EAGLE-forsøgsvalidering: Effektivitet og klinisk translationsværdi af AI-assisteret koloskopisystemer

Olympus frigav officielt forskningsresultaterne fra EAGLE Trial, som validerede kerneværdien af ​​dens CADDIE™ cloud-baserede computer-aided detection-løsning (CADe) til klinisk påvisning af kolorektale læsioner. Real-time og effektive analytiske evner af denne AI-løsning er understøttet af high-fidelity billedbehandlingsydelsen af ​​Olympus' dedikerede miniature endoskop kameramoduler. Som den første cloud-baserede CADe-applikation til polypdetektion i realtid under koloskopi, der modtager både FDA-godkendelse og CE-mærkning, er CADDIE™ også den første implementerede løsning af Olympus' OLYSENSE™ Intelligent Endoscopy Ecosystem. Realiseringen af ​​dens kliniske effektivitet danner en dyb teknisk synergi med billedpræcisionen af ​​endoskopkameramoduler.

EAGLE-studiet er et randomiseret kontrolleret multicenter-studie udført på otte kliniske centre i fire europæiske lande. 841 forsøgspersoner, der gennemgår kolorektal screening og overvågning, sammen med 22 endoskopister, blev inkluderet i kerneanalysen, og forsøgspersonerne blev tilfældigt tildelt standardkoloskopigruppen eller den CADDIE™-assisterede gruppe. Relevante forskningsresultater er publiceret i npj Digital Medicine. Kernedesignet i forsøget fokuserer på klinisk højrisiko og svære at opdage kolorektale læsioner, hvis visuelle identifikation først er afhængig af den klare indfangning af subtile slimhindetræk i tarmkanalen ved hjælp af endoskopkameramoduler. Dette hardwarefundament giver en uerstattelig visuel dataunderstøttelse til den præcise analyse af AI-algoritmer.

Kerneforsøgsdataene bekræftede den synergetiske værdi af billeddannende hardware og AI-algoritmer: sammenlignet med standard koloskopi opnåede CADDIE™-assisteret undersøgelse en absolut stigning på 7,3 % i adenomdetektionsraten (ADR). For svære at detektere undertyper inklusive store adenomer (>10 mm), ikke-polyploide adenomer og sessile takkede læsioner (SSL'er), steg de relative detektionsrater med henholdsvis 93 %, 57 % og 230 % uden at forstyrre sikkerheden og arbejdsgangen ved kliniske operationer gennem hele processen. CADDIE™-algoritmen er specifikt trænet på et datasæt, der er beriget med sådanne klinisk relevante læsioner, og dens tekniske kompatibilitet med endoskopkameramoduler sikrer synkronisering af billedopsamling og AI-analyse i realtid, hvilket gør den kliniske implementering af cloud-baseret AI teknisk mulig.

Cloud-arkitektur-implementering er blevet en anden kernefordel ved løsningen, som komplementerer det standardiserede billedoutput fra endoskopkameramoduler: CADDIE™ er udstyret med en cloud-arkitektur, der er kompatibel med industristandard sikkerhedskontroller, hvilket ikke kun reducerer medicinske institutioners afhængighed af lokal hardware og muliggør en abonnementsbaseret indkøbsmodel, men også bygger en uendoskopisk data- og opgraderingsplatform for det teknologiske kamera. iterativ optimering af AI-algoritmer gennem standardiseret billeddatainteraktion. Denne model forbedrer også markant den kliniske tilgængelighed af avancerede AI-detektionsværktøjer.

Industrieksperter har meget anerkendt denne teknologiintegrationsmodel. Hovedefterforskeren af ​​EAGLE-forsøget påpegede, at cloud-implementering bryder hardwarebarriererne for AI-endoskopi, mens højopløsnings- og high-fidelity-endoskopkameramoduler udgør kernebæreren for den kliniske implementering af AI-innovation. Kombinationen af ​​de to er blevet nøglen til at forbedre detektionseffektiviteten af ​​højrisiko-kolorektale kræftlæsioner. Olympus ledere udtalte, at forsøgsresultaterne giver evidensbaseret støtte til den kliniske popularisering af CADDIE™ og verificerer også den kliniske værdi af det samarbejdende design af billeddannelseshardware og AI-algoritmer, og peger på retningen af ​​dybdegående integration med intelligente algoritmer til forskning og udvikling af medicinske endoskopkameramoduler.

Det skal præciseres, at CADDIE™ kun bruges som et klinisk hjælpedetektionsværktøj og ikke erstatter endoskopers professionelle diagnostiske vurdering. Derudover er løsningen begrænset til analyse af billeddata fra standard endoskopkameramoduler med hvidt lys. Denne kompatibilitetsgrænse giver også en klinisk reference for den standardiserede forskning og udvikling af medicinske endoskopkameramoduler.

Samlet set bekræfter resultaterne af EAGLE-forsøget ikke kun den kliniske værdi af sky-baseret AI inden for fordøjelsesendoskopi, men fremhæver også den underliggende rolle af endoskopkameramoduler som kernehardwaren i det intelligente endoskopi-økosystem. Gennem det integrerede layout af billeddannelseshardware og AI-software via OLYSENSE™-økosystemet giver Olympus oversøiske kunder, der er involveret i forskning og udvikling af medicinske endoskopkameramoduler og indkøb af medicinsk udstyr, en integreret løsning med både klinisk værdi og teknisk gennemførlighed, og tilbyder også en replikerbar teknisk vej til intelligent opgradering af medicinsk billedbehandlingsudstyr.