Dabei kann es sich teilweise um harmlose, aber auch um auffällige Befunde handeln. Trotz ihrer Relevanz werden Angiodysplasien nicht immer im Befundbericht erwähnt. Dadurch können wichtige Informationen für die Weiterbehandlung verloren gehen.
Die Arbeitsgruppe Interventionelle und Experimentelle Endoskopie (InExEn) unter der Leitung von Prof. Dr. med. Alexander Hann der Medizinischen Klinik und Poliklinik II des UKW hat ein Künstliche Intelligenz (KI)-basiertes System entwickelt und validiert, das die Dokumentation von Angiodysplasien unterstützen kann. Es besteht aus zwei Teilen: Ein Bilderkennungsmodell das Angiodysplasien in Bildern und Videos der Koloskopie erkennt und ein lokal betriebenes großes Sprachmodell (Large Language Model) das prüft, ob identifizierte Angiodysplasien im ärztlichen Bericht erwähnt wurden. Erfolgt keine Erwähnung im Bericht kann dem Untersuchenden als Erinnerung eine Benachrichtigung auf dem Bildschirm angezeigt werden. Das System läuft lokal, sodass Patientendaten geschützt bleiben. Mittels Erklärbarkeitsmethoden kann zudem visualisiert werden auf welchen Bereich des Bildes sich das Detektionssystem fokussiert.
Trainiert wurde das Bilderkennungsmodell mit 10.908 Bildern aus 993 Koloskopien. Die nachfolgende externe Validierung bestand aus zwei Phasen. In der ersten Phase wurden aus 239 Koloskopien Untersuchungsberichte und die von den Untersuchenden gespeicherte Bilder genutzt und die Validierung erfolgte anhand von 3.534 manuell annotierten Bildern. Dabei wurden zusätzlich Untersuchungen identifiziert, bei denen Angiodysplasien nicht im Bericht beschrieben wurden, obwohl die Untersuchenden entsprechende Bilder gespeichert hatten. Für die zweite Phase wurden 126 Videoaufnahmen und die zugehörigen Berichte aus einer vorherigen prospektiven Studie genutzt. Anhand dieser Daten erfolgte die Evaluation der Leistungsfähigkeit der KI bei der Videoanalyse.
Das Bilderkennungsmodell erreichte in der ersten Validierungsphase eine Genauigkeit von 94,5 %, eine Sensitivität von 84,4 % und eine Spezifität von 95,9 %. Das Sprachmodell erkannte mit einer Genauigkeit von 95,8 % zuverlässig, ob eine Angiodysplasie im Bericht beschrieben wurde. Das System identifizierte 88 Fälle in denen eine Angiodysplasie zwar mit einem Bild, jedoch nicht schriftlich, dokumentiert wurde. In der zweiten Phase wurden in 5 Untersuchungen Angiodysplasien beschrieben. Das System identifizierte jedoch in 23 Videoaufnahmen Angiodysplasien.
Die Studie zeigt, dass KI die Vollständigkeit und Einheitlichkeit von Endoskopieberichten verbessern und eine Dokumentation von Angiodysplasien standardisieren kann. Damit könnten Diagnostik und Therapie der Betroffenen künftig zielgerichteter und schneller erfolgen.
LinkedIn-Beitrag mit Video, das mithilfe von Claude (Anthropic) generiert wurde.
Publikation: Ioannis Kafetzis, Jana Sophia Theile, Stavros Dimitriadis, Jörg Albert, Wolfram Zoller, Alexander Meining, Alexander Hann, Artificial Intelligence-Based Detection of Colonic Angiodysplasia Can Improve Endoscopic Reporting Consistency, United European Gastroenterology Journal (2026): e70291, https://doi.org/10.1002/ueg2.70291
