Introdução:

A endoscopia por cápsula (EC) é um exame minimamente invasivo que avalia todo o trato gastrointestinal. Contudo, é morosa, com acuidade limitada no trato digestivo superior. As redes convolucionais neurais (RCN) são modelos baseados na arquitetura cerebral humana aperfeiçoados para análise de imagens. Contudo, o seu papel na panendoscopia por cápsula ainda não foi estudado.

Métodos:

Desenvolveu-se um modelo de inteligência artificial (IA) para deteção panendoscópica de lesões pleomórficas (nomeadamente lesões vasculares, protuberantes, resíduos hemáticos, úlceras e erosões). 355,110 imagens (6,977 esofágicas, 12,918 gástricas, 258,443 do intestino delgado e 76,772 colónicas) de oito dispositivos diferentes de enteroscopia e panendoscopia por cápsula foram divididas num dataset de treino e validação num desenho patient split. Aclassificação da RCN comparou-se com a de três especialistas em CE. O modelo foi avaliado através da sensibilidade, especificidade, valor preditivo positivo, valor preditivo negativo, acuidade e área sob curva precision-recall.

Resultados:

A RCN binária esofágica teve acuidade de 83.6%para lesões pleomórficas. A RCN binária para lesões gástricas pleomórficas teve acuidade de 96.6%. ARCN de 11 categorias de intestino delgado diferenciou lesões pleomórficas com diferente potencial hemorrágico com acuidade de 97.6%. A RCN trinaria colónica (mucosa normal, lesões pleomórficas e resíduos hemáticos) teve acuidade de 94.9%.

Discussão/Conclusão:

Desenvolveu-se o primeiro modelo de IA com elevada acuidade na deteção panendoscópica de lesões pleomórficas em dispositivos de enteroscopia e panendoscopia por cápsula, solucionando um desafiode interoperabilidade tecnológica. A utilização de modelos de deep learning pode alterar o panorama da panendoscopia por cápsula.

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