhancement modalities and improved endoscopic imaging quality has not led to increased adoption of resect-and-discard in routine practice. Studies have shown that endoscopists have the capacity to achieve quality thresholds to perform optical diagnosis; however, this has not led to acceptance of optical diagnosis as a replacement for pathology for diminutive (1-5 mm) polyps. In recent years, artificial intelligence (AI)-based computer-assisted characterization of diminutive polyps has recently emerged as a strategy that could potentially represent a breakthrough technology to enable widespread adoption of resect-and-discard. Recent evidence suggests that pathology-based diagnosis is suboptimal, as polyp nonretrieval, fragmentation, sectioning errors, incorrect diagnosis as "normal mucosa," and interpathologist variability limit the efficacy of pathology for the diagnosis of 1-5 mm polyps. New paradigms in performing polyp diagnosis with or without AI have emerged to compete with pathology in terms of efficacy. Strategies, such as autonomous AI, AI-assisted human diagnosis, AI-unassisted human diagnosis, and combined strategies have been proposed as potential paradigms for resect-and-discard, although further research is still required to determine the optimal strategy. Implementation studies with high patient acceptance, where polyps are truly being discarded without histologic diagnosis, are paving the way toward normalizing resect-and-discard in routine clinical practice. Ultimately the largest challenges for computer-assisted characterization remain liability perceptions from endoscopists. The potential benefits of AI-based resect-and-discard are many, with very little potential harm. Real-world implementation studies are therefore required to pave the way for the acceptability of such strategies in routine 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 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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».