画像強調観察は,臨床現場において胃炎の京都分類の診断を改善できるか

Can image-enhanced endoscopy improve the diagnosis of Kyoto classification of gastritis in the clinical setting?
Osamu Dohi, Atsushi Majima, Yuji Naito, Takuma Yoshida, Tsugitaka Ishida, Yuka Azuma, Hiroaki Kitae, Shinya Matsumura, Naoki Mizuno, Naohisa Yoshida, Kazuhiro Kamada and Yoshito Itoh
Digestive Endoscopy 2019, Available online 10 October

胃がんの最も一般的な原因であるヘリコバクターピロリ感染の内視鏡診断は,胃がんの罹患率と死亡率を減ら すために,胃がんになりやすい患者を明確化するので,非常に重要である.最近では,ピロリ菌感染の状態の明確 化や胃がんのリスク要因を評価するために,胃炎に関連したピロリ菌感染の内視鏡初見を元に,胃炎の京都分類が 開発された.最近では,狭帯域イメージング(NBI)を用いた拡大内視鏡は,ピロリ菌に関連した前癌状態の領域 の内視鏡診断の精度や再現性に利点があると報告されている.NBI に加えて,自家蛍光イメージング,blue lazer imaging,そして,linked color imaging などを含めた様々な画像強調観察が利用されている.この評価は,現在 利用可能な IEE の進歩した技術を使用して,京都分類に基づいた胃炎診断を向上させる為の臨床応用や,その対 応する証拠に焦点を当てている.

BLI-brightとLCIを用いたピロリ菌感染のAI診断:一施設が見込んだ研究

Artificial intelligence diagnosis of Helicobacter pylori infection using blue laser imaging-bright and linked color imaging: a single-center prospective study
Hirotaka Nakashimaa, Hiroshi Kawahirab, Hiroshi Kawachic, Nobuhiro Sakakia
Annals of gastroenterology, vol.31(4), pp462-468, 2018

Deep learningは脳のニューラルネットを真似た人工知能の一種である.我々は,BLI-brightとLCIを用いて,ピロリ菌感染を診断するためのAIを生み出した.この社会実験の目的は,内視鏡検査の正答率や生産性を向上させる内視鏡画像を用いて,ピロリ菌感染状態の予測をするAI診断システムの構築であった.計222の被験者(105 はピロリ菌陽性)が上部消化菅内視鏡検査およびピロリ菌IgG抗体の検査が施行された.上部消化菅内視鏡検査中に置いて,内視鏡医はWLI,BLI-bright,LCIを用いて胃の小彎部から3枚の画像を順番に撮影した.EG-L580NW内視鏡装置(富士フィルム)がこの研究では使用された.AIの仕様は次の通りである.OSはLinux,ニューラルネットワークはGoogLeNet,フレームワークはCaffe,GPUはGeforce GTX TITAN X (NVIDIA Co., USA) である.受信者操作特性解析における曲線下面積(AUC)はWLIでは0.66であった.一方で,BLI-brightとLCIのAUCはそれぞれ0.96,0.95であった.BLIとLCIから得られたAUCはかなりWLIより大きかった(P<0,01).結果は,構築したAIはBLI-brightとLCIを用いてピロリ菌感染診断において優秀な能力があることを立証した.画像増強内視鏡を用いたAI技術は有用な画像診断手段となる可能性が高い.