Etablierung und Validierung eines Deep-learning basierten Algorithmus zur Diagnose der Eosinophilen Ösophagitis

Einleitung Zwischen Erstmanifestation und Diagnosestellung der Eosinophilen Ösophagitis (EoE) vergehen meist immer noch mehrere Jahre. Anwendungen der künstlichen Intelligenz und insbesondere Deep-learning basierte Algorithmen wurden bereits erfolgreich für endoskopische Fragestellungen genutzt. Ziel der Arbeit war es mithilfe von endoskopischem Bildmaterial einen auf einem tiefen neuronalen Netzwerk basierenden Algorithmus zu etablieren, der die EoE von der Soorösophagitis und Normalbefunden unterscheiden kann.

Methoden 484 Bilder von 134 Patienten aus drei verschiedenen Gruppen (EoE, Candida Ösophagitis, Normalbefunde) wurden dazu genutzt, den Algorithmus zu etablieren und zu validieren. DS1 beinhaltete 406 Bilder von 103 Patienten (164 EoE, 107 Candida Ösophagitis, 135 Normalbefunde). Der komplett unabhängige Datensatz 2 (DS2) wurde nachfolgend dazu genutzt, das Leistungsvermögen des Algorithmus mit den Ergebnissen von drei Endoskopikern in Weiterbildung zum Gastroenterologen zu vergleichen. DS2 bestand aus 78 Bildern von 31 Patienten (26 EoE, 25 Candida Ösophagitis, 27 Normalbefunde). In einem weiteren Schritt wurde dann versucht, die Vorhersage des Algorithmus nachvollziehbar und erklärbar zu machen (Deep Taylor Decomposition).

Ergebnisse Die allgemeine Genauigkeit (0.915 [0.880-0.940]), Sensitivität (0.871 [0.819-0.910]) and Spezifität (0.936 [0.910-0.955]) des Algorithmus waren den Endoskopikern in dem unabhängigen Datensatz (DS2) signifikant überlegen (P < 0,05). Die kombinierte Fläche unter der ROC-Kurve (“AUC _ROC”) lag bei 0.966 [0.954-0.975]. Die Ergebnisse waren hierbei in hohem Maße reproduzierbar. Wir konnten zudem zeigen, dass der selbstlernende Algorithmus seine Entscheidungen meist anhand der charakteristischen Kriterien getroffen hat, die auch Endoskopiker zur Diagnosestellung nutzen.

Schlussfolgerung Bei der Klassifizierung von endoskopischem Bildmaterial können auch komplexe Aufgaben durch selbstlernende Algorithmen der künstlichen Intelligenz gelöst werden. Unser Algorithmus könnte somit zukünftig Endoskopiker bei der Diagnosestellung der EoE unterstützen und zu Ausbildungszwecken genutzt werden. Der Algorithmus kann unter (https://ccb-test.cs.uni-saarland.de/EoE/) kostenlos getestet werden.

Publication History

Article published online:
07 September 2021