Ki ismeri fel jobban a korai nyelőcsőrákot?

Az American Journal of Gastroenterology-ban megjelent, 14 tanulmányt felölelő meta-analízis kimutatta, hogy az endoszkópián alapuló mélytanulási algoritmusok a kezdő endoszkóposoknál jobb teljesítményt nyújtottak a korai nyelőcső pikkelysejtes karcinóma (laphámrák) felismerésében, mint a kezdő endoszkópos szakemberek. A találati arány azonban nem különbözött az AI és a tapasztalt endoszkóposok esetén. Az AI segédeszközként alkalmazva javította a kevésbé tapasztalt szakemberek teljesítményét.

 A hagyományos endoszkópos módszerek, mint például a fehérfényes képalkotás és a képjavított endoszkópia, jelentős korlátokkal rendelkeznek a korai nyelőcső-pikkelyes sejtes karcinóma felismerésében, míg a mélytanulás objektívebb és következetesebb elismerést kínál a léziók felismerésében, ami jobban képes azonosítani a finom rendellenességeket, és támogatja az endoszkópos szakembereket a klinikai gyakorlatban.

Xiaoyan Men (4. People’s Hospital of Hengshui, Hebei, Kína) szisztematikus áttekintésük keretében 2025. március 20-ig átvizsgálták a népszerű adatbázisokat, majd 2026. március 1-ig frissítették a keresést, hogy összehasonlítsák az endoszkópián alapuló mélytanulási algoritmusok diagnosztikai teljesítményét a különböző tapasztalattal rendelkező endoszkópos szakemberekével a korai nyelőcső pikkelysejtes rák felismerése terén.

Összesen 14 olyan tanulmány felelt meg a beválasztási kritériumoknak, amelyek azt értékelték, hogy az endoszkópián alapuló mélytanulási modellek mennyire hatékonyak a korai nyelőcső pikkelysejtes karcinóma felismerésében a patológiai biopszia mint referencia-szabványhoz viszonyítva.

Az elemzés 18 mélytanulási tanulmányt hasonlított össze. Ezekből kilenc tartalmazott általános endoszkópos szakorvosokkal, 11 tartalmazott viszonyleg kezdő endoszkópos szakorvosokkal (5 évnél kevesebb tapasztalattal rendelkező orvosok, akik 1000–2000 felső gyomor-bélrendszeri endoszkópiát végeztek el) történő, és 11 tartalmazott tapasztalt endoszkópos szakorvosokkal (10 évnél több tapasztalattal rendelkező orvosok, illetve azok, akik több mint 10 000 beavatkozást végeztek el) történő összehasonlítást.

Az elsődleges kimeneteli mutatók a mélytanulási algoritmusok és a különböző tapasztalattal rendelkező endoszkóposok esetében az érzékenység, a specifitás, a diagnosztikai esélyhányados és a vevő-működési jellemző görbe alatti terület voltak; ezek a paraméterek azt mérték, hogy mennyire jól észlelték a korai nyelőcső pikkelysejtes karcinómát, és mennyire tudták azt megkülönböztetni a betegségtől mentes szövetektől.

A mélytanulási algoritmusok 0,94-es érzékenységet, 0,88-as specifitást, 0,96-os ROC-görbe alatti területet és 106,76-os diagnosztikai esélyhányadot mutattak, ezzel felülmúlva az összes endoszkópos szakembert, akik 0,82-es érzékenységet, 0,78-as specifitást, 0,87-es ROC-görbe alatti területet és 16,71-es diagnosztikai esélyhányadot mutattak (P < 0,050 minden esetben).

A mélytanulási algoritmusok nagyobb érzékenységet (0,94 vs. 0,76; P < 0,001) és nagyobb ROC-görbe alatti területet (0,96 vs. 0,84; P < 0,001) értek el, mint a kezdő endoszkóposok, azonban a mélytanulási algoritmusok és a tapasztalt endoszkópos szakemberek között egyetlen mutató tekintetében sem találtak szignifikáns különbséget (P > 0,050).

A mélytanulás segítségével a kezdő endoszkóposok ROC-görbe alatti területe 0,85-ről 0,94-re nőtt (P < 0,001), míg a tapasztalt endoszkóposoknál javulás mutatkozott az érzékenység, a specifitás és az ROC-görbe alatti terület tekintetében, bár a különbségek nem értek el statisztikai szignifikanciát.

Az alcsoport-elemzések nem mutattak ki szignifikáns teljesítménybeli különbséget a léziók mérete szerint; az érzékenység a nyaki–felső mellkasi nyelőcsőben található léziók esetében magasabb volt, mint a középső–alsó mellkasi vagy hasi nyelőcsőben; a ROC-görbe alatti terület fehér fényű képalkotás esetén magasabb volt, mint a képjavított endoszkópiánál; a teljesítmény pedig a lézióalapú elemzésekben alacsonyabb volt, mint a képalapú vagy betegalapú elemzésekben.

„Összegzésként elmondható, hogy ez a metaanalízis rávilágít arra, hogy az endoszkópián alapuló mélytanulás következetesen magas diagnosztikai pontosságot mutat a korai nyelőcső pikkelysejtes karcinóma (ESCC) felismerésében, és minden mérőszám tekintetében felülmúlja a kezdő endoszkópos szakembereket. A mesterséges intelligencia (AI) által nyújtott támogatás mind a kezdő, mind a tapasztalt endoszkópos szakemberek számára előnyös. A jelenlegi bizonyítékok azonban nem utalnak arra, hogy a mélytanulás (DL) felülmúlná a tapasztalt endoszkópos szakembereket” – írták a szerzők.

A tanulmány korlátai közé tartozik az a tény, hogy a bevont tanulmányok többsége egyközpontú és retrospektív volt. Ezen felül a betegpopulációk nagyrészt homogének voltak, és ázsiai kohorszokból származtak, ami korlátozza az általánosíthatóságot. A mélytanulási architektúrák és a validációs módszerek közötti különbségek szintén megnehezítik a tanulmányok közötti összehasonlítást.

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 https://doi.org/10.14309/ajg.0000000000004067