Künstliche Intelligenz (KI) kann Magenläsionen genau klassifizieren, aber ihr Einfluss auf das klinische Fachpersonal in der realen Praxis ist noch ungewiss. Wir verglichen die diagnostische Leistung von Endoskopikern mit und ohne KI-Unterstützung anhand von Standbild- (M1) und Video- (M2) Datensätzen. Wir analysierten 1.584 Fälle (226 Krebs, 282 Dysplasie, 90 nicht-neoplastische Läsionen NNL, 649 intestinale Metaplasie IM und 337 Gastritis/normal). Für M1 wurde pro Fall ein repräsentatives Standbild extrahiert; bearbeitete fünfsekündige Videoclips bildeten M2. Sechs Endoskopiker in Ausbildung (< 3 Jahre Erfahrung) lasen M1 und M2 unabhängig mit und ohne KI nach einer einwöchigen Auswaschphase. Als eigenständiges Modell erreichte die KI 91,31 % (M1) bzw. 92,51 % (M2) Genauigkeit für fokale Läsionen (Sensitivitäten 91,02 % und 91,91 %; Spezifitäten 95,50 % und 96,12 %). Für IM lag die Genauigkeit bei 91,83 % (M1) und 92,45 % (M2). Mit KI-Unterstützung stieg die Gesamtgenauigkeit der Leser von 74,92 % auf 86,66 % in M1 (AUC 0,742 auf 0,860) und von 74,92 % auf 86,81 % in M2 (AUC 0,796 auf 0,900); alle p < 0,05. Nach Subtyp (Videos, M2) verbesserte sich die Genauigkeit von 80,01 % auf 89,85 % für Krebs (+ 9,84 %), von 67,16 % auf 81,08 % für Dysplasie (+ 13,92 %), von 77,59 % auf 89,50 % für NNL (+ 11,91 %) und von 68,95 % auf 85,34 % für IM (+ 16,39 %). Die Ergebnisse der Standbilder zeigten ähnliche Verbesserungen (z. B. Dysplasie 67,16 % auf 81,32 %, IM 68,95 % auf 79,22 %, beide p < 0,05). Die KI-Unterstützung verbessert signifikant die diagnostische Genauigkeit von Endoskopikern über alle Läsionstypen und Modalitäten hinweg, mit dem größten Nutzen für Dysplasie und IM – Zustände, die für eine hohe Variabilität auf klinischem Niveau anfällig sind. Diese Ergebnisse deuten darauf hin, dass KI-Unterstützung helfen kann, die Zuverlässigkeit zu verbessern und eine frühere Erkennung klinisch signifikanter Läsionen zu unterstützen.
Lee et al. (Fri,) untersuchten diese Fragestellung.