Nội soi viên nang có sử dụng trí tuệ nhân tạo (Phần 1)

Phân tích hình ảnh bằng trí tuệ nhân tạo, thông qua những tiến bộ như máy học hoặc học sâu, ngày càng được áp dụng nhiều hơn vào hình ảnh y học. Đã có sự quan tâm đáng kể đến việc sử dụng học sâu để phát hiện các rối loạn tiêu hóa khác nhau dựa trên hình ảnh WCE.

Kể từ năm 1868, nội soi không ngừng phát triển và cải tiến để đánh giá lòng và niêm mạc của đường tiêu hóa, bao gồm thực quản, dạ dày, ruột kết (đại tràng) và các bộ phận của ruột non. Mặc dù tiện ích của nó, kiểm tra nội soi ruột non bị giới hạn bởi chiều dài và khoảng cách với các lỗ tiếp cận. Hạn chế này là một yếu tố góp phần vào sự phát triển của nội soi viên nang không dây (WCE).

Được phát triển vào giữa những năm 1990, WCE sử dụng một máy ảnh thu nhỏ có thể nuốt được có thể quan sát trực tiếp thực quản, dạ dày, toàn bộ ruột non và ruột kết mà không gây đau đớn, an thần hoặc thiếu dưỡng khí . Một ứng dụng lâm sàng quan trọng của WCE là đánh giá xuất huyết tiêu hóa sau khi nội soi thông thường hai chiều chất lượng cao và nội soi đại tràng không xác định được nguồn chảy máu.

Một nghiên cứu WCE điển hình kéo dài 8 đến 12 giờ và tạo ra 50000-100000 hình ảnh. Việc xem lại số lượng hình ảnh đó đòi hỏi nỗ lực và đào tạo thời gian đáng kể. Ngoài ra, những bất thường ở đường tiêu hóa có thể chỉ xuất hiện trong một hoặc hai khung hình của video mà có thể bị bỏ sót . Hệ thống chẩn đoán tự động có sự hỗ trợ của máy tính có thể hỗ trợ và hỗ trợ các bác sĩ trong việc phân tích các hình ảnh do WCE thu được.

Trí tuệ nhân tạo (AI), một khía cạnh của thiết kế có sự hỗ trợ của máy tính, đã nhanh chóng mở rộng và thâm nhập trong giới học thuật và công nghiệp. AI liên quan đến các chương trình máy tính thực hiện các chức năng liên quan đến trí thông minh của con người. Các tính năng cụ thể của AI bao gồm học máy tính và giải quyết vấn đề. AI lần đầu tiên được mô tả là sự phát triển của các hệ thống máy tính để thực hiện các nhiệm vụ đòi hỏi trí thông minh của con người, có thể bao gồm việc ra quyết định và nhận dạng giọng nói. Nhiều kỹ thuật của AI đã được đề xuất để tạo điều kiện thuận lợi cho việc nhận biết và dự đoán các mẫu.

Học máy (ML) là một ứng dụng của AI cung cấp cho các hệ thống khả năng tự động học hỏi và cải thiện từ kinh nghiệm mà không cần lập trình rõ ràng. ML có thể nhận ra các mẫu từ bộ dữ liệu để tạo thuật toán và đưa ra dự đoán Một bước đột phá to lớn trong ML là sự phát triển của mạng nơ-ron sâu (còn được gọi là học sâu). Học sâu bao gồm mạng lưới nơron nhân tạo nhiều lớp khổng lồ có thể tự động khám phá các tính năng hữu ích.

Nói một cách đơn giản, học sâu có thể trích xuất nhiều mẫu hơn từ dữ liệu chiều cao. Một số mô hình học sâu đã được báo cáo trong tài liệu và được phân biệt bởi ứng dụng của chúng. Mạng nơ-ron chuyển đổi (CNN), một loại học sâu, có hiệu quả cao trong việc thực hiện phân tích hình ảnh. Với tiện ích của CNN trong phân tích hình ảnh, các ứng dụng cho CNN đã mở rộng sang lĩnh vực y tế, bao gồm cả khoa tiêu hóa. Hạn chế chính của học sâu là thời gian đào tạo dài. Tuy nhiên, những tiến bộ trong các đơn vị xử lý đồ họa đã giảm đáng kể thời gian đào tạo học sâu từ vài ngày hoặc vài tuần xuống còn vài giờ hoặc vài ngày.

ML và CNN ngày càng được khám phá và ứng dụng vào các hình ảnh chẩn đoán trong X quang, bệnh học và da liễu. Tương tự như vậy, ML và CNN có tiện ích trong nội soi và WCE thông qua giải thích dựa trên hình ảnh mà không làm thay đổi các quy trình hiện có. Các ứng dụng hiện tại của ML và CNN trong khoa tiêu hóa bao gồm phát hiện polyp, chẩn đoán ung thư thực quản và phát hiện vết loét thông qua giải thích dựa trên hình ảnh từ WCE. WCE là một trong những mối quan tâm hàng đầu của các nhà nghiên cứu AI trong lĩnh vực tiêu hóa.