Automatisierte Erkennung von enteralen Ulzerationen und Erosionen im Rahmen der Kapselendoskopie

Über 2.500 Kapselendoskopie-Untersuchungen von Patienten mit Morbus Crohn wurden zur Entwicklung eines Convolutional Neuronal Networks (CNN) zur automatischen Erkennung von Ulzerationen und Erosionen im Dünndarm verwendet. Das Modell konnte diese zu 93,2 % richtig erkennen – mit einer Sensitivität von 90,4 % und einer Spezifität von 93,9 %. Die mittlere Durchlaufzeit pro Untersuchung betrug 29 Sekunden (306 Bilder/Sekunde).

Bedeutung für die Praxis: Die Diagnostik bei Dünndarm-Crohn kann herausfordernd sein. Die Beurteilung von Kapselendoskopie-Bildmaterial ist langwierig und mit einer geringen Reliabilität verbunden. Dieses Artificial Intelligence System ermöglicht in kurzer Zeit reproduzierbare Befunde. Die Differenzialdiagnose zur Genese der Ulzerationen oder Erosionen wird dadurch vorerst nicht vereinfacht.

DOP57: Afonso J et al., Development and validation of a convolutional neural network for the automatic detection of enteric ulcers and erosions in capsule endoscopy: A multicentric study