Real-Life Clinical Validation of Artificial Intelligence-Assisted Detection and Differentiation of Pleomorphic Lesions in Capsule Endoscopy
Notice bibliographique
Résumé
INTRODUCTION: Capsule endoscopy (CapE) is a minimally invasive procedure designed for small bowels' evaluation. However, prolonged reading times and a risk of missing clinically significant findings limit its potential. Prospective clinical validation studies of artificial intelligence (AI) for CapE remain scarce. Furthermore, existing studies focus on lesion detection, without addressing lesion differentiation. METHODS: The aim of a multicenter prospective validation study was to compare AI-assisted reading with conventional CapE reading. Three hundred thirty CapE videos from 3 devices across 7 centers and 4 countries were included. After conventional reading reports, AI-assisted reading was performed by an independent expert using a deep learning model to detect and differentiate pleomorphic small bowel lesions. Both reports were reviewed by an expert from an independent center, which decided in discrepant cases. AI-assisted and standard readings were evaluated through their accuracy, sensitivity, specificity, positive and negative predictive value, and small bowel lesion detection rate. RESULTS: AI-assisted reading detected 605 of 635 lesions identified by expert-based consensus, whereas standard reading identified 354 lesions. AI-assisted reading outperformed standard reading, with small bowel lesion detection rate of 96.1% vs 76.3% and sensitivity of 97.5% vs 78.2%. AI-assisted reading had a mean examination reading time of 203 seconds per examination. DISCUSSION: This was the first multicentric study proving AI-assisted CapE reading superiority compared with conventional reading. The inclusion of videos from multiple devices addresses the interoperability challenge, whereas including patients from 4 countries and 2 different continents assures a diverse demographic context. AI achieved gastroenterologist-level identification of small-bowel lesions, surpassing conventional reading methods in both lesion detection and characterization.
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 | 0,014 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».