Introdução:

A endoscopia por cápsula revolucionou a abordagem a doentes com hemorragia digestiva obscura. No entanto, a leitura de imagens de endoscopia por cápsula é morosa, havendo suscetibilidade para a perda de lesões significativas, limitando desta forma a sua eficácia diagnóstica. Este estudo visou a criação de um algoritmo de deep learning para deteção automática de sangue e resíduos hemáticos no lúmen entérico usando imagens de endoscopia por cápsula.

Métodos:

Foi desenvolvida uma rede neural convolucional com base num conjunto de 22,095 imagens de endoscopia de cápsula (13,510 imagens contendo sangue e 8,585 mucosa normal ou outros achados). Foi construído um grupo de imagens para treino, compreendendo 80% do total de imagens. O desempenho da rede foi comparado com a classificação consenso de dois especialistas em endoscopia por cápsula. Posteriormente, o desempenho da rede foi avaliado usando os restantes 20% de imagens. Foi calculada a sua sensibilidade, especificidade, exatidão e precisão.

Resultados:

O algoritmo detetou sangue e resíduos hemáticos no lúmen do intestino delgado com uma exatidão e precisão de 98.5% e 98.7%, respetivamente. A sensibilidade e especificidade foram 98.6% e 98.9%, respetivamente. A análise do conjunto de usado para teste da rede foi concluída em 24 segundos (aproximadamente 184 frames/s).

Discussão/Conclusão:

Foi desenvolvida uma ferramenta de inteligência artificial capaz de detetar efetivamente o sangue luminal. O desenvolvimento dessas ferramentas pode aumentar a precisão do diagnóstico da endoscopia por cápsula ao avaliar pacientes que apresentam sangramento obscuro do intestino delgado.

        · resumo em Inglês     · texto em Inglês     · Inglês ( pdf )