{"id":3779,"date":"2023-01-29T20:16:52","date_gmt":"2023-01-29T19:16:52","guid":{"rendered":"https:\/\/rcai.de\/?p=3779"},"modified":"2026-01-08T14:43:53","modified_gmt":"2026-01-08T13:43:53","slug":"smart-gi","status":"publish","type":"post","link":"https:\/\/rcai.de\/en\/2023\/01\/29\/smart-gi\/","title":{"rendered":"Smart-GI"},"content":{"rendered":"

Smart-GI<\/h2>\n\n\n\n
\n
\n
\"\"<\/figure>\n\n\n\n

Assistenzsystem f\u00fcr die Endoskopie des GI-Trakts (Bild: Robert Mendel, ReMIC@OTH Regensburg)<\/p>\n<\/div>\n\n\n\n

\n

AI-supported diagnostics and therapy in the GI tract<\/h4>\n\n\n\n
<\/div>\n\n\n\n
Project responsible: Prof. Dr. Christoph Palm<\/a><\/h6>\n\n\n\n
<\/div>\n\n\n\n
Cooperation partners: III. Medizinische Klinik, Universit\u00e4tsklinikum Augsburg<\/a>, Department of Computing, S\u00e3o Paulo State University<\/a><\/h6>\n\n\n\n
<\/div>\n\n\n\n
Laufzeit: seit 2015<\/h6>\n<\/div>\n<\/div>\n\n\n\n
<\/div>\n\n\n\n
\n
\n
\n

SmartESD<\/h4>\n\n\n\n

<\/p>\n\n\n\n

Die endoskopische Submukosadissektion (ESD) erm\u00f6glicht die minimalinvasive Resektion gro\u00dffl\u00e4chiger L\u00e4sionen und bietet damit eine organerhaltende Alternative zur chirurgischen Resektion. Die ESD ist allerdings ein technisch anspruchsvolles Verfahren mit erheblichen Risiken: Das unbeabsichtigte Durchtrennen von Blutgef\u00e4\u00dfen vor deren Koagulation kann zu starken Blutungen f\u00fchren, die nicht nur die Sicht des Operateurs beeintr\u00e4chtigen, sondern auch den Patienten gef\u00e4hrden k\u00f6nnen.<\/h6>\n\n\n\n

<\/p>\n\n\n\n

Unser Deep-Learning-System SmartESD unterst\u00fctzt den Operateur durch Echtzeit-Erkennung und Hervorhebung von Blutgef\u00e4\u00dfen im endoskopischen Videobild. Parallel dazu wird die Position des Dissektionsmessers kontinuierlich verfolgt. Kommt das Messer kritischen Strukturen wie Blutgef\u00e4\u00dfen zu nahe, warnt das System den Operateur proaktiv. SmartESD fungiert damit als wachsamer chirurgischer Assistent, der die Sicherheit des Eingriffs erh\u00f6ht und zu geringeren Komplikationsraten beitragen kann \u2013 besonders wertvoll in komplexen anatomischen Situationen oder bei l\u00e4ngeren Eingriffen, bei welchen die Konzentration nachlassen kann.<\/h6>\n\n\n\n

<\/p>\n\n\n\n

SmartESD fungiert damit als wachsamer chirurgischer Assistent, der die Sicherheit des Eingriffs erh\u00f6ht und zu geringeren Komplikationsraten beitragen kann \u2013 besonders wertvoll in komplexen anatomischen Situationen oder bei l\u00e4ngeren Eingriffen, bei welchen die Konzentration nachlassen kann.<\/h6>\n\n\n\n

Zum Projektvideo<\/a><\/p>\n\n\n\n

<\/div>\n<\/div>\n\n\n\n
\n
\"\"
SmartESD im Einsatz (Video: Robert Mendel, ReMIC@OTH Regensburg)<\/figcaption><\/figure>\n<\/div>\n<\/div>\n\n\n\n
\n
\n

Phasenerkennung<\/h4>\n\n\n\n

<\/p>\n\n\n\n

Die endoskopische Submukosadissektion durchl\u00e4uft typischerweise mehrere definierte Phasen: Diagnostik, Markierung, Injektion, Dissektion und Blutungsstillung. Die Abfolge, Dauer und H\u00e4ufigkeit dieser Phasen sind charakteristisch f\u00fcr den Verlauf und die Qualit\u00e4t eines Eingriffs. W\u00e4hrend eine komplikationsarme ESD durch wenige Blutungsepisoden und einen kontinuierlichen Dissektionsfortschritt gekennzeichnet ist, deuten h\u00e4ufige Wechsel zwischen Dissektion und Blutungsstillung auf technische Schwierigkeiten oder Komplikationen hin.<\/h6>\n\n\n\n

<\/p>\n\n\n\n

Unser Deep-Learning-System erkennt diese Phasen automatisch im endoskopischen Video und erstellt damit einen pr\u00e4zisen „Fingerabdruck“ des Eingriffs. Diese objektive Dokumentation erm\u00f6glicht vielf\u00e4ltige Anwendungen: Eingriffe lassen sich anhand quantitativer Qualit\u00e4tsmetriken vergleichen und bewerten \u2013 etwa hinsichtlich der Gesamtdauer von Blutungsphasen oder der Effizienz der Dissektion. F\u00fcr \u00c4rzte in der Ausbildung kann die automatische Phasenerkennung individuelle Lernkurven sichtbar machen: Mit zunehmender Erfahrung sollten die Qualit\u00e4tsmetriken kontinuierlich besser werden. Dar\u00fcber hinaus lassen sich besonders anspruchsvolle ESDs identifizieren, um diese zu Trainingszwecken aufarbeiten zu k\u00f6nnen.<\/h6>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n\n\n\n
\n
\n

Papille<\/h4>\n\n\n\n

<\/p>\n\n\n\n

Die endoskopisch retrograde Cholangiopankreatikographie (ERCP) ist ein therapeutisches Verfahren zur Behandlung von Erkrankungen der Gallenwege und des Pankreasgangs \u2013 etwa zur Entfernung von Gallensteinen. Der Erfolg des Eingriffs h\u00e4ngt ma\u00dfgeblich von der erfolgreichen Sondierung der Papilla vateri ab, der anatomischen Struktur, an der Gallengang und Pankreasgang ins Duodenum m\u00fcnden. Die anatomische Auspr\u00e4gung der Papille variiert jedoch stark zwischen Patienten. Unterschiedliche morphologische Subtypen k\u00f6nnen die Sondierung erheblich erschweren, insbesondere wenn Schleimhautfalten die M\u00fcndungs\u00f6ffnung (Ostium) teilweise verdecken. Multiple Sondierungsversuche erh\u00f6hen das Risiko f\u00fcr schwerwiegende Komplikationen, insbesondere f\u00fcr eine Post-ERCP-Pankreatitis.<\/h6>\n\n\n\n

<\/p>\n\n\n\n

Unser Deep-Learning-System erkennt automatisch die Papilla vateri sowie ihr Ostium im endoskopischen Bild. Durch die pr\u00e4zise Lokalisierung auch schwer erkennbarer M\u00fcndungs\u00f6ffnungen kann das System den Untersucher gezielt bei der Sondierung unterst\u00fctzen und die Anzahl der Kann\u00fclierungsversuche reduzieren. \u00a0Langfristiges Ziel ist die automatische Bewertung der Sondierungsschwierigkeit anhand der anatomischen Struktur der Papille. Dies erm\u00f6glicht eine individualisierte Auswahl des Behandlers: W\u00e4hrend einfache Papillen von \u00c4rzten in der Ausbildung behandelt werden k\u00f6nnen, werden anatomisch schwierige F\u00e4lle direkt an erfahrene Spezialisten weitergeleitet. Diese pr\u00e4prozedurale Risikoabsch\u00e4tzung kann die Zahl erfolgloser Kann\u00fclierungsversuche reduzieren und damit das Komplikationsrisiko f\u00fcr den Patienten signifikant senken.<\/h6>\n\n\n\n
<\/h6>\n\n\n\n

Zum Projektvideo<\/a><\/p>\n\n\n\n

<\/div>\n<\/div>\n\n\n\n
\n
\"\"
Papilla Detection im Einsatz (Video: David Rauber, ReMIC@OTH Regensburg)<\/figcaption><\/figure>\n<\/div>\n<\/div>\n\n\n\n
\n
\n

Barrett-Diagnostik<\/h4>\n\n\n\n

<\/p>\n\n\n\n

Speiser\u00f6hrenreflux kann zu schwerwiegenden Schleimhautver\u00e4nderungen in der Speiser\u00f6hre f\u00fchren. Besonders kritisch ist dabei der \u00dcbergang vom Barrett-\u00d6sophagus \u2013 einer Vorstufe \u2013 zum Adenokarzinom. Bei der endoskopischen Untersuchung ist diese Abgrenzung eine anspruchsvolle diagnostische Aufgabe: Die \u00dcberg\u00e4nge sind oft flie\u00dfend und die visuellen Unterschiede subtil, sodass sie selbst f\u00fcr erfahrene Gastroenterologen eine Herausforderung darstellen. W\u00e4hrend Barrett-\u00d6sophagus regelm\u00e4\u00dfig \u00fcberwacht werden muss, erfordert ein Karzinom unmittelbare therapeutische Intervention.<\/h6>\n\n\n\n

<\/p>\n\n\n\n

Unser Deep-Learning-basiertes System unterst\u00fctzt \u00c4rzte bei der Analyse endoskopischer Aufnahmen, indem es pr\u00e4maligne und maligne L\u00e4sionen zuverl\u00e4ssig identifiziert und differenziert. Das neuronale Netz wurde speziell darauf trainiert, die feinen Unterschiede zwischen Barrett-Schleimhaut und Adenokarzinom zu erkennen. Das System fungiert als intelligenter Assistenzpartner, der dem Untersucher in Echtzeit eine Zweitmeinung liefert und so die diagnostische Sicherheit erh\u00f6ht.<\/h6>\n\n\n\n

Zum Projektvideo<\/a><\/p>\n\n\n\n

F\u00f6rderungen:
<\/p>\n\n\n\n