افزایش کارایی و حساسیت در کپسول‌اندوسکوپی روده کوچک با مدل متن‌باز SEE‑AI: بررسی چندمرکزی

مقدمه

کپسول‌اندوسکوپی روده کوچک (Capsule Endoscopy یا CE) ابزار مهمی در تشخیص ضایعات مخاطی رودهٔ کوچک است که به‌دلیل ثبت ویدیویی بلند از مسیر طولانی روده، بازبینی تصاویر زمان‌بر و مستعد خطا محسوب می‌شود. با گسترش کاربرد هوش مصنوعی در تصویربرداری پزشکی، مدل‌های تحلیل تصویر می‌توانند عملکرد کلینیک را بهبود بخشند؛ اما شواهد واقعی چندمرکزی و مقایسه‌ای هنوز اهمیت زیادی دارد. یک مطالعهٔ چندمرکزی منتشرشده در ژورنال DEN open (سال ۲۰۲۷) ارزیابی کرده است که آیا یک مدل متن‌باز و از پیش آموزش‌دیده به نام SEE‑AI می‌تواند حساسیت تشخیص و کارایی خواندن ویدیوهای CE را در مقایسه با خواندن مرسوم ارتقا دهد یا خیر. در این مقاله به زبان ساده و دقیق نتایج، روش و محدودیت‌های این مطالعه بررسی می‌شود تا پزشکان، تکنسین‌ها و بیماران علاقه‌مند درک بهتری از پیامدهای کلینیکی و عملی داشته باشند.

نخست: چرا نیاز به کمک هوش مصنوعی در کپسول‌اندوسکوپی است؟

ویدیوهای تولیدشده توسط کپسول‌اندوسکوپی می‌توانند هزاران فریم تصویری داشته باشند و بررسی کامل آن‌ها توسط پزشک یا گزارش‌نویس وقت‌گیر است. علاوه بر طولانی بودن، احتمال عدم تشخیص ضایعات کوچک یا گذرا وجود دارد که می‌تواند به تأخیر در تشخیص یا نیاز به آزمون‌های تکمیلی منجر شود. بنابراین ابزارهایی که هم حساسیت تشخیص را افزایش دهند و هم زمان خواندن را کاهش دهند می‌توانند بار کاری بالینی را کم کنند و کیفیت مراقبت را بهبود بخشند.

مروری بر مطالعه و طراحی آن

این ارزیابی، شامل بازبینی گذشته‌نگر ۲۴۹ بررسی کپسول PillCam SB3 بود که بین سال‌های ۲۰۰۷ تا ۲۰۲۲ در شش بیمارستان انجام شده بودند. طراحی مطالعه به صورت دو خواننده با روش کراس‌اوور بود؛ یعنی تصاویر هم به روش مرسوم و هم با کمک خروجی مدل SEE‑AI مورد بازبینی قرار گرفتند تا مقایسه میان دو روش قابل اعتمادتر باشد. مدل SEE‑AI که متن‌باز و از پیش آموزش‌دیده است، ویدیوها را با آستانهٔ اطمینان ۰.۱ تحلیل کرده و برای هر ضایعهٔ شناسایی‌شده جعبهٔ محاط‌کننده (bounding box) و دسته‌بندی بین هشت گروه ضایعه تولید می‌کرد.

شاخص‌های اصلی و فرعی مورد بررسی

• شاخص‌های اصلی: حساسیت تشخیص ضایعات در دو سطح «به ازای هر ضایعه» و «به ازای هر بیمار». هر دوی این مقیاس‌ها برای کشف توانایی واقعی مدل در شناسایی ضایعات اهمیت دارند.
• شاخص‌های فرعی: اختصاصیت، ارزش پیش‌بینی مثبت و منفی، دقت کلی و زمان خواندن ویدیوی CE.
• تحلیل زیرگروه: موارد مشکوک به خونریزی رودهٔ کوچک (Suspected Small-Bowel Bleeding یا SSBB) به‌طور جداگانه بررسی شدند و تمرکز بر ضایعات هموراژیک طبقه‌بندی‌شده بر اساس Saurin P1 و P2 بود.

نتایج اصلی

در مجموع ۱۵۵۰ ضایعهٔ تأییدشده (adjudicated lesions) بررسی شد. نتایج مهم عبارت‌اند از:

• حساسیت کلی در خواندن مبتنی بر SEE‑AI به‌طور قابل‌توجهی بالاتر بود: به ازای هر ضایعه ۹۸.۸% (۱۵۳۲ از ۱۵۵۰) در مقایسه با ۸۶.۴% (۱۳۳۹ از ۱۵۵۰) در خواندن مرسوم (p < 0.0001).
• حساسیت به ازای هر بیمار نیز به‌طور معنی‌داری بالاتر بود: ۹۹.۱% (۴۶۴ از ۴۶۸) در برابر ۸۰.۳% (۳۷۶ از ۴۶۸) (p < 0.0001).
• زمان متوسط خواندن کاهش یافت: از ۱۷.۹ دقیقه در خواندن مرسوم به ۱۳.۷ دقیقه با کمک SEE‑AI (p < 0.0001).

نتایج در زیرگروه موارد مشکوک به خونریزی رودهٔ کوچک (SSBB)

در ۱۳۱ مورد SSBB، نتایج نیز به نفع استفاده از SEE‑AI بود:

• حساسیت برای ضایعات هموراژیک طبقه P1+P2 (به ازای هر ضایعه) ۹۸.۲% (۴۳۹ از ۴۴۷) در مقابل ۸۲.۸% (۳۷۰ از ۴۴۷).
• حساسیت به ازای هر بیمار برای همین ضایعات ۹۸.۶% (۱۴۵ از ۱۴۷) در برابر ۷۳.۵% (۱۰۸ از ۱۴۷).
• زمان خواندن نیز در این زیرگروه کاهش یافت: ۱۴.۱ دقیقه (SEE‑AI) در برابر ۱۸.۰ دقیقه (روش مرسوم) (p < 0.0001).

تفسیر نتایج

یافته‌ها نشان می‌دهد مدل متن‌باز SEE‑AI توانسته حساسیت تشخیص ضایعات را به‌طور چشمگیری افزایش دهد و در عین حال زمان بررسی تصاویر را کاهش دهد؛ به‌ویژه در مواردی که خونریزی مشکوک وجود دارد، جایی که تشخیص سریع و دقیق ضایعات هموراژیک اهمیت بالایی دارد. افزایش حساسیت به معنای کاهش موارد از دست‌رفته (missed lesions) است که می‌تواند به تصمیم‌گیری‌های درمانی بهتر و طرح‌ریزی تکمیل آزمایش‌ها کمک کند.

چرا افزایش حساسیت اهمیت دارد؟

ضایعات کوچک، زخم‌ها یا نواحی خون‌ریزی‌دهنده که در خواندن مرسوم قابل چشم‌پوشی‌اند، می‌توانند علل کم‌خونی مزمن، خونریزی پنهان یا سایر عوارض باشند. ابزارهایی که این ضایعات را با حساسیت بالاتر شناسایی کنند ممکن است باعث تشخیص زودهنگام شوند و نیاز به آزمون‌های تهاجمی‌تر را کاهش دهند؛ البته باید توجه داشت که تشخیص تصویر صرفاً یکی از گام‌ها است و تفسیر بالینی و تصمیم‌گیری درمانی همچنان بر عهدهٔ پزشک خواهد بود.

مزایا و نکات مثبت SEE‑AI

• متن‌باز بودن: دسترسی و بازتولیدپذیری نتیجه را برای مراکز تحقیقاتی و بالینی افزایش می‌دهد و امکان ارزیابی مستقل وجود دارد.
• کاهش زمان کار بالینی: خواندن سریع‌تر و در عین حال حساسیت بالاتر می‌تواند بار کاری پزشکان و کادر گزارش‌دهی را کاهش دهد.
• عملکرد خوب در موارد SSBB: بهبود تشخیص ضایعات هموراژیک که از نظر کلینیکی مهم هستند.

محدودیت‌ها و نکات احتیاطی

هرچند نتایج امیدوارکننده‌اند، اما چند محدودیت مهم باید در نظر گرفته شود:

• طبیعت گذشته‌نگر مطالعه: طراحی رترواسپکتیو همیشه با خطر سوگیری همراه است؛ بررسی‌های آینده‌نگر و کارآزمایی‌های بالینی تصادفی برای تایید نتایج ضروری‌اند.
• یک نوع دوربین و سیستم (PillCam SB3): مطالعه بر پایه ویدیوهای تولیدشده توسط یک نوع کپسول انجام شده است؛ تعمیم نتایج به سیستم‌های دیگر یا نسل‌های مختلف دوربین ممکن است نیازمند ارزیابی مجدد باشد.
• آستانهٔ اطمینان مدل: در این مطالعه از آستانهٔ ۰.۱ استفاده شد؛ انتخاب آستانه می‌تواند تعادل بین حساسیت و اختصاصیت را تغییر دهد و بهینه‌سازی آن برای هر مرکز ممکن است لازم باشد.
• اختلاف بین خوانندگان بالینی: تفاوت‌های فردی در تجربه و تمرین بسته به مرکز می‌تواند بر نتایج تاثیر بگذارد؛ مطالعه دو خواننده‌ای طراحی مناسبی دارد اما تکرار در مراکز مختلف با خوانندگان متنوع لازم است.
• اختصاصیت و نتایج منفی کاذب/مثبت: اگرچه حساسیت افزایش یافته، گزارش کامل اختصاصیت و پیامدهای مثبت کاذب در متن خلاصه محدود است؛ بررسی کامل این جنبه برای فهم پیامدهای بالینی الزامی است.

پیامدهای بالینی و عملیاتی

نتایج نشان می‌دهد که استفاده از مدل‌های خوب آموزش‌دیده و متن‌باز مانند SEE‑AI ممکن است به عنوان یک ابزار کمکی در چک‌لیست‌های بالینی برای بازبینی ویدیوی CE وارد فعالیت‌های روزمرهٔ بالینی شود. چنین ابزارهایی می‌توانند:

• کاهش زمان بررسی و افزایش throughput در واحدهای تصویربرداری و آندوسکوپی
• کاهش احتمال از دست دادن ضایعات مهم، به‌خصوص در موارد خونریزی مشکوک
• ایجاد امکان بازبینی سریع برای تصمیم‌گیری‌های فوری (مثلاً نیاز به تعبیه یا آزمون‌های پیشرفته‌تر)

با این حال، این ابزارها نباید جایگزین قضاوت بالینی پزشک شوند و نتایج تصویری باید در بستر بالینی بیمار تفسیر شود.

مسیر پیش رو: نیاز به تحقیقات بیشتر

برای اینکه SEE‑AI یا مدل‌های مشابه به یک استاندارد مراقبتی تبدیل شوند، مطالعات بیشتری مورد نیاز است از جمله:

• کارآزمایی‌های بالینی پیش‌رونده و تصادفی برای ارزیابی تاثیر روی تصمیم‌گیری بالینی و نتایج بیمار
• مطالعات مقایسه‌ای بین انواع دستگاه‌های کپسول و تنظیم آستانه‌های مختلف مدل
• بررسی اثر استفاده از این ابزارها بر هزینهٔ مراقبت‌های بهداشتی و رضایت بیمار و ارائه‌دهندهٔ خدمات

نکته مهم برای بیماران

اگر قرار است کپسول‌اندوسکوپی برای شما یا یکی از اعضای خانواده انجام شود، بدانید که فناوری‌های جدید تحلیل تصویر مانند SEE‑AI ممکن است در آینده نزدیک به پزشکان کمک کنند تا ضایعات را با دقت بیشتری پیدا کنند و زمان انتظار برای تفسیر تصاویر کاهش یابد. با این حال:

• تفسیر تصاویر و تصمیم‌گیری‌های درمانی همواره بر عهدهٔ تیم پزشکی است.
• وجود یک ابزار کمکی به معنی تشخیص قطعی یا قطعیت درمانی نیست؛ نتایج باید همراه با شرح حال، آزمایش‌های تکمیلی و معاینهٔ فیزیکی بررسی شوند.
• در صورت نگرانی از خونریزی، درد شکمی یا علایم هشدار دیگر، سریعاً با پزشک خود تماس بگیرید و آزمون تصویربرداری را به تعویق نیندازید.

جمع‌بندی

مطالعهٔ چندمرکزی منتشرشده در DEN open نشان می‌دهد که مدل متن‌باز SEE‑AI می‌تواند حساسیت تشخیص ضایعات در کپسول‌اندوسکوپی روده کوچک را به‌طور معنی‌داری افزایش دهد و در عین حال زمان خواندن ویدیوها را کاهش دهد؛ نتایجی که در کلینیک‌های روزمره و به‌خصوص در موارد مشکوک به خونریزی روده کوچک می‌تواند ارزشمند باشد. با این وجود، محدودیت‌های مطالعه از جمله طراحی گذشته‌نگر، استفاده از یک نوع کپسول و نیاز به ارزیابی اختصاصیت و پیامدهای بالینی باید در نظر گرفته شوند. برای ورود این فناوری‌ها به جریان معمول بالینی، مطالعات پیش‌رونده و ارزیابی‌های عملیاتی بیشتر ضروری است. در نهایت، ابزارهای هوش‌مصنوعی می‌توانند به‌عنوان کمک‌کننده به تصمیم‌گیرندهٔ انسانی عمل کنند اما جایگزین قضاوت پزشک نخواهند شد.

منبع

Original article: Improved Efficiency and Lesion Detection in Small Bowel Capsule Endoscopy Using the Open-Source Artificial Intelligence Model SEE-AI. DEN open (2027). PubMed: https://pubmed.ncbi.nlm.nih.gov/42148037/