EAGLE-studievalidering: effektivitet och kliniskt översättningsvärde av AI-assisterade koloskopisystem

Olympus släppte officiellt forskningsresultaten från EAGLE-studien, som validerade kärnvärdet av dess CADDIE™ molnbaserade datorstödda detektionslösning (CADe) vid klinisk upptäckt av kolorektala lesioner. Den här AI-lösningens realtids- och effektiva analysförmåga underbyggs av den högtrogna bildprestandan hos Olympus dedikerade miniatyrendoskopkameramoduler. Som den första molnbaserade CADe-applikationen för realtidspolypdetektering under koloskopi som får både FDA-godkännande och CE-märkning, är CADDIE™ också den första implementerade lösningen av Olympus OLYSENSE™ Intelligent Endoscopy Ecosystem. Förverkligandet av dess kliniska effektivitet bildar en djup teknisk synergi med bildprecisionen hos endoskopkameramoduler.

EAGLE-studien är en randomiserad kontrollerad multicenterstudie som genomförs vid åtta kliniska centra i fyra europeiska länder. 841 försökspersoner som genomgick kolorektal screening och övervakning, tillsammans med 22 endoskopister, inkluderades i kärnanalysen, och försökspersonerna tilldelades slumpmässigt standardkoloskopigruppen eller CADDIE™-assisterad grupp. Relevanta forskningsresultat har publicerats i npj Digital Medicine. Kärndesignen i studien fokuserar på kliniskt högrisk och svårupptäckta kolorektala lesioner, vars visuella identifiering först bygger på den tydliga fångsten av subtila slemhinnor i tarmkanalen med endoskopkameramoduler. Denna hårdvarubas ger ett oersättligt visuellt datastöd för exakt analys av AI-algoritmer.

Kärnstudiedata bekräftade det synergitiska värdet av avbildningshårdvara och AI-algoritmer: jämfört med standardkoloskopi, uppnådde CADDIE™-assisterad undersökning en absolut 7,3 % ökning av adenomdetektionsfrekvensen (ADR). För svårupptäckta subtyper inklusive stora adenom (>10 mm), icke-polyploida adenom och sessila sågtandade lesioner (SSL), ökade de relativa detektionsfrekvenserna med 93 %, 57 % respektive 230 %, utan att störa säkerheten och arbetsflödet för kliniska operationer under hela processen. CADDIE™-algoritmen är speciellt utbildad på en datauppsättning berikad med sådana kliniskt relevanta lesioner, och dess tekniska kompatibilitet med endoskopkameramoduler säkerställer synkronisering av bildinsamling och realtidsanalys av AI, vilket gör den kliniska implementeringen av molnbaserad AI tekniskt genomförbar.

Implementering av molnarkitektur har blivit en annan central fördel med lösningen, som kompletterar den standardiserade bildåtergivningen från endoskopkameramoduler: CADDIE™ är utrustad med en molnarkitektur som är kompatibel med industristandardsäkerhetskontroller, vilket inte bara minskar medicinska institutioners beroende av lokal hårdvara och möjliggör en prenumerationsbaserad inköpsmodell, utan också bygger upp en enhetlig dataplattform för den tekniska och avancerade kameran. iterativ optimering av AI-algoritmer genom standardiserad interaktion med bilddata. Denna modell förbättrar också avsevärt den kliniska tillgängligheten för avancerade AI-detektionsverktyg.

Branschexperter har mycket erkänt denna teknikintegrationsmodell. Huvudutredaren för EAGLE-studien påpekade att molnutbyggnad bryter hårdvarubarriärerna för AI-endoskopi, medan högupplösta och högfientliga endoskopkameramoduler utgör kärnan för den kliniska implementeringen av AI-innovation. Kombinationen av de två har blivit nyckeln till att förbättra upptäcktseffektiviteten för kolorektalcancerskador med hög risk. Olympus chefer uppgav att försöksresultaten ger evidensbaserat stöd för den kliniska populariseringen av CADDIE™, och även verifierar det kliniska värdet av den samarbetande designen av bildbehandlingshårdvara och AI-algoritmer, och pekar ut riktningen för djupgående integration med intelligenta algoritmer för FoU av medicinska endoskopkameramoduler.

Det bör förtydligas att CADDIE™ endast används som ett kliniskt extra detektionsverktyg och inte ersätter endoskopers professionella diagnostiska bedömningar. Dessutom är lösningen begränsad till analys av bilddata från standardkameramoduler för vitljusendoskop. Denna kompatibilitetsgräns ger också en klinisk referens för standardiserad forskning och utveckling av medicinska endoskopkameramoduler.

Sammantaget bekräftar resultaten av EAGLE-studien inte bara det kliniska värdet av molnbaserad AI inom matsmältningsendoskopi, utan lyfter också fram den underliggande rollen för endoskopkameramoduler som kärnan i det intelligenta endoskopi-ekosystemet. Genom den integrerade layouten av bildbehandlingshårdvara och AI-mjukvara via OLYSENSE™ Ecosystem ger Olympus utländska kunder som är engagerade i forskning och utveckling av medicinska endoskopkameramoduler och anskaffning av medicinsk utrustning en integrerad lösning med både kliniskt värde och teknisk genomförbarhet, och erbjuder också en replikerbar teknisk väg för intelligent uppgradering av medicinsk bildutrustning.