Artificial intelligence assistance narrows the experience gap in endoscopic reporting of gastric lesions: a prospective clinical trial
Notice bibliographique
Résumé
BACKGROUND: High-quality endoscopic reports are crucial for clinical decision-making in gastric lesions. However, manually generated reports often suffer from inconsistencies, resulting in incomplete lesion documentation and insufficient descriptions. The objective is to validate an artificial intelligence (AI) reporting system for improving the quality of gastric lesion documentation with a particular focus on narrowing the experience gap among endoscopists. METHODS: We retrospectively collected gastric images to develop a reporting system for gastric lesions. The system comprises several deep learning models for lesion detection, classification, and feature recognition, and was validated using 276 video clips. Both retrospective and prospective case validations were conducted to evaluate the system's clinical effectiveness, comparing the completeness of reports with and without AI assistance, particularly in describing features of suspicious lesions. RESULTS: In video validation, the system identified 99.27% (274/276) of lesions, with 88.97% accuracy in neoplasm detection, achieving 93.75% sensitivity and 86.98% specificity. Retrospective analyses showed that junior endoscopists using AI reported significantly more complete lesion documentation than original reports (74.75% vs 58.08%, P < 0.001). In the prospective trial, the AI-assisted group demonstrated superior lesion reporting completeness (86.50% vs 75.11%, P = 0.001). Notably, the AI group reported all 18 identified suspicious neoplasms, while the routine group reported only 16. CONCLUSIONS: This study confirms the efficacy of an AI reporting system in documenting gastric focal lesions, highlighting significant improvements in the completeness and accuracy of reports generated by endoscopists.
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 | 0,012 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».