《Clinical Gastroenterology and Hepatology》：From Pixels to Peristalsis: Comparing Achalasia Diagnosis with Artificial Intelligence to Expert Endoscopists
编辑推荐：
本研究利用基于Transformer的视频模型检测食管失弛缓症，数据来自1203名 dysphagia 患者影像。模型测试集准确率92.6%，敏感性80%，优于专家共识（准确率90.5%，敏感性55%），其注意力机制能识别液体滞留和括约肌紧张等关键特征，为早期筛查提供新工具。
埃万德罗斯·卡克拉马诺斯（Evandros Kaklamanos）|克里斯蒂安娜·克里斯汀斯多蒂尔（Kristjana Kristinsdottir）|马修·维特布罗特（Matthew Wittbrodt）|李萌（Meng Li）|帕尼亚维·皮蒂苏提图姆（Panyavee Pitisuttithum）|寇文军（Wenjun Kou）|拉杰什·N·凯斯瓦尼（Rajesh N. Keswani）|达斯汀·卡尔森（Dustin Carlson）|莫齐亚尔·埃特马迪（Mozziyar Etemadi）|约翰·E·潘多尔菲诺（John E. Pandolfino）
伊利诺伊州芝加哥西北医学中心信息服务部（Department of Information Services, Northwestern Medicine, Chicago, Illinois）
摘要
背景与目的
食管运动障碍（如贲门失弛缓症）的诊断需要多种检查方法。患者首先接受上消化道内镜检查，但检查过程中常常会忽略一些细微的疾病迹象，从而导致诊断延误。人工智能（AI）有潜力防止这些误诊，并作为早期筛查工具来辅助医生的决策。
方法
我们开发了一种基于视频的Transformer模型，能够从上消化道内镜视频中检测出贲门失弛缓症。这些视频来自2018年8月至2024年1月期间因吞咽困难就诊的1,203名患者。该模型的性能与两名专家医生独立审查每段视频并相互协商后达成最终共识的结果进行了比较。使用包含95名患者的测试集，根据高分辨率测压（HRM）和芝加哥分类v4.0（CCv4.0）方案得到的真实标签来评估医生共识和模型性能。
结果
模型在测试集上的表现与医生共识相当，准确率和F1分数分别为0.926和0.821，而医生的准确率和F1分数分别为0.905和0.710。此外，模型的假阴性率更低，灵敏度和阴性预测值（NPV）分别为0.800和0.947，而医生分别为0.550和0.893。模型的注意力机制能够捕捉到临床相关的特征，如食管内是否存在液体或食物，以及下食管括约肌（LES）的紧张情况。
结论
这些结果表明，AI可以利用上消化道内镜视频以与专业内镜医生相当的准确率检测出贲门失弛缓症。
