Artificial Intelligence in Colonoscopy: A Systematic Review of Adenoma Versus Polyp Detection Rates
Notice bibliographique
Résumé
Colonoscopy is the gold standard in the prevention of colorectal cancer, but the miss rates of adenoma are high, which restricts its efficacy. To improve lesion recognition, artificial intelligence (AI), especially computer-aided detection (CADe) systems, has been introduced. The aim of this systematic review was to compare AI-assisted colonoscopy in terms of its ability to improve adenoma detection rate (ADR) and polyp detection rate (PDR). An extensive search was performed on PubMed, Embase, and Cochrane Library from 2015 to 2025. There were 17 randomized controlled trials (RCTs) comparing the use of AI-assisted colonoscopy with normal colonoscopy. The methodological quality measure of the included RCTs was Cochrane Risk of Bias 2.0 (RoB 2.0), which subdivided the studies based on low risk, some concerns, or high risk of bias based on whether they were biased in this or that domain. The robVis tool was used to produce the visual summaries. AI-aided colonoscopy effectively enhanced both adenoma detection rate (ADR) and polyp detection rate (PDR) in all of the included studies over conventional colonoscopy. In adenoma detection, accuracy was more than 85%, and in polyp detection, more than 90%. The advantage was also found especially in the detection of small and flat adenomas, which are very often missed in routine practice. The use of AI in colonoscopy is strongly associated with an increase in the detection rate of adenoma and polyps, minimizing the risk of underdiagnosis. The results highlight the clinical promise of AI in the form of a decision-support tool across gastroenterologists and suggest that AI can be applied to enhance the outcomes of preventive and screening colorectal cancer. Future research should be cost-efficient and practical, and combined with some clinical activities.
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 | 0,013 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,012 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».