Künstliche Intelligenz in der gastrointestinalen Endoskopie: Ein allgemeiner Überblick
Einleitung
Künstliche Intelligenz (KI) hat sich zu einem zentralen Thema in der klinischen Medizin entwickelt, insbesondere im Bereich der gastrointestinalen (GI) Endoskopie. Die Integration von KI in die GI-Endoskopie bietet das Potenzial, die Qualität endoskopischer Verfahren durch verbesserte Genauigkeit, Konsistenz und Effizienz erheblich zu steigern. KI kann menschliche Fehler und Limitationen kompensieren, wodurch endoskopische Eingriffe zuverlässiger und qualitativ hochwertiger werden. Obwohl KI bereits vielversprechende Ergebnisse in der diagnostischen und therapeutischen Endoskopie verschiedener Abschnitte des GI-Trakts gezeigt hat, sind weitere Studien erforderlich, bevor eine breite klinische Anwendung möglich ist. Zudem sind ethische Überlegungen und neue gesetzliche Rahmenbedingungen notwendig, um den Einsatz von KI zu regulieren. Zusammenfassend wird erwartet, dass KI die GI-Endoskopie in den kommenden Jahren revolutionieren und signifikante Verbesserungen auf allen Ebenen bieten wird.
Die Rolle der KI in der gastrointestinalen Endoskopie
KI-Technologien zielen darauf ab, menschliche Fähigkeiten zu erweitern, indem sie Maschinen zuverlässige Autonomie verleihen, die Produktivität steigern und die Effizienz erhöhen. Im Kontext der GI-Endoskopie kann KI die Variabilität zwischen Operateuren reduzieren, die diagnostische Treffsicherheit verbessern sowie schnelle und präzise therapeutische Entscheidungen unterstützen. Darüber hinaus könnte KI den Zeitaufwand, die Kosten und die Belastung durch endoskopische Verfahren verringern.
KI-gestützte Endoskopie basiert auf Computeralgorithmen, die menschliche Gehirnfunktionen nachahmen. Diese Algorithmen reagieren auf Eingabeinformationen und nutzen erworbene Daten, um Ausgaben zu generieren. Das Kernprinzip von KI liegt im maschinellen Lernen (ML), bei dem Algorithmen Muster in Daten erkennen lernen. ML ermöglicht es Algorithmen, automatisch aus Erfahrung zu lernen und sich ohne explizite Programmierung zu verbessern. Eine der am schnellsten wachsenden ML-Methoden ist das tiefe Lernen (Deep Learning, DL), das mehrschichtige künstliche neuronale Netze nutzt, die von biologischen neuronalen Netzen inspiriert sind. DL-Modelle können Daten logisch analysieren, Muster identifizieren, Schlussfolgerungen ziehen und Entscheidungen treffen, wodurch sie leistungsfähiger als standardmäßige ML-Modelle sind.
KI in der ösophagealen Endoskopie
KI hat vielversprechende Ergebnisse bei der Verbesserung des Screenings auf Speiseröhrenkrebs gezeigt, insbesondere bei der Identifikation von Dysplasien und Karzinomen im Barrett-Ösophagus (BE) und Plattenepithelkarzinomen. Die Inzidenz des ösophagealen Adenokarzinoms (EAC) ist in den letzten vier Jahrzehnten stark angestiegen, vor allem aufgrund zunehmender Adipositasraten. EAC wird häufig in fortgeschrittenen Stadien diagnostiziert, was mit einer schlechten Prognose einhergeht. Die Früherkennung neoplastischer Veränderungen im BE ist entscheidend, insbesondere angesichts hochwirksamer endoskopischer Therapien wie der endoskopischen Mukosaresektion und Radiofrequenzablation.
Aktuelle Screening-Methoden für EAC umfassen die direkte endoskopische Visualisierung mit gezielten oder randomisierten Biopsien. Randomisierte Biopsien nach dem Seattle-Protokoll sind jedoch ineffizient, zeitaufwendig und weisen eine niedrige Diagnoserate auf. KI-gestützte Endoskopie kann die Sensitivität und Geschwindigkeit des EAC-Screenings verbessern, wodurch die Belastung für Endoskopiker verringert wird, die frühe Krebsstadien nicht übersehen dürfen.
Mehrere Studien belegen den Nutzen von KI bei der EAC-Erkennung. Swager et al. entwickelten einen Computeralgorithmus basierend auf Volumetric Laser Endomicroscopy (VLE)-Bildern zur Identifikation früher BE-Neoplasien. Der Algorithmus zeigte eine hohe Leistungsfähigkeit (AUC von 0,95). Van der Sommen et al. testeten einen Algorithmus zur Detektion früher neoplastischer Läsionen im BE mit einer Sensitivität und Spezifität von 0,83 pro Bildanalyse. Weitere Studien, u. a. von Horie, Shin und Quang, bestätigten die Wirksamkeit von KI bei der Diagnose von Speiseröhrenkrebs mit hoher Sensitivität und Spezifität.
KI in der gastrischen Endoskopie
KI bietet wertvolle Unterstützung beim Management des frühen Magenkarzinoms (EGC), einschließlich Diagnose, Stadieneinteilung, Läsionsabgrenzung und Vorhersage von Helicobacter-pylori-Infektionen. Das Magenadenokarzinom ist die dritthäufigste Krebstodesursache weltweit, wobei die Früherkennung entscheidend für die Prognose ist. EGC kann jedoch aufgrund unspezifischer Schleimhautveränderungen schwer zu detektieren sein, was zu Fehldiagnosen während der Endoskopie führt.
Das aktuelle EGC-Screening beruht auf der direkten Visualisierung während der Gastroskopie, unterstützt durch bildverstärkende Techniken wie Chromoendoskopie, Narrow-Band Imaging (NBI) und Vergrößerung. KI kann die Variabilität zwischen Operateuren verringern und die Detektion von EGC-assoziierten Anomalien verbessern. Miyaki et al. entwickelten ein Support-Vector-Machine (SVM)-basiertes System zur Differenzierung von EGC und gesundem Gewebe mit hoher Genauigkeit. Hirasawa et al. erreichten mit einem DL-System eine Sensitivität von 92,2 % für EGC. Studien von Kubota, Zhu und anderen untermauern diese Ergebnisse.
KI in der drahtlosen Videokapselendoskopie (VCE)
Die drahtlose Videokapselendoskopie (VCE) ist die First-Line-Diagnostik zur Dünndarmuntersuchung. Obwohl VCE gut toleriert wird, ist die Analyse der großen Datenmengen zeitintensiv. KI kann Kliniker durch automatisierte Diagnosen von Blutungsangioektasien, Zöliakie oder Darmparasiten entlasten.
KI hat sich bereits bei der Detektion von Dünndarmblutungen bewährt. Frühe CADe-Systeme nutzten farbbasierte Merkmalsextraktion zur Unterscheidung blutungsverdächtiger Bilder. Fortgeschrittene Systeme kombinieren Farb- und Texturdeskriptoren für höhere Genauigkeit. Hassan et al. entwickelten ein DL-basiertes CAD-System mit Sensitivitäten und Spezifitäten von bis zu 99 % für Blutungsdetektion. Xiao et al. erreichten ähnliche Ergebnisse mit einem DL-System (>99 % Genauigkeit).
KI in der Koloskopie
KI kann die Koloskopie durch Unterstützung bei Polypendetektion, -charakterisierung und Vorhersage mukosaler Entzündungsaktivität bei CED-Patienten verbessern. Kolorektalkarzinome (CRC) sind die dritthäufigste Krebsart und zweithäufigste Krebstodesursache weltweit. Die Koloskopie ist eine effektive Screening-Methode, wobei die vollständige Entfernung neoplastischer Polypen entscheidend ist.
Trotz technologischer Fortschritte bleibt die Adenom-Übersehensrate hoch. KI-basierte CADe-Systeme können diese Rate senken. Misawa et al. entwickelten ein CADe-System, das 94 % der Testpolypen bei einer Falsch-Positiv-Rate von 60 % erkannte. Studien von Fernández-Esparrach, Urban und Wang bestätigen die Effektivität von KI in der Polypendetektion.
KI ermöglicht zudem Echtzeit-„Optische Biopsien“ kleiner Polypen, um unnötige Polypektomien nicht-neoplastischer Läsionen zu vermeiden. Misawa et al. entwickelten ein EC-basiertes CADx-System mit hoher Diagnosegenauigkeit. Weitere Systeme von Gross, Kominami und Chen zeigen vergleichbare Ergebnisse.
Zukünftige Perspektiven
KI wird voraussichtlich in naher Zukunft breit verfügbar sein, wobei viele Systeme bereits hohe Genauigkeiten erreichen. Funktionen zur Krebsdiagnose und -therapie benötigen jedoch weitere Tests. CADe- und CADx-Systeme zur Polypendetektion und -klassifikation könnten bald klinisch eingeführt werden.
Die Zukunft der GI-Endoskopie wird durch KI dramatisch transformiert. Zunächst wird KI Endoskopiker unterstützen, langfristig jedoch möglicherweise Entscheidungen treffen. Dies wirft ethische und rechtliche Fragen zur Verantwortung bei Fehlern oder Systemausfällen auf. Weitere Forschung und Regulierung sind erforderlich, um den sicheren und ethischen Einsatz von KI zu gewährleisten.
Fazit
KI hat das Potenzial, die Qualität gastrointestinaler Endoskopieverfahren auf allen Ebenen signifikant zu verbessern. Sie reduziert Variabilität zwischen Operateuren, kompensiert menschliche Fehler und erhöht Effizienz. Trotz des Bedarfs an weiterer Forschung und Regulierung wird KI die GI-Endoskopie in den kommenden Jahren revolutionieren und erhebliche Vorteile für Patienten und Ärzte bieten.
doi.org/10.1097/CM9.0000000000000623