بهبود تشخیص و سرعت گزارش‌دهی در کپسول‌آندوسکوپی روده کوچک با مدل متن‌باز SEE-AI

مقدمه

کپسول‌آندوسکوپی روده کوچک (Capsule Endoscopy یا CE) در سال‌های اخیر به عنوان یک ابزار کلیدی برای بررسی مخاط روده کوچک به‌ویژه در موارد خونریزی گوارشی ناشناخته، بیماری التهابی روده و شکایات غیرقابل‌توضیح گوارشی مطرح شده است. با این حال، فیلم‌های تولیدشده توسط کپسول معمولاً طولانی هستند و بازبینی کامل آن‌ها زمان‌بر و خسته‌کننده است؛ بنابراین احتمال عدم تشخیص ضایعات وجود دارد. مطالعه‌ای که اکنون مورد بررسی قرار می‌گیرد، کارایی یک مدل متن‌باز پیش‌آموزش‌دیده به نام SEE-AI را در کمک به خواندن و تفسیر تصاویر کپسول و مقایسه آن با روش معمول خواندن انسانی ارزیابی کرده است.

خلاصه مطالعه و اهداف

این مطالعه چندمرکزی، بازنگری در پرونده‌ها و تصاویر حاصل از ۲۴۹ معاینه کپسول PillCam SB3 انجام‌شده در فاصله سال‌های ۲۰۰۷ تا ۲۰۲۲ در شش مرکز بیمارستانی را مورد بررسی قرار داد. هدف اصلی بررسی این بود که آیا خواندن تصاویر با کمک مدل SEE-AI می‌تواند حساسیت تشخیص ضایعات را نسبت به خواندن معمول افزایش دهد و همزمان زمان بازبینی را کاهش دهد یا خیر. مطالعه از طراحی دو خواننده‌ای با طرح کراس‌اوور استفاده کرد تا مقایسه عینی‌تری بین روش‌ها فراهم گردد.

روش تحقیق (به زبان ساده و قابل‌فهم)

در این مطالعه روشی-رده‌ای و بازگشتی (retrospective) به کار رفته است؛ بدین معنا که محققان مجموعه‌ای از پرونده‌ها و ویدیوهای از پیش ثبت‌شده را بازخوانی کردند. مدل SEE-AI به صورت از پیش آموزش‌دیده و متن‌باز تنظیم شده بود و با آستانه اطمینان ۰.۱ عمل می‌کرد؛ این مدل برای هر فریم یا قسمت ویدیو جعبه‌های مشخص‌کننده (bounding boxes) در هشت دسته ضایعه مختلف تولید می‌کرد.

معیارهای اصلی ارزیابی عبارت بودند از:

• حساسیت تشخیص در دو سطح: به ازای هر ضایعه و به ازای هر بیمار
• معیارهای ثانویه شامل ویژگی‌هایی مانند اختصاصیت، مقادیر پیش‌بینی، دقت کلی و زمان بازبینی

یک تحلیل زیربخشی از مواردی با تشخیص مشکوک به خونریزی روده کوچک (SSBB) انجام شد که در آن به ویژه ضایعات هموراژیک بر اساس طبقه‌بندی Saurin (گروه P1 و P2) بررسی شدند. این طبقه‌بندی نشان‌دهنده ضایعات با احتمال خونی بودن متغیر تا بالا است؛ P1 ضایعات با پتانسیل نامشخص و P2 ضایعات با پتانسیل خونریزی بالاتر را شامل می‌شود.

نتایج کلیدی

در مجموع ۱,۵۵۰ ضایعه که توسط کمیته‌ای جهت داوری تائید شده بودند، مورد ارزیابی قرار گرفتند. نتایج اصلی به اختصار چنین است:

• حساسیت کلی در خواندن با کمک SEE-AI به صورت قابل‌توجهی بیشتر از خواندن سیستمی انسانی بود: به ازای هر ضایعه ۹۸.۸% در مقابل ۸۶.۴% و به ازای هر بیمار ۹۹.۱% در مقابل ۸۰.۳% (هر دو با معنی‌داری آماری قابل قبول؛ p < 0.0001).
• زمان متوسط بازبینی کاهش یافت: از میانگین ۱۷.۹ دقیقه به ۱۳.۷ دقیقه (کاهش حدود ۴.۲ دقیقه؛ p < 0.0001).
• در زیرگروه موارد احتمالی خونریزی روده کوچک (SSBB؛ n = 131)، بهبود حساسیت برای ضایعات P1+P2 نیز مشاهده شد: به ازای هر ضایعه ۹۸.۲% در برابر ۸۲.۸% و به ازای هر بیمار ۹۸.۶% در برابر ۷۳.۵%؛ همچنین زمان بازبینی برای این گروه از ۱۸.۰ به ۱۴.۱ دقیقه کاهش یافت (تمامی موارد با p < 0.0001).

نتیجه کلی مطالعه این است که استفاده از مدل متن‌باز SEE-AI می‌تواند همزمان حساسیت تشخیص را افزایش و زمان بازبینی را کاهش دهد و بدین‌ترتیب بار کاری بالینی را کم کند و قابلیت پذیرفته شدن این تکنیک را در فرایندهای بالینی آینده تقویت نماید.

تفسیر نتایج

چند نکته کلیدی در تفسیر این نتایج وجود دارد:

• افزایش چشمگیر حساسیت (به‌خصوص در یافتن ضایعات هموراژیک با پتانسیل خونریزی) نشان‌دهنده آن است که مدل می‌تواند به عنوان یک ابزار کمکی برای تشخیص بهتر در زمان بازبینی ویدیوی طولانی کپسول مفید باشد.
• کاهش زمان بازبینی می‌تواند منجر به افزایش بازده کاری پزشکان و تسریع در گزارش‌دهی شود، به‌ویژه در مراکز با حجم بالای معاینات.
• از آنجا که مدل متن‌باز است، شفافیت و امکان بازتولید نتایج توسط دیگر محققان و مراکز بالینی فراهم می‌شود که یک مزیت عملی و علمی به‌شمار می‌آید.

چرا حساسیت اهمیت دارد؟

در زمینه کپسول‌آندوسکوپی، حساسیت پایین به معنی احتمال از دست رفتن ضایعات کوچک اما بالینی با اهمیت است. افزایش حساسیت مخصوصاً در ضایعات با پتانسیل خونریزی (مانند P2) می‌تواند در تصمیم‌گیری‌های درمانی بعدی تأثیرگذار باشد؛ مثلاً نیاز به اندوسکوپی درمانی، پیگیری یا تغییرات در دارودرمانی.

محدودیت‌های مطالعه

هرچند نتایج امیدوارکننده‌اند، اما چند محدودیت مهم وجود دارد که باید پیش از تعمیم یافته‌ها در نظر گرفته شوند:

• ماهیت بازنگری و بازگشتی: مطالعات بازگشتی مستعد سوگیری‌های انتخابی هستند؛ بیماران و ویدیوهای انتخاب‌شده ممکن است نماینده کامل جمعیت بالینی نباشند.
• محدودیت‌های جمعیت و دستگاه: تمام فیلم‌ها از نوع PillCam SB3 بودند؛ بنابراین عملکرد مدل روی سایر انواع کپسول‌ها یا نسخه‌های سخت‌افزاری/نرم‌افزاری متفاوت ممکن است تغییر کند.
• آستانه اطمینان مدل: مدل با آستانه ۰.۱ اجرا شد؛ تنظیم این پارامتر می‌تواند بر تراز حساسیت/اختصاصیت تأثیر بگذارد و ممکن است منجر به افزایش تعداد هشدارهای کاذب (false positives) شود که جزئیات آن در خلاصه گزارش اولیه به طور کامل بیان نشده است.
• محدودیت در گزارش معیارهای ثانویه: خلاصه ارائه‌شده ارقام اختصاصیت، مقادیر پیش‌بینی مثبت/منفی و جزئیات مربوط به اشتباهات مدل را به‌طور کامل گزارش نکرده است؛ بنابراین امکان ارزیابی کامل تراز منافع و مضار (sensitivity vs. false positives) محدود است.
• عدم بررسی پیامدهای بالینی: مطالعه به ارزیابی تشخیصی و زمان بازبینی محدود شد؛ اثر استفاده از مدل روی نتایج واقعی بیماران (مثلاً کاهش خونریزی مجدد، تغییر در نیاز به اقدامات درمانی یا پیامدهای بلندمدت) بررسی نشده است.
• نیاز به اعتبارسنجی خارجی و پیگیری‌های پروسپکتیو: برای تایید قابلیت تعمیم و امنیت بالینی، مطالعات آینده باید به صورت پیش‌رونده (prospective) و در مراکز مختلف و با انواع کپسول متنوع انجام شوند.

کاربرد بالینی و پیامدها

با در نظر گرفتن نتایج و محدودیت‌ها می‌توان کاربردهای بالقوه SEE-AI را چنین دسته‌بندی کرد:

• کمک به تریاژ و اولویت‌بندی: مدل می‌تواند ویدیوهای محتمل حاوی ضایعات مهم را برجسته کند تا اولویت بررسی برای آن‌ها بالاتر رود.
• تسریع گزارش‌دهی: کاهش متوسط ۴ دقیقه‌ای خواندن ممکن است در مراکز پرترافیک نقش موثری در بهبود گردش کار داشته باشد.
• پشتیبانی از پزشکان جوان یا کم‌تجربه: این ابزار می‌تواند به عنوان یک کمک آموزشی و حمایتی برای بالا بردن کیفیت تفسیر تصاویر عمل کند.
• افزایش حساسیت در موارد خونریزی: برای بیمارانی که با خونریزی گوارشی نامشخص مراجعه می‌کنند، تشخیص بهتر ضایعات P1/P2 ممکن است به تشخیص و درمان سریع‌تر منجر شود.

ملاحظات عملی در پیاده‌سازی

قبل از استفاده بالینی گسترده باید به موارد زیر توجه شود:

• تایید هماهنگی مدل با نوع و نسخه‌های مختلف دستگاه‌های کپسولی و نرم‌افزارهای مرتبط.
• بررسی میزان هشدارهای کاذب و نحوه مدیریت آن‌ها در فرایند کاری روزمره تا از بار اضافی برای گزارش‌دهندگان جلوگیری شود.
• آموزش و بازبینی مداوم کاربران برای آشنایی با نقاط قوت و محدودیت‌های مدل.
• تعیین مسیرهای قانونی و نظارتی برای استفاده بالینی به‌ویژه در کشورهای با قوانین سختگیرانه در حوزه سلامت دیجیتال.

نکات فنی درباره SEE-AI

یکی از ویژگی‌های مهم این مطالعه، متن‌باز بودن مدل است. این امر مزایای عملی و علمی زیر را به‌دنبال دارد:

• شفافیت: محققان و مراکز بالینی می‌توانند ساختار و پارامترهای مدل را بررسی کنند.
• قابلیت بازتولید: دیگران قادر خواهند بود مدل را روی داده‌هایشان اجرا کنند و نتایج را مقایسه نمایند.
• بهبود جمعی: جامعه تحقیقاتی می‌تواند در توسعه و بهبود مدل مشارکت داشته باشد و نسخه‌های جدید را به اشتراک بگذارد.

پیشنهادات برای تحقیقات آینده

برای تایید و تعمیم این نتایج به فعالیت‌های بالینی روزمره، مطالعات بعدی باید به این موارد بپردازند:

• طراحی مطالعات پیش‌رونده و تصادفی‌سازی‌شده برای ارزیابی اثر استفاده از مدل بر نتایج بالینی بیماران.
• آزمون عملکرد مدل روی انواع مختلف دستگاه‌های کپسولی و طبقات جمعیتی متنوع.
• تحلیل جامع‌تر معیارهای اختصاصیت و بار اشتباهات کاذب، به‌ویژه در موقعیت‌هایی که هشدارهای غیرضروری می‌توانند موجب ارجاع‌های اضافی شوند.
• ارزیابی هزینه-اثربخشی برای تعیین اینکه استفاده از مدل در کدام ساختارهای درمانی بیشترین فایده اقتصادی را دارد.

نکته مهم برای بیماران

اگر شما یا یکی از اعضای خانواده‌تان قرار است کپسول‌آندوسکوپی روده کوچک انجام دهد، توجه داشته باشید که:

• استفاده از ابزارهای تحلیلی جدید مانند SEE-AI می‌تواند به افزایش دقت تشخیصی کمک کند، اما نتیجه نهایی همیشه باید توسط پزشک معالج تفسیر شود.
• کاهش زمان بازبینی به معنی تصمیم‌گیری سریع‌تر نیست مگر اینکه پزشک شما بر اساس یافته‌ها تصمیم بالینی بگیرد.
• اگر نگرانی خاصی درباره خونریزی یا علائم دارید، حتماً آن را با پزشک در میان بگذارید؛ گزارش‌های تصویری تنها بخشی از اطلاعات مورد نیاز برای تصمیم‌گیری هستند.
• مطالعات فعلی نشان‌دهنده بهبود تشخیصی است اما هنوز نیاز به تایید در مطالعات بیشتر و بررسی نتایج واقعی بیماران وجود دارد.

جمع‌بندی

مطالعه چندمرکزی مورد بحث نشان می‌دهد که مدل متن‌باز SEE-AI می‌تواند حساسیت تشخیص در کپسول‌آندوسکوپی روده کوچک را به‌طور چشمگیری افزایش دهد و همزمان زمان بازبینی را کاهش دهد. این یافته‌ها به‌ویژه در موارد مشکوک به خونریزی روده کوچک اهمیت پیدا می‌کند که تشخیص سریع و دقیق ضایعات می‌تواند مسیر درمانی بیمار را تغییر دهد. با این حال، ماهیت بازنگری، محدودیت در گزارش کامل معیارهای ثانویه، و نیاز به اعتبارسنجی در محیط‌های بالینی مختلف از جمله نکاتی هستند که پیش از پذیرش گسترده این فناوری باید مورد توجه قرار گیرند. در نتیجه، SEE-AI یک ابزار امیدوارکننده و عملی برای پشتیبانی از تشخیص در کپسول‌آندوسکوپی است، اما برای تبدیل شدن به استاندارد مراقبت بالینی نیازمند مطالعات تکمیلی و ارزیابی تأثیر بر نتایج بیماران است.

هشدار

این مقاله جنبه اطلاع‌رسانی علمی دارد و جایگزین مشاوره یا تصمیم‌گیری تخصصی پزشک نیست. هرگونه تصمیم درمانی باید توسط پزشک معالج و بر اساس سنجش جامع بالینی اتخاذ شود.

منبع: https://doi.org/10.1002/deo2.70346