Evaluation efficacy and accuracy of a real-time computer-aided polyp detection system during colonoscopy: a prospective, multicentric, randomized, parallel-controlled study trial
Notice bibliographique
Résumé
INTRODUCTION: Colorectal cancer (CRC) ranks as the second deadliest cancer globally, impacting patients' quality of life. Colonoscopy is the primary screening method for detecting adenomas and polyps, crucial for reducing long-term CRC risk, but it misses about 30% of cases. Efforts to improve detection rates include using AI to enhance colonoscopy. This study assesses the effectiveness and accuracy of a real-time AI-assisted polyp detection system during colonoscopy. MATERIALS AND METHODS: The study included 390 patients aged 40 to 75 undergoing colonoscopies for either colorectal cancer screening (risk score ≥ 4) or clinical diagnosis. Participants were randomly assigned to an experimental group using software-assisted diagnosis or a control group with physician diagnosis. The software, a medical image processing tool with B/S and MVC architecture, operates on Windows 10 (64-bit) and supports real-time image handling and lesion identification via HDMI, SDI, AV, and DVI outputs from endoscopy devices. Expert evaluations of retrospective video lesions served as the gold standard. Efficacy was assessed by polyp per colonoscopy (PPC), adenoma per colonoscopy (APC), adenoma detection rate (ADR), and polyp detection rate (PDR), while accuracy was measured using sensitivity and specificity against the gold standard. RESULTS: In this multicenter, randomized controlled trial, computer-aided detection (CADe) significantly improved polyp detection rates (PDR), achieving 67.18% in the CADe group versus 56.92% in the control group. The CADe group identified more polyps, especially those 5 mm or smaller (61.03% vs. 56.92%). In addition, the CADe group demonstrated higher specificity (98.44%) and sensitivity (95.19%) in the FAS dataset, and improved sensitivity (95.82% vs. 77.53%) in the PPS dataset, with both groups maintaining 100% specificity. These results suggest that the AI-assisted system enhances PDR accuracy. CONCLUSION: This real-time computer-aided polyp detection system enhances efficacy by boosting adenoma and polyp detection rates, while also achieving high accuracy with excellent sensitivity and specificity.
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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».