Egy új metaanalízis szerint a mélytanulási algoritmusok nagy pontossággal támogatják a korai nyelőcső laphámrák endoszkópos felismerését, különösen a kevésbé tapasztalt vizsgálók esetében.
A vizsgálat célja
A korai nyelőcső laphámrák felismerése alapvetően meghatározza a betegek prognózisát, ugyanakkor a kezdeti, kisméretű elváltozások az endoszkópos gyakorlatban továbbra is komoly diagnosztikus kihívást jelentenek. A szisztematikus áttekintés és metaanalízis célja annak meghatározása volt, hogy az endoszkópos felvételeket elemző mélytanulási algoritmusok milyen diagnosztikus teljesítményt nyújtanak a korai nyelőcső laphámrák felismerésében a vizsgáló orvosokhoz képest. A szerzők azt is vizsgálták, hogy a mesterséges intelligencia alkalmazása javítja-e a diagnosztikus pontosságot eltérő tapasztalati szintek esetén.
A vizsgálat felépítése
A szerzők a PubMed, az Embase és a Web of Science adatbázisokban kerestek releváns közleményeket 2025. március 20-ig, majd a keresést 2026. március 1-ig kiterjesztették. Az elemzésbe olyan vizsgálatok kerültek be, amelyekben a mélytanulási algoritmusok teljesítményét szövettani vizsgálattal igazolt eredményéhez viszonyították. Összesen 1604 közlemény közül 14 felelt meg a beválasztási kritériumoknak. A diagnosztikus teljesítményt az érzékenység, a fajlagosság, a görbe alatti terület és a diagnosztikus esélyhányados alapján értékelték.
A vizsgálat eredményei
Az összesített elemzés szerint a mélytanulási algoritmusok szignifikánsan jobb diagnosztikus teljesítményt értek el, mint az endoszkópos vizsgálatot végző szakemberek. Magasabb érzékenységet (0,94 vs. 0,82), fajlagosságot (0,88 vs. 0,78), valamint jobb összesített diagnosztikus pontosságot mutattak. Az előny elsősorban a kisebb tapasztalattal rendelkező vizsgáló orvosokkal szemben volt egyértelmű. A mesterséges intelligencia támogatásával a kezdő vizsgáló orvosok diagnosztikus teljesítménye jelentősen javult. A javulás tapasztalt szakemberek esetében is megfigyelhető volt, azonban ez statisztikailag nem bizonyult szignifikánsnak. A daganat mérete nem befolyásolta érdemben az algoritmusok teljesítményét, ugyanakkor a nyelőcső felső szakaszában elhelyezkedő elváltozások felismerése érzékenyebbnek bizonyult. A hagyományos fehérfényű endoszkópos képeken alapuló algoritmusok teljesítménye kis mértékben kedvezőbb volt, mint a képjavító endoszkópos technikákon alapuló modelleké.
Összefoglalás, konklúzió
A rendelkezésre álló bizonyítékok alapján a mélytanulási algoritmusok nagy pontossággal támogatják a korai nyelőcső laphámrák felismerését, és különösen hasznosak lehetnek a kevésbé tapasztalt vizsgáló orvosok számára. Bár a mesterséges intelligencia javítja a tapasztalt szakemberek diagnosztikus teljesítményét is, jelenleg nincs egyértelmű bizonyíték arra, hogy önmagában felülmúlná a nagy gyakorlattal rendelkező szakembereket. A szerzők nagyobb, többcentrumos, prospektív vizsgálatok elvégzését tartják szükségesnek az eredmények megerősítésére és szélesebb körű alkalmazhatóságuk igazolására.
Forrás
Zhang, H., Zhao, Y., Zhang, X., Wang, Y., & Men, X. (2026). Endoscopy-Based Deep Learning Algorithms vs Endoscopists in Early Esophageal Squamous Cell Carcinoma Detection: A Systematic Review and Meta-AnalysisAmerican Journal of Gastroenterology
