Полипы в кишечнике как обнаружить: Полипы в кишечнике – диагностика и лечение в Екатеринбурге.

Содержание

«Любой полип в ЖКТ может превратиться в рак». Как не допустить онкологию

Можно ли удалить новообразование в кишечнике.

По данным Всемирной организации здравоохранения (ВОЗ), рак желудочно-кишечного тракта занимает третье место в мире по числу заболеваний и смертей среди всех онкологий. В России каждый год рак толстой кишки находят у 50 тыс. человек, на Урале и в Западной Сибири статистика особенно удручающая. Такие новообразования растут в среднем 10–15 лет, не проявляя себя, поэтому раньше рак кишечника обнаруживали на 3–4 стадии. Сегодня найти и удалить опухоль можно на начальном этапе прямо во время проведения исследования верхних и нижних отделов кишечника.

Как это сделать без боли и дискомфорта, когда нужно прийти на первую колоноскопию, почему обследоваться надо, когда нет никаких симптомов, рассказывает Иван Васяев, эндоскопист центра оперативной эндоскопии СМТ.

В 2018–2021 годах в этой клинике провели более 14 тыс. исследований и удалили опухоли в разной стадии более чем у 3,5 тыс. человек.

Что такое колоноскопия?

Сегодня это самое эффективное средство профилактики рака кишечника — обследование прямой и толстой кишки, тонкого кишечника с помощью специального зонда с HD-камерой. Чем лучше эндоскоп, тем больше сможет сделать врач.

«В эндоцентре СМТ мы используем японские аппараты Fujifilm и Olympus Evis Exera III, который увеличивает изображение в 125 раз. Оба оснащены технологией цветокоррекции, визуализации в узкоспектральном режиме, которая позволяет находить на 29% больше новообразований. С помощью таких эндоскопов можно искать и удалять опухоли, проводить биопсию», — рассказывает Иван Васяев.

Кто входит в группу риска?

Люди старше 45 лет. В первую очередь те, кто набрал вес, мало двигается, курит, любит выпить, ест много красного мяса, полуфабрикатов, консервов, мало фруктов и овощей, а также имеющие близких родственников, столкнувшихся с онкологией желудочно-кишечного тракта.

«Кривая выявляемости рака резко идет вверх у пациентов старше 40. Для сравнения: в 30 лет полипы в кишечнике находят только у каждого десятого. В 50 аномальные разрастания обнаруживают у 70% пациентов», — приводит статистику эндоцентра Иван Васяев.

Иван Васяев: «В онкоцентрах большинству пациентов 55–60 лет. Отнимите 10–15 лет, которые развивается рак, и мы получим 45. В это время и надо начинать обследоваться».

Нужно ли обследоваться, если нет жалоб и симптомов?

Нужно. Симптомы появляются на 3-4 стадии, когда болезнь уже дает метастазы и прорастает в другие органы. Чтобы избавиться от такого рака, зачастую нужны тяжелые полостные операции, которые долго заживают, химиотерапия. Растет психологическая нагрузка на пациентов, что требует консультации специалистов и внимательное наблюдение в онкоцентрах. И даже в этом случае лечение может не помочь.

«Мы создавали «СМТ ЭНДОЦЕНТР» именно для ранней профилактики рака. Под эту задачу его и «затачивали»: закупали оборудование экспертного уровня, собирали лучших врачей. У нас работают хирурги высшей категории со средним стажем больше 18 лет — всегда готовые учиться новому, «голодные» на знания. Они повышали квалификацию в Центре имени А. С. Логинова в Москве, стажировались в клиниках в Италии. Сегодня выявляемость рака по раннему скринингу у нас в 2,5 раза выше, чем в среднем по области, и в несколько раз больше, чем по стране.  Мы одна из немногих клиник в УрФО, где оказывают весь комплекс услуг по диагностике, лечению и профилактике онкологических и предонкологических заболеваний.

К нам приходят проверить диагноз, который поставили в других уральских центрах, удалить опухоль, за которую не взялись другие врачи», — рассказывает Александр Савин, главный врач «СМТ КЛИНИКИ».

Как понять, что нужно срочно пройти колоноскопию?

Самый простой способ – сдать анализ на скрытую кровь в кале. Врачи рекомендуют делать это каждые два года начиная с 40 лет. Можно сдать такой анализ бесплатно в «СМТ КЛИНИКЕ» или приобрести иммунохроматографический экспресс-тест, с которым анализ делается дома за пять минут. Но он не позволяет полностью исключить наличие новообразований в кишечнике, поэтому лучше сразу записаться на колоноскопию.

Что делать, если врачи найдут подозрительное новообразование в ЖКТ?

Полипы на начальной и первой стадии удаляют во время обследования. Все лечение займет в среднем около 15–30 минут. Смогут ли врачи убрать новообразование, зависит от размера. В большинстве клиник врачи удаляют новообразования размером до сантиметра.

«Чем больше полип, тем больше риск осложнений, кровотечений. Чтобы этого не случилось, мы используем эндоскопические петли, которые сразу прижигают место удаления, клип-аппликаторы с предустановленной клипсой. Они позволяют безопасно удалять новообразования размером до пяти сантиметров. Если подозреваем в обнаруженном полипе уже развившийся рак, делаем биопсию – берем крошечный кусочек новообразования и отвозим в лабораторию на изучение», — рассказывает Иван Васяев.

Эндоскопия – лучшее средство профилактики рака кишечника.

Если новообразование небольшое, можно его оставить?

Нет. Есть риск, что любой полип в пищеварительном тракте может превратиться в рак. Это только вопрос времени. Обычно на перерождение полипа в злокачественную опухоль уходит 10–15 лет, но это время может сократиться в несколько раз. Два-три десятилетия назад небольшие полипы оставляли и следили за ними, но сегодня для профилактики рака эффективнее как можно раньше удалять даже небольшие опухоли.

Удаление опухоли — это больно?

В слизистой кишечника нет нервных окончаний, поэтому боли человек не испытывает. Пациент может на мониторе следить за работой врача и ничего не чувствовать.

Как обследоваться комфортно, без неприятных ощущений?

«Пройти колоноскопию можно во время медикаментозного сна. В отличие от наркоза, после него голова остается ясной, нет вялости и заторможенности. Человек сам просыпается спустя 5–10 минут после того, как врачи перестают вводить препарат, и через полчаса может идти домой», – говорит Александр Савин, главный врач «СМТ КЛИНИКИ», анестезиолог-реаниматолог.

«СМТ КЛИНИКА» открыта в Екатеринбурге в 2014 году. Универсальный медицинский центр: предоставляет полный комплекс профилактики, диагностики и лечения. Работает более чем по 30 направлениям, в том числе по малоинвазивной хирургии. Включает «СМТ КЛИНИКУ» для взрослых, детскую «СМТ КИДС» и «СМТ ЭНДОЦЕНТР» — отделение высокотехнологичной диагностики и лечения заболеваний ЖКТ.

Имеются противопоказания. Необходима консультация специалиста.

Текст: Кирилл Кирягин для РБК Екатеринбург
Фото: Григорий Постников, «СМТ КЛИНИКА»

КАК ЭНДОСКОПИЯ ПОМОГАЕТ ВЫЯВИТЬ РАК НА РАННЕЙ СТАДИИ

Но если у вас внутреннее повреждение — слизистой оболочки пищевода, желудка и толстой кишки, причину боли или симптомов определить не так просто. Однако с помощью простой безопасной процедуры, известной как эндоскопия, врачи могут заглянуть в эти труднодоступные места, чтобы выяснить, что вызывает у вас боль и симптомы.

Неудивительно, что эндоскопия стала настоящим прорывом в лечении желудочно-кишечных заболеваний. Эндоскоп позволяет обнаруживать не только рак, но и язвы, полипы и места внутренних кровотечений. С помощью эндоскопии можно получить образцы ткани (биопсия), расширить зауженные участки и остановить кровотечение. Можно удалить полипы в толстой кишке, что предотвращает онкозаболевания толстого кишечника.

Эндоскопия проводится в амбулаторных условиях и хорошо переносится пациентами. Но как выбрать лучшую клинику для прохождения этой процедуры? Этот вопрос мы задали врачам-эндоскопистам Онкологического центра томотерапии UMIT.

ЭТО УЖЕ НЕ ФГДС, ЭТО — ВЭГДС

Многие по привычке продолжают называть процедуру «глотания шланга» фиброгастродуоденоскопией (ФГДС).

Но современные эндоскопы – это уже давно не фиброэндоскопы, это видеоэндоскопы, где с помощью маленькой видеокамеры картинка передается на экран монитора. Поэтому правильней называть эту процедуру видеоэзофагогастродуоденоскопия или коротко ВЭГДС (или как вариант ВГДС).

«Очень часто от пациентов можно услышать вопрос: когда уже эту неприятную процедуру заменят на что-то более современное? Скорей всего, никогда. Это самый точный, самый надежный, самый удобный способ для диагностики ранних опухолевых заболеваний и воспалительных заболеваний ЖКТ. Кроме того, появляется новое, более совершенное оборудование», — говорит заведующий эндоскопическим отделением Онкологического центра томотерапии UMIT.

Отделение эндоскопии центра UMIT оборудовано эндоскопической установкой экспертного класса Pentax от японского производителя, одного из мировых лидеров на рынке эндоскопического оборудования. Ни один частный медцентр столицы не оснащен настолько мощным оборудованием с таким высоким качеством передаваемых изображений.

Оно достаточно дорогое, в среднем стоимость эндоскопической стойки составляет 60-70 млн тенге. Эндоскоп снабжен дополнительными функциями, например, можно окрасить слизистую оболочку для более четкой визуализации.

Плюс на современных эндоскопах есть функция увеличения: картинка на экране увеличивается в 3-4 раза, можно увидеть даже мелкие капилляры. По форме и расположению этих капилляров судят о начальном этапе злокачественного процесса.

МНОГИХ ВОЛНУЕТ ВОПРОС, МОЖНО ЛИ ЗАРАЗИТЬСЯ ИНФЕКЦИЕЙ ПРИ ЭНДОСКОПИИ?

Эндоскопия – это инвазивное обследование, прибор контактирует с кровью, слизью, биологическим жидкостями, которые могут содержать болезнетворные бактерии и вирусы. Поэтому после каждого пациента эндоскопическое оборудование должно быть тщательно обработано. Существуют специальные моечные машины, в которых все процессы очистки и дезинфекции эндоскопов полностью автоматизированы.

Процесс обработки эндоскопа в такой моечной машине полностью исключает вмешательство человека в процесс. Например, представьте себе ситуацию, когда медсестра может поспешить, не выдержать положенное время и извлечь эндоскоп из дезинфицирующего раствора, тогда как в моечной машине дверца герметично закрыта и не откроется, пока весь цикл не закончится.

«Мы бы рекомендовали всем пациентам интересоваться наличием такой моечной машины в любом эндоскопическом кабинете, где они планируют пройти процедуру обследования. В этой же машине обрабатываются все многоразовые инструменты, которые вплотную контактируют с кровью и биожидкостями. Это очень важно», — рекомендуют специалисты Онкологического центра томотерапии UMIT.

УЗКИЙ ШЛАНГ, ШИРОКИЙ ШЛАНГ

Часто можно слышать от пациентов, что они хотят пройти процедуру эндоскопии только с тонким шлангом. Заведующий эндоскопическим отделением считает, что это не совсем правильно. У каждого эндоскопа своя задача. Действительно, существуют эндоскопы более меньшего диаметра – это 6-7 мм, они считаются педиатрическими, предназначены для детей. Стандартные эндоскопы для проведения исследований у взрослых варьируют в размерах от 9 до 9,9 мм.

«По желанию пациента могут использоваться более тонкие педиатрические эндоскопы, переносится такая процедура действительно легче, но такие эндоскопы имеют малый инструментальный канал (это канал, через который врачи заводят щипцы и другие инструменты), не весь набор инструментов есть для таких тонких эндоскопов. Если например, во время обследования пациента таким тонким эндоскопом потребуется извлечение какого-то образования с помощью ножа, такого ножа может и не быть вообще», — объясняет заведующий отделением.

Кроме того, тонкий эндоскоп очень гибкий, легко гнется, и его сложно проводить в отдаленные участки, например в вертикальную ветвь 12-перстной кишки, то есть нельзя выполнить полноценную процедуру. В тонких эндоскопах материал берется специальными щипчиками малого диаметра, и взятый материал может оказаться малоинформативным, так как кусочки материала могут оказаться слишком маленькими.

ЭНДОСКОПИЯ ПОД СЕДАЦИЕЙ

«Эндоскопия под седацией — это очень комфортно. Седация помогает и пациенту избежать стресса, и врачу, который спокойно сможет выполнять процедуру. Я за седацию», — высказал свое мнение заведующий эндоскопическим отделением.

Как проводится седация? Анестезиолог консультирует пациента, и если нет противопоказаний, то вводится препарат.

«По сути, наркоз – это медикаментозный сон, гасится рвотный рефлекс, пациент спит. Как только мы завершаем процедуру, подача препарат прекращается, и пациент просыпается, какое-то время он отдыхает. Гастроскопию лучше проводить под наркозом, чтобы была возможность омыть желудок, не спеша осмотреть каждый сантиметр, использовать дополнительные функции увеличения, прокрашивания», — считают врачи.

При бронхоскопии седация не рекомендована ввиду того, что эндоскопист не может давать команды пациенту, например, «подышите, наклонитесь или повернитесь». Кашлевой рефлекс при наркозе сохраняется, пациент кашляет точно так же, как если бы не спал. Это создает сложности для полноценной диагностики. Бронхоскопия довольно неплохо переносится и без седации.

ЧТО ВАЖНЕЕ В ЭНДОСКОПИИ: ХОРОШЕЕ ОБОРУДОВАНИЕ ИЛИ ОПЫТНЫЙ ВРАЧ?

«Основные составляющие успешной процедуры эндоскопии – в первую очередь это хорошее оборудование, которое фактически является глазами и руками врача-эндоскописта. Второй момент – это, конечно, опыт специалиста. Желательно, чтобы врач-эндоскопист имел специализацию по гастроэнтерологии, разбирался в хирургии. Опыт обязателен. Опыт подсказывает, где заострить внимание, в каком участке может быть злокачественное новообразование, с какой стороны лучше взять полипы и так далее», — объясняет заведующий эндоскопическим отделением.

ЭНДОСКОПИЯ В РАННЕЙ ДИАГНОСТИКЕ РАКА

Рак пищевода, рак желудка, рак толстой кишки, рак легкого и рак молочной железы занимают лидирующие позиции в Казахстане. Эндоскопия позволяет детально осмотреть слизистую оболочку, увидеть любые даже микроскопические изменения, характерные для раковых и предраковых состояний. И самое главное, взять с измененных участков биопсию. Ни один другой метод не позволяет этого сделать. Эндоскопия – это золотой стандарт в диагностике онкозаболеваний ЖКТ.

«В Казахстане благодаря колоректальному скринингу и работе онкологических центров, где проводятся полипэктомии, мы практически не встречаем больших и запущенных образований в толстом кишечнике. На протяжении последних 6-7 лет мы регулярно удаляем полипы на ранних стадиях. Любой удаленный полип из толстой кишки – это вложение в будущее, в свое здоровье, профилактика развития рака толстой кишки», — отмечает заведующий эндоскопическим отделением Онкологического центра томотерапии UMIT.

КАК ЧАСТО НУЖНО ПРОХОДИТЬ ЭНДОСКОПИЧЕСКИЕ ОБСЛЕДОВАНИЯ?

Врачи-эндоскописты Онкологического центра томотерапии UMIT рекомендуют: «У нас в Казахстане в рамках колоректального скрининга сначала пациентам предлагается сдать анализ кала на скрытую кровь, и если в кале обнаруживается кровь, то вторым этапом проводят колоноскопию. Но здесь есть нюанс – при небольших полипах в толстой кишке, размером порядка 2-5 мм, кровотечения не будет, но такой полип уже есть и видим глазом. Когда в кале появляется кровь – это сигнал того, что образование в кишке уже большого размера, оно распадается и кровоточит. Поэтому колоноскопию после 50 лет следует проходить раз в пять лет независимо от того, есть у вас какие-то симптомы или нет. А если есть такие симптомы, как вздутие живота, ложные позывы, кровь в стуле, слизь в стуле, длительные поносы, то колоноскопию следует проводить с более раннего возраста».

Гастроскопию врачи рекомендуют проходить один раз в два года, начиная с 50 лет — если нет симптомов. При нарушении прохождения пищи, рвоте, изжоге, отрыжке, боли в животе рекомендовано проходить гастроскопию намного раньше. Если есть эрозивные или язвенные поражения, то гастроскопию нужно проходить в сезонные обострения раз в год – либо осенью, либо весной, когда это обострение возникает.

ЗАЧЕМ НУЖНА КОЛОНОСКОПИЯ?

Колоноскопия позволяет врачу исследовать слизистую оболочку толстой кишки на наличие каких-либо изменений. При колоноскопии врач вставляет тонкую гибкую трубку в задний проход пациента и медленно продвигает ее в прямую и толстую кишку. Колоноскоп имеет собственный объектив и источник света, что позволяет врачу просматривать изображения на видеомониторе. Как правило, подготовка к колоноскопии состоит из ограниченной диеты за день до процедуры и приема внутрь специального очищающего раствора или слабительных средств. Чтобы процедура была точной и всеобъемлющей, толстая кишка должна быть полностью чистой, поэтому обязательно следуйте инструкциям врача.

Колоноскопия хорошо переносится и редко вызывает сильную боль. Во время процедуры пациент может почувствовать давление, вздутие живота или спазмы.

В ЧЕМ ОПАСНОСТЬ ПОЛИПОВ ТОЛСТОЙ КИШКИ?

Полипы — это аномальные образования в слизистой оболочке толстой кишки, которые обычно доброкачественные. Они различаются по размеру от крошечной точки до нескольких сантиметров. Поскольку рак начинается с полипов, их удаление является важным средством предотвращения колоректального рака.

«Весь смысл скринингов заключается в том, чтобы найти любое, даже очень маленькое образование. Не стоит волноваться, когда у вас что-то находят. Это значительно снизит риск опухоли толстой кишки в будущем. Большинство злокачественных новообразований ЖКТ растут именно из полипов», — говорит заведующий эндоскопическим отделением.

На качественном современном оборудовании есть возможность найти даже самые мелкие новообразования величиной до 5-7 мм и сразу же путем осмотра без биопсии определить, доброкачественный это процесс или злокачественный. Полипы размером 5-7 мм удаляются сразу же при первом обнаружении. С полипов большего размера чаще всего берется биопсия для гистологического исследования. После результатов гистологии такие полипы также удаляются. Чем больше полип, тем больше вероятность, что там уже произошли злокачественные изменения.

КАК ПРОВОДЯТ БРОНХОСКОПИЮ?

Бронхоскопия — это осмотр дыхательных путей с помощью бронхоскопа. Это достаточно сложная манипуляция, аппарат заводится через гортань и голосовые связки.

Перед бронхоскопией рекомендовано пройти КТ, по снимкам определяется, какая часть легкого, какой сегмент поражен, это периферическое или центральное образование. Метод бронхоскопии позволяет обследовать и взять анализ в центральных образованиях. Периферийные опухоли не доступны для бронхоскопии.

Основная цель бронхоскопии – это получить материал для гистологии для подтверждения опухолевого процесса. Под контролем снимков КТ бронхоскоп заводится целенаправленно в тот сегмент, где есть образование.

ЗАЧЕМ ДЕЛАЮТ БИОПСИЮ?

«Биопсия – это мощнейшее орудие в руках врача-клинициста. Только на основании гистологии можно поставить правильный диагноз и назначить адекватное и правильное лечение. Образец берется с помощью маленьких стерильных щипчиков с изменённых участков слизистой, с каких-либо образований, с полипов, с язвы (с эрозий биопсия не берется). Щипцами отрывается кусочек ткани от 3 до 5 мм. Оставшиеся дефекты слизистой, как правило, не кровоточат, эти ранки заживают быстро и бесследно. Например, с помощью микроскопического исследования кусочка ткани определяют наличие хеликобактер пилори — причины язвы», — рассказывает заведующий эндоскопическим отделением.

КАК НАЙТИ ХОРОШЕГО ЭНДОСКОПИСТА?

Раньше врачей-эндоскопистов специально не готовили, это были либо хирурги, либо гастроэнтерологи, либо гинекологи. Прорыв произошел за последние 5-6 лет. Даже в небольших городах появились современные эндоскопические стойки, но не хватает специалистов.

«Сейчас в Казахстане создано эндоскопическое общество, мы проводим мастер-классы, семинары для подготовки специалистов на базе Онкологического центра томотерапии UMIT. Мы хотим популяризировать специальность врача-эндоскописта, рассказать о ее важности и значении. Также мы хотим, чтобы пациенты знали: с помощью современного эндоскопа можно сделать очень многое в плане правильной диагностики различных заболеваний», — резюмирует заведующий Онкологическим центром томотерапии UMIT.

Онкологический центр томотерапии UMIT расположен в столице Казахстана, городе Нур-Султане, и предлагает полный спектр медицинских услуг по ранней диагностике и лечению раковых заболеваний. В центре собрана команда опытнейших врачей и специалистов: онкологи, маммологи, химиотерапевты, радиологи, эндоскописты, дерматологи, хирурги, медицинские физики и т.д. К услугам пациентов полные Check-Up программы для диагностики всего организма.

Для лечения онкологических заболеваний в центре применяют самый современный метод лучевой терапии – томотерапию. Лучевая терапия – это один из основных методов лечения рака.  Томотерапия, благодаря новым технологическим решениям, обеспечивает более точное облучение опухоли и сводит к минимуму воздействие излучения на окружающие здоровые ткани.  А это означает, что пациенты получают гораздо меньше побочных эффектов.

Кишечные полипы и рак толстой кишки

07.09.2021

Заболевания кишечника и прямой кишки, к сожалению, довольно распространены в нашей стране, и, например, страшный рак толстой кишки

является одним из самых распространенных видов рака в нашей стране. Этому виду рака могут предшествовать так называемые кишечные полипы —

наросты на поверхности слизистой оболочки кишечника.

Их присутствие не всегда сразу означает наличие проблемы, но игнорировать их тоже не стоит.

Кишечные полипы сами по себе не означают рак, но со временем они могут перерасти в него. Особое беспокойство вызывают полипы больших размеров,

полипы необычной формы и т.д. Обычно рекомендуется их удалить, а затем исследовать микроскопически, чтобы выяснить, содержит ли их ткань раковые

клетки и может ли она привести к образованию опухоли.

Почему образуются полипы в кишечнике?

Считается, что полипы и их возникновение напрямую связаны с питанием и общим образом жизни человека, хотя генетика также играет определенную роль.

Риск заболевания увеличивается с возрастом, как и количество и размер полипов. Чем больше количество и размер полипов, тем выше риск перерождения

полипа в злокачественную опухоль. Что касается диеты, то рискованными считаются животные жиры и красное мясо — говядина, свинина, оленина.

Кроме того, частое употребление жареной пищи и колбас, употребление алкоголя и курение. Все это способствует избыточному выделению желчных кислот,

которые могут способствовать образованию и росту полипов. И наоборот, чтобы снизить риск возникновения полипов, следует включить в рацион больше рыбы

и птицы, большое количество фруктов и овощей, натуральных источников клетчатки и жидкости.

 

Когда вы можете быть подвержены риску возникновения полипов кишечника и как их обнаружить?

Полипы обычно угрожают людям с избыточным весом и ослабленным иммунитетом, а также тем, кто испытывает дефицит кальция или клетчатки.

Наличие полипов в кишечнике можно выявить с помощью профилактического обследования кала. После 50 лет каждый человек имеет право раз в год

сдавать «анализ кала на скрытое кровотечение». Однако если вы заметили такие проблемы, как кровь или слизь в стуле, длительную диарею или запор,

как можно скорее обратитесь к врачу. Если первый осмотр вызывает подозрение, врач направит вас на так называемую колоноскопию.

Анализ на фекальное оккультное кровотечение и колоноскопия

Тест на оккультное или скрытое кровотечение в стуле прост и безболезнен. На самом деле это просто взятие образца кала, в котором с помощью дополнительных

химических веществ обнаруживаются следы крови, невидимые невооруженным глазом. Наличие крови в кале может указывать на злокачественную опухоль кишечника.

В случае положительного теста врач направит вас на колоноскопию, при которой с помощью эндоскопа можно осмотреть весь толстый или тонкий кишечник и прямую кишку.

Этот метод обследования также проводится при подозрении на геморрой, полипы, воспалительные и онкологические заболевания кишечника.

Образцы тканей также могут быть взяты таким образом.

Рак толстой кишки — симптомы, лечение и профилактика

Симптомы рака толстой кишки включают боль в животе из-за кишечной непроходимости, скрытое кровотечение в кишечнике и, например, видимую и

прощупываемую припухлость — опухоль в брюшной полости. Затем появляются, например, отсутствие аппетита и потеря веса, пожелтение вокруг глаз,

заметная усталость. Лечение и его метод зависят от стадии заболевания и его типа. После операции, которая может привести, если это возможно, к полному

удалению опухоли, может последовать химиотерапия. Лучший способ предотвратить рак толстой кишки — это регулярное профилактическое обследование

кишечника и здоровое питание, богатое, в частности, витамином D, кальцием и клетчаткой.

Навигация по записям

Диагностика полипов толстой кишки | НИДДК

Как врачи диагностируют полипы толстой кишки?

Врачи могут обнаружить полипы толстой кишки только с помощью определенных тестов или процедур, таких как колоноскопия или визуализирующее исследование. Ваш врач может сначала изучить медицинский и семейный анамнез и провести медицинский осмотр, чтобы решить, какой тест или процедура лучше всего подходят для вас.

Например, ваш врач может спросить, есть ли у вас какие-либо симптомы. Он или она может также спросить, были ли в вашей семье случаи полипов толстой кишки или колоректального рака.После изучения медицинского и семейного анамнеза врач может провести медицинский осмотр.

Ваш врач может обнаружить полипы толстой кишки только с помощью определенных тестов или процедур.

Испытания и процедуры

  • Гибкая ректороманоскопия. Для гибкой сигмоидоскопии обученный медицинский работник использует сигмоидоскоп — гибкую узкую трубку со светом и крошечной камерой на одном конце — чтобы заглянуть внутрь прямой и нижней части толстой кишки. Гибкая ректороманоскопия может показать раздраженную или опухшую ткань, язвы, полипы и рак.
  • Колоноскопия. Во время колоноскопии квалифицированный медицинский работник использует длинную, гибкую, узкую трубку с легкой и крошечной камерой на одном конце, называемую колоноскопом, чтобы заглянуть внутрь прямой и толстой кишки. Колоноскопия может показать раздраженные и опухшие ткани, язвы, полипы и рак.
  • Виртуальная колоноскопия. Виртуальная колоноскопия использует рентгеновские лучи и компьютер для создания изображений прямой и толстой кишки снаружи тела. Виртуальная колоноскопия может показать язвы, полипы и рак.Врачи не могут удалить полипы во время виртуальной колоноскопии.
  • Серия для нижнего отдела желудочно-кишечного тракта. Для исследования нижних отделов желудочно-кишечного тракта (ЖКТ) врач использует рентгеновские лучи и раствор бария в виде мела для осмотра толстой кишки. Барий облегчит визуализацию толстой кишки на рентгеновском снимке. Серия нижних отделов желудочно-кишечного тракта также называется бариевой клизмой.

Этот контент предоставляется как услуга Национального института диабета, болезней органов пищеварения и почек. (NIDDK), часть Национального института здоровья.NIDDK переводит и распространяет результаты исследований для расширения знаний и понимания здоровья и болезней среди пациентов, медицинских работников и общественности. Контент, созданный NIDDK, тщательно проверяется учеными NIDDK и другими экспертами.

Обнаружение полипов толстой кишки с помощью нового полного анализа крови на основе полимерного образца | Journal of Translational Medicine

Это исследование было предпринято для оценки диагностической точности новой неинвазивной диагностической лабораторной методологии с использованием рутинно взятых образцов крови и PSP для обнаружения полипов аденомы.У пациентов, прошедших скрининговую колоноскопию и гистологическое исследование, была доказана чувствительность 72,4% и специфичность 62,3%. В западных обществах злокачественные заболевания занимают второе место среди причин смерти, уступая лишь сердечно-сосудистым заболеваниям. Колоректальный рак (КРР) занимает третье место среди заболеваний с растущей заболеваемостью. Выявление предшественников на ранних стадиях заболевания имеет решающее значение для снижения смертности от КРР. Частота лиц, решивших добровольно пройти профилактическое обследование, предлагаемое в настоящее время для всех лиц старше 55 лет в Германии, очень низкое.На самом деле, она так же низка, как чувствительность полностью неинвазивного метода выявления риска с использованием анализов кала. Несмотря на увеличение общественного признания тестирования FOB, не ожидается увеличения его чувствительности для обнаружения полипов.

Анализ кала на скрытую кровь

Анализ кала на скрытую кровь (FOB) — это простой неинвазивный тест, который может выполнять большинство врачей первичного звена. Есть несколько исследований, предполагающих, что ежегодное тестирование FOB, особенно в сочетании с ректороманоскопией, может снизить смертность от колоректального рака. В последние годы возникли некоторые разногласия относительно эффективности различных типов тестов FOB, поскольку в целом известно, что они дают большое количество ложноположительных результатов. В скрининговых испытаниях CRC от 0,8% до 15% протестированных участников имели положительный результат теста FOB, в то время как 55–65% участников с положительным результатом теста FOB не имели колоректального рака или аденомы [12–15].

Оригинальные тесты FOB, также называемые тестами на основе гваяковой кислоты или gFOBT, обнаруживают гем, полученный из крови в стуле.В 2001 году был введен новый класс тестов FOB, называемых фекальными иммунохимическими тестами (FIT), которые обнаруживают глобин в фекалиях, а не гем. Благодаря обнаружению глобина тесты становятся более чувствительными и специфичными для более низких уровней желудочно-кишечных кровотечений. Хотя эти более совершенные тесты FIT в настоящее время рекомендуются вместо традиционного ежегодного стандартного FOBT с гваяковой кислотой, старые тесты FOB все еще широко используются [16, 17]. Сравнительная оценка иммунохимических исследований кала на скрытую кровь для выявления колоректальной аденомы представлена ​​в таблице 2.

Таблица 2 Сравнительная оценка иммунохимических анализов кала на скрытую кровь для выявления колоректальной аденомы [17]

Виртуальная колоноскопия

Виртуальная колоноскопия — это исследование, используемое для выявления изменений или аномалий в толстой и прямой кишке. Во время виртуальной колоноскопии компьютерная томография (КТ) используется для получения сотен изображений поперечных сечений органов брюшной полости. Изображения объединяются и обрабатываются в цифровом виде, чтобы обеспечить детальное представление внутренней части толстой и прямой кишки.В отличие от традиционной колоноскопии, виртуальная колоноскопия не требует седативных средств или введения эндоскопа в толстую кишку. Отрицательным фактором остается высокая стоимость КТ-исследований как инструмента скрининга.

Колоноскопия

Для пациентов с положительным результатом теста на кровь в кале (положительный тест FOB или FIT) колоноскопия является обязательной. Колоноскопия в настоящее время признана наиболее точным методом обнаружения полипов толстой кишки, а также позволяет одновременно удалить большинство поражений. Резецированные полипы обычно исследуются патологически и классифицируются как доброкачественная аденома (трубчатая, трубчато-ворсинчатая или ворсинчатая), карцинома in situ или инвазивный рак.Соответствующее последующее обследование, обычно колоноскопия, является обязательным для пациентов с положительными результатами первого обследования. Поскольку большинство клинически значимых полипов толстой кишки располагаются дистальнее селезеночного изгиба, гибкая ректороманоскопия может быть разумной альтернативой колоноскопии. Тем не менее, поражения в правой части толстой кишки могут остаться незамеченными, и тем пациентам, у которых обнаружен полип при гибкой сигмоидоскопии, также потребуется полная колоноскопия, поэтому они подлежат обоим тестам [18-20].

ПСП-тест

ПСП-тест – это лабораторный метод, основанный на термической денатурации венозной крови с последующим ресуспендированием, сушкой и кристаллографическим считыванием. Кристаллографические методы характеристики биологических материалов в неоднородных, очень сложных жидкостях организма давно используются в диагностических исследованиях. Цереброспинальная жидкость, слюна и цервикальная слизь успешно лечатся кристаллографически и подвергаются различным видам диагностики [21–25].Разработанные в настоящее время методики анализа ПСП требуют качественного анализа микроскопических текстур врачом-лаборантом (читателем).

Паттерны связаны с различными патологическими процессами. Их состав был проанализирован с помощью электронной микроскопии, и радиологические измерения (SEM-EDX: сканирующая электронная микроскопия (SEM) с энергодисперсионной рентгеновской спектрометрией (EDX) для характеристики частиц с использованием автоматизированного электронного луча) могут использоваться для мониторинга производственного процесса.Электронная микроскопия дает не только визуальную информацию об органических и неорганических субмикронных частицах (размер, форма и морфология), но и химическую идентификацию на основе рентгеновских энергетических линий, эмпирических оценок и биохимических методов. Комплекс электронно-микроскопических и радиологических методов необходим только на этапе исследования. Поскольку оптические структуры обезвоженных конечных продуктов однозначно узнаваемы, можно использовать оптическую световую микроскопию, которая требует меньше подготовки образцов.

Оценка результатов анализа PSP включает обработку больших объемов данных, которая до сих пор выполнялась визуально на основе сопоставления с образцом. Тем не менее, чтобы облегчить более широкое внедрение PSP и интеграцию в повседневную практику, необходимо будет подтвердить тест посредством дальнейших лабораторных испытаний [6]. Обнаружение взаимосвязи между моделями заболеваний и исходами при анализе полимеров является серьезной технологической задачей, поскольку анализируемые структуры могут сильно различаться по форме, размеру, составу и структуре.Поэтому многие аналитические методы, которые измеряют эти текстуры, берут только среднее значение по большому их набору и не измеряют отдельные свойства.

Одной из уникальных характеристик методики INDAGO является способность обеспечивать стабильность рисунка, формы, размера, состава и структуры на протяжении всего этапа денатурации цельной крови, что ранее считалось невозможным. В результате впервые стало возможным разработать базовое понимание взаимосвязи между результатами анализа и заболеванием.Это отнимает много времени и в некоторой степени субъективно, так как сильно зависит от личного опыта. Хотя INDAGO находится в процессе автоматизации процесса оценки, для целей этого испытания два независимых лаборанта оценили результаты в замаскированных условиях. Для оценки диагностической точности окончательный результат был получен в соответствии со следующими правилами: Если два читателя соглашались с положительным или отрицательным результатом теста, этот результат теста использовался как окончательный результат теста.Если результаты двух считывателей были разными (например, положительные для считывателя 1 и «не поддающиеся оценке» для считывателя 2), окончательный результат определялся на совещании двух считывателей. Для встречи аликвоты (но не образцы) не были ослеплены с помощью TRM.

Таким образом, для расчета первичных и вторичных конечных точек было использовано около 220 тестов. В этом исследовании анализ ПСП по сравнению с полной колоноскопией в качестве эталона с собственной чувствительностью около 80% показал чувствительность низкого риска 72.4% при специфичности 62,8%. Мы считаем, что это впервые дает возможность эффективно идентифицировать кандидатов с самым высоким риском для эндоскопии. Этот улучшенный скрининг способствует конечной цели снижения заболеваемости или смертности от колоректального рака в выбранной популяции. Большое количество ложноположительных результатов ПСП может быть связано с относительно низкой чувствительностью колоноскопии (76% для небольших полипов), которая считается методом обнаружения «золотого стандарта». Примечательно, что анализ ПСП может сохранить социально-экономические ресурсы за счет выявления и проведения эндоскопии большего количества «правильных» и меньшего количества «неправильных» пациентов и перевода их на лечебную профилактику посредством полипэктомии или раннего выявления КРР. Благодаря сочетанию хорошо зарекомендовавших себя элементов скрининга с низким уровнем риска с диагностическим тестом на основе анализа крови, таким как ПСП, который имеет хорошую приемлемость, чувствительность и специфичность, ожидается увеличение достоверной оценки риска пациента для CRC перед колоноскопией. Ожидается, что в среднесрочной перспективе общественное признание колоноскопии улучшится, что станет важным преимуществом для профилактической медицинской помощи.

Исходя из существующих схем последующего наблюдения или профилактического контроля, введение анализа крови на ПСП приведет к лучшему и более индивидуальному уходу за пациентами.Тест определяет последовательности полимеров, характерные для аденомы/карциномы толстой кишки, по отдельности в любом выбранном интервале времени. Примечательно, что ни один случай аденокарциномы не был пропущен при тестировании PSP. Кроме того, с хорошей чувствительностью выявлялись полипы на широком основании. При использовании PSP-анализа риск для пациента чрезвычайно низок, поскольку забор крови обычно считается, по крайней мере при нормальных обстоятельствах, процедурой с «низким риском».

По данным Института Роберта Коха, средний возраст, в котором заболевают раком, составляет 73 года (женщины) и 68 лет (мужчины) [1].Каждый год в Германии более 70 000 мужчин и женщин заболевают раком кишечника и 30 000 умирают от него. В октябре 2002 г. законодательные органы внесли поправки в положения закона, регулирующие раннее выявление рака кишечника. В возрасте от 50 до 55 лет предлагается один ежегодный анализ кала на скрытую кровь (FOBT).

На 56-м году жизни все участники обязательного страхования имеют право на первую колоноскопию.

Из-за страха, стыда, неуверенности, репрессий и отсутствия знаний это бесплатное предложение используется только с колебаниями.Кроме того, иногда длительное время ожидания увеличивает такие личные сомнения людей в отношении очистки кишечника. Поэтому необходимо принять меры для увеличения скорости раннего выявления.

Будучи неинвазивным методом, PSP-анализ крови удобен для пациента и, таким образом, вносит важный вклад в более широкое признание профилактических мер и участие в регулярных профилактических осмотрах на предмет рака кишечника.

Не менее важно то, что тест PSP обнаруживает полипы высокого риска, которые, если оставить их в покое, непосредственно приведут к раку.Их удаление — очень эффективный способ предотвратить развитие рака толстой кишки.

В ходе аутопсии было показано, что полипы толстой кишки встречаются более чем у 30% людей старше 60 лет, а в недавних исследованиях широкомасштабный скрининг (более 250 000) бессимптомных немецких пациентов старше 55 лет показал, что они были обнаружены у 20% иметь неоплазию толстой кишки s. Это же исследование также показало, что у 7% была диагностирована запущенная аденома, а инвазивный рак был продемонстрирован у 0,8% населения [26].

Рак толстой кишки представляет собой одну из наиболее важных причин смерти пожилых людей. Полипы считаются предраковыми и причиной этого заболевания. Несмотря на значительное количество ложноотрицательных результатов и в целом плохое восприятие пациентами, скрининг по-прежнему проводится с помощью колоноскопии. В отличие от этого, относительная неинвазивность ПСП-анализа, нового анализа крови, требующего только простого забора крови, обеспечивает лучшую приемлемость для пациентов, а также обеспечивает чувствительные и селективные средства для раннего выявления полипов толстой кишки, особенно полипов высокого риска. полипы, которые, если их оставить на месте, могут привести непосредственно к раку.

Создание набора данных и сравнительная оценка

Abstract

Колоректальный рак (КРР) — один из наиболее распространенных видов рака с высокой смертностью. Колоноскопия является предпочтительной процедурой для скрининга CRC и доказала свою эффективность в снижении смертности от CRC. Таким образом, надежная компьютерная система обнаружения и классификации полипов может значительно повысить эффективность колоноскопии. В этой статье мы создаем набор эндоскопических данных, собранных из различных источников, и с помощью опытных гастроэнтерологов аннотируем основные факты о расположении полипов и результаты классификации.Набор данных может служить эталонной платформой для обучения и оценки моделей машинного обучения для классификации полипов. Мы также сравнили производительность восьми современных моделей обнаружения объектов на основе глубокого обучения. Результаты показывают, что глубокие модели CNN перспективны для скрининга CRC. Эта работа может служить основой для будущих исследований в области обнаружения и классификации полипов.

Образец цитирования: Li K, Fathan MI, Patel K, Zhang T, Zhong C, Bansal A, et al.(2021)Обнаружение и классификация полипов при колоноскопии: создание набора данных и сравнительные оценки. ПЛОС ОДИН 16(8): е0255809. https://doi.org/10.1371/journal.pone.0255809

Редактор: Гулистан Раджа, Инженерно-технологический университет, Таксила, ПАКИСТАН

Получено: 5 февраля 2021 г .; Принято: 25 июля 2021 г .; Опубликовано: 17 августа 2021 г.

Авторское право: © 2021 Li et al.Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Мы сделали данные доступными. Ссылка на данные https://doi.org/10.7910/DVN/FCBUOR.

Финансирование: Г.В. Грант нет. 1R03CA253212-01 Национальный институт здравоохранения (NIH) https://www.nih.gov/. Спонсоры не участвовали в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Нет авторов с конкурирующими интересами.

Мотивация

Колоректальный рак (КРР) — одно из наиболее распространенных онкологических заболеваний, диагностируемых во всем мире [1, 2]. По данным обоих полов, КРР составляет 10,2% всех случаев рака в 2018 году, занимая третье место по распространенности после рака легких (11,6%) и рака молочной железы (11,6%) [3]. Это второй по смертности рак, вызывающий 9,2% от общего числа смертей от рака [3].По статистике [2] почти в равной степени страдают и мужчины, и женщины. Тем не менее, несмотря на высокие показатели заболеваемости и смертности, с 1980 г. смертность от КРР снижается с ускорением темпов снижения как у мужчин, так и у женщин [4]. Эта тенденция в основном отражает прогресс, достигнутый в области раннего выявления и лечения.

Раннее выявление играет важную роль в борьбе с CRC. Это не только снижает смертность, но и предотвращает чрезмерную стоимость лечения за счет диагностики до того, как КРР распространится на отдаленные органы [5].Согласно [2], стадии, на которых диагностировано заболевание, высоко коррелируют с выживаемостью: 5-летняя выживаемость составляет 90% для локализованной стадии, 70% для регионарной стадии и 10% для отдаленного метастатического рака. Еще одна причина, по которой мы должны полагаться на раннее выявление, связана с характером симптомов и развитием CRC. Несмотря на то, что до достижения опухолью определенного размера (как правило, нескольких сантиметров) [5] никаких симптомов не наблюдается, обычно для развития КРР требуется от нескольких лет до десяти лет [6], начиная с предраковых полипов. Оба факта в совокупности показывают важность и потенциал диагностики КРР путем регулярного скрининга на ранней стадии, даже до того, как полипы станут злокачественными.

Варианты скрининга CRC

Существует несколько распространенных вариантов скрининга КРР, которые можно условно разделить на две категории: визуальные осмотры и анализы кала. Каждый метод имеет свои преимущества и ограничения. Оценка должна учитывать широкий спектр факторов, включая статистические данные и психологические эффекты.Важнейшим показателем, как и многих других скрининговых тестов, является «чувствительность» [5], которую в некоторых других областях также называют «отзывом», определяемая как процент пациентов с фактически выявленным заболеванием. Из чувствительности мы знаем, что пациент может уйти из клиники с незамеченным поражением, последствия которого могут быть тяжелыми. Поэтому во многих случаях это самый важный показатель для оптимизации.

Другим статистическим показателем, который часто используется вместе с чувствительностью, является «специфичность», которая измеряется как доля здоровых людей, которые были правильно идентифицированы. Это указывает на способность теста ложно обнаруживать поражения у здоровых клиентов. Это вызовет психический стресс у клиентов, а последующее лечение может привести к ненужному физическому вреду и финансовым затратам. Таким образом, тест с высокой специфичностью также является предпочтительным. Для метода скрининга в реальных клинических условиях обычно существует компромисс между чувствительностью и специфичностью. Поскольку последствия пропуска поражения намного серьезнее, чем ложный диагноз, чувствительность обычно предпочтительнее, чем специфичность.Скрининг с более высокой специфичностью всегда может следовать за тестом с высокой чувствительностью, чтобы отфильтровать ложно диагностированные случаи [5]. Другие факторы включают в себя простоту подготовки, доступность учреждения, стоимость теста и т. д. Поскольку лица, нуждающиеся в скрининге, часто не имеют симптомов, опыт повлияет на их соблюдение, что является важной частью эффективной программы скрининга. [5]. На следующем занятии обсуждаются некоторые распространенные методы экрана CRC и их свойства.

Колоноскопия — рекомендуемый метод визуального скрининга колоректального рака. К преимуществам колоноскопии относятся высокая чувствительность, возможность удаления очагов при обнаружении и полный доступ к проксимальным и дистальным отделам толстой кишки [5]. Колоноскопия может достигать чувствительности 95% при обнаружении CRC в соответствии с Rex et al. [7]. Недостатки в основном связаны со способом проведения колоноскопии [5, 8]. По крайней мере, за день до теста требуется сложная подготовка кишечника, которая требует от участника изменения диеты и приема лекарств, вызывающих диарею.Во время теста может применяться седация или анестезия, а также существует риск кровотечения после колоноскопии. Таким образом, предлагаемый 10-летний интервал скрининга имеет низкую степень соблюдения [5]. Узкополосная визуализация (NBI) — это недавно разработанный метод изменения источника света с использованием оптических фильтров в эндоскопической системе [9]. По сравнению с обычной колоноскопией усиленный свет определенной длины волны может лучше представить морфологию слизистой оболочки и сосудистую картину [10]. Исследования показывают, что NBI лучше выявляет CRC, чем обычная колоноскопия [9, 10].

Компьютерная томография (КТ) Колоноскопия — это структурное рентгенологическое исследование, при котором используется программное обеспечение для реконструкции трехмерных изображений всей толстой кишки для выявления поражений. Хотя чувствительность КТ-колоноскопии несколько ниже (более 90%), менее инвазивный характер КТ-колоноскопии приводит к более высокому уровню участия [11, 12]. Ограничения включают неприятную подготовку кишечника перед тестом, неудобное наполнение толстой кишки воздухом во время теста и опасения по поводу безопасности при использовании радиации.По сравнению с колоноскопией, КТ-колоноскопия изучена недостаточно, т.е. , неопределенный интервал скрининга [5]. В связи с тем, что КТ-колоноскопия требует повторной колоноскопии при выявленном поражении, а ее чувствительность сильно зависит от опыта радиологов, она рекомендуется только лицам, физическое состояние которых не подходит для инвазивного исследования толстой кишки [5]. Аналогичный метод скрининга, двухконтрастная бариевая клизма, также не рекомендуется из-за аналогичных ограничений и еще более сложных процедур [13].

Ректороманоскопия аналогична колоноскопии, но позволяет получить доступ только к дистальной части толстой кишки. Он обладает той же высокой чувствительностью, что и колоноскопия, и может удалить поражение при обнаружении. Кроме того, он требует менее сложной подготовки кишечника и обычно не требует седации [13]. Однако ректороманоскопия имеет ограниченный доступ только к дистальному отделу толстой кишки, а не к проксимальному отделу, что делает ее менее эффективной из-за более высокого риска проксимального колоректального рака у пожилых людей и женщин [13].Поэтому рекомендуется сочетать ректороманоскопию с другими методами скрининга [5].

Беспроводная капсульная эндоскопия использует миниатюрную камеру в проглатываемой капсуле для передачи изображений желудочно-кишечного тракта на портативные приемные устройства, которые можно легко носить [14]. Хотя типичное обследование занимает около 7 часов [15], этот процесс не влияет на качество жизни пациентов по сравнению с другими методами. Эта беспроводная капсула также может исследовать всю тонкую кишку, что недоступно для других методов эндоскопии [15].Тем не менее, беспроводная капсульная эндоскопия имеет и некоторые недостатки. Например, у него нет терапевтических возможностей [15]. Кроме того, в отличие от других методов, в отличие от других методов, при этом не получаются изображения растянутой кишки [15], практикующие врачи нуждаются в обучении интерпретации изображений.

Анализ кала на скрытую кровь (FOBT) и иммунохимический анализ кала (FIT) обнаруживают гемоглобин в стуле, чтобы указать, существует ли поражение. Оба теста неинвазивны и их легко проводить даже в домашних условиях, но их чувствительность страдает на более ранних стадиях поражения из-за менее частых кровотечений [5].Кроме того, некоторые приемы пищи могут изменить результаты тестов, снижая показатели FOBT и FIT.

Существуют и другие скрининговые тесты, такие как тест ДНК, беспроводная капсульная эндоскопия и т. д. Однако из-за низкой чувствительности и отсутствия достаточных поддерживающих исследований обычно требуется последующая колоноскопия при положительном результате.

голов

В качестве эталонного скринингового теста на КРР колоноскопия имеет очевидные преимущества перед альтернативами. Однако его эффективность зависит от нескольких переменных, таких как подготовка кишечника, количество полипов и часть толстой кишки, в которой расположены полипы [16–18].Кроме того, человеческий фактор может влиять на чувствительность и специфичность скрининга. Неопытные гастроэнтерологи имеют более высокие показатели обнаружения промахов по сравнению с хорошо обученными. Согласно Leufkens et al. [17], участники до тренировки показали значительно более низкие результаты, чем результаты после тренировки. Колоноскопия также подвергается физической и умственной усталости гастроэнтерологов. Процесс скрининга требует длительной концентрации и обычно повторяется в течение дня.Исследование Chan et al. [16] показали, что при утреннем скрининге выявляется на 20% больше полипов.

Очевидно, что для помощи врачам в обнаружении и классификации поражений необходима детальная структура глубокого обучения для автоматического обнаружения полипов. Эта структура глубокого обучения может помочь врачам во время скрининга в режиме реального времени и подскажет обнаруженную область и категорию полипа. Таким образом, такая компьютеризированная система может помочь устранить процент промахов из-за физической и умственной усталости и позволить гастроэнтерологам сосредоточиться на областях, где действительно существуют поражения.Эта автоматизированная система также обеспечивает высокую производительность в клиниках, где доступ к опытным гастроэнтерологам затруднен. Точная система обнаружения также может повысить скорость обнаружения предраковых полипов меньшего размера с использованием моделей сверточной нейронной сети (CNN). Чувствительность текущей колоноскопии снижается по мере уменьшения размера толстой кишки [5, 6, 13]. Это можно улучшить, потому что современные модели CNN могут извлекать признаки из объектов в разных масштабах.

Для использования полного потенциала моделей глубокого обучения требуются большие наборы данных.Недавние эталонные наборы данных для общих задач компьютерного зрения содержат более 10 90 134 тыс. 90 135 изображений [19]. Мы хотим создать набор данных для классификации полипов на основе видеороликов процедуры колоноскопии с разумным количеством образцов для обучения моделей глубокой нейронной сети. Изображения в наборе данных содержат полипы разных стадий и представляют разные типы полипов. Мы будем маркировать каждый кадр точным расположением полипов и категориями. Хотя создание такого набора данных занимает много времени и сил, исследовательскому сообществу будет полезно разработать более точные и надежные модели глубокого обучения для достижения более высокого уровня обнаружения и снижения уровня смертности от CRC. Набор данных может также стандартизировать и облегчить обучение медицинских работников эндоскопии.

Используя разработанный набор данных, мы оценили и сравнили производительность современных моделей глубокого обучения для обнаружения и классификации полипов. Набор данных и соответствующие аннотации можно загрузить по адресу https://doi.org/10.7910/DVN/FCBUOR.

Работа по теме

Глубокое обучение привлекает все больше внимания в последние годы благодаря широкому применению в различных областях.Это значительно повышает производительность в таких задачах, как компьютерное зрение, распознавание речи, обработка естественного языка, анализ данных и т. д. [20–25]. Успех во многом обусловлен разработкой глубоких сверточных нейронных сетей (CNN), которые оказались особенно эффективными при извлечении признаков высокого уровня. Среди всех этих областей глубокое обучение добилось огромного успеха в приложениях компьютерного зрения: ранние модели CNN почти вдвое снизили частоту ошибок в задаче классификации ImageNet по сравнению с классическими моделями [21]. В последние годы модели на основе CNN продемонстрировали свои выдающиеся возможности во многих сложных задачах зрения, таких как обнаружение объектов, сегментация изображений, отслеживание объектов и т. д. [26–30].

Компьютерное зрение в медицинских приложениях

Исследователи пытались использовать методы компьютерного зрения в медицинских приложениях еще в 1970 году [31]. В то время обработка изображений была лишь задачей низкого уровня, такой как поиск краев и подгонка базовой формы. По мере того, как модели, созданные вручную, становились все более сложными, некоторые исследования показали успех в таких областях, как обнаружение заметных объектов и сегментация [32, 33].Способность этих моделей анализировать структуру и внешний вид поверхности побуждает их к применению в широком спектре областей медицины, таких как нейропатология, ретинальная, цифровая патология, кардиологическая и абдоминальная [31]. Бернал и др. [34] предложил модель, которая рассматривает полипы как выступающие поверхности и использует информацию о впадинах наряду с полнотой, устойчивостью к ложным откликам, непрерывностью и вогнутостью границ для создания энергетической карты, связанной с вероятностью присутствия полипов. В исследовании [35] модель использует схему выделения цветовых признаков, основанную на вейвлет-разложении, а затем использует линейный дискриминантный анализ для классификации интересующей области. Другие подходы, созданные вручную, можно найти в [36].

Ограничивающим фактором ручных инженерных моделей является потребность исследователей в понимании и разработке фильтров. Они, как правило, работают лучше для низкоуровневых функций. Модели глубокого обучения могут автоматически генерировать параметры с более глубокими слоями и извлекать высокоуровневые семантические функции.Особенно в последние годы было опубликовано много новых моделей [37, 38] и методов [39–42], чтобы установить новые рекорды в различных задачах компьютерного зрения. [43] использует многомасштабную архитектуру с 3 уровнями CNN и 3 уровнями максимального объединения, за которыми следуют полностью связанные уровни. Другая модель использует несколько иной подход, используя 3 различных извлеченных признака, подсказки цвета и текстуры, временные признаки и форму для подачи ансамбля из 3 моделей CNN [44]. Модели глубокого обучения широко применяются для решения медицинских задач, таких как анатомическая классификация, обнаружение поражений, обнаружение и классификация полипов при колоноскопии [45–50].В [45] было проведено сравнение шести классических моделей классификации изображений для определения категорий обнаруженных полипов. Предполагается, что все полипы были обнаружены и вырезаны из исходных последовательностей. Усовершенствованная структура U-Net была предложена в [51] для сегментации полипов. В этой статье мы сосредоточимся на обнаружении полипов с помощью эндоскопических последовательностей, чтобы помочь гастроэнтерологам как в обнаружении полипов, так и в их классификации. Мы оцениваем и тестируем современные модели обнаружения для изображений колоноскопии.

Обнаружение объекта

Различные методы компьютерного зрения могут быть адаптированы для обнаружения полипов, таких как обнаружение объектов, сегментация и отслеживание. Обнаружение объектов принимает изображения в качестве входных данных и генерирует результаты классификации объектов, представленных на изображениях, и соответствующую информацию об их местоположении. Расположение объектов чаще всего определяется прямоугольными ограничивающими рамками. Выходные данные сегментации изображения содержат более подробную информацию, такую ​​как результат классификации для каждого пикселя исходной фотографии, в то время как обнаружение объектов обычно дает только координаты четырех углов каждой ограничивающей рамки.Таким образом, сегментация изображения обычно занимает больше времени. На практике классификация на уровне пикселей не требуется для обнаружения и классификации полипов. В этом исследовании мы сосредоточимся на методах обнаружения объектов. Современные модели обнаружения объектов на основе глубокого обучения можно разделить на две основные категории: двухэтапные детекторы и одноэтапные детекторы.

Двухэтапный детектор состоит из этапа предложения региона, за которым следует этап классификации. Каждый из двух этапов имеет свою собственную глубокую CNN, которая обычно обеспечивает более высокую точность по сравнению с одноступенчатыми детекторами. Однако это также приводит к увеличению времени обработки. Этап предложения региона раньше был узким местом, так как это часто медленный процесс, в то время как современные двухэтапные детекторы используют новые структуры, совместно использующие часть CNN, чтобы ускорить время обработки для приложений реального времени. 52].

Одноэтапный детектор избавляется от этапа предложения региона и объединяет его с этапом классификации, в результате чего получается одноэтапная структура. Он напрямую предсказывает ограничивающие рамки путем плотной выборки всего изображения за один сетевой проход.Благодаря более простой архитектуре он часто обеспечивает производительность в реальном времени. Хотя более ранние модели имели более низкую точность обнаружения, чем двухступенчатые детекторы, они наверстывают упущенное и теперь могут давать сопоставимые результаты.

Модели оценки для обнаружения и классификации

В этом разделе мы кратко представим восемь современных моделей обнаружения и классификации объектов, которые реализованы и оценены в этом сравнительном исследовании.

Быстрее RCNN [52].Faster RCNN представляет собой двухэтапную рамочную модель и одно из семейств сетей RCNN [53, 54]. Он улучшает сеть Fast RCNN, заменяя алгоритм медленного выборочного поиска сетью предложений по регионам, что приводит к более высокой скорости обнаружения. Кроме того, сеть региональных предложений поддается обучению, что потенциально может повысить производительность.

Faster RCNN в основном состоит из двух модулей: модуля сети региональных предложений (RPN) и модуля классификации, как показано на рис. 1.Во-первых, магистральная сеть (например, ResNet 101 [55]) извлекает карты признаков из входного изображения. Затем функции используются как модулем RPN, так и модулем классификации. В ветви RPN будет применено скользящее окно для регрессии местоположений ограничительной рамки и оценок вероятности объекта и необъекта. В каждом месте скользящее окно предсказывает k предопределенных якорных блоков, центрированных на себе, с различными размерами и соотношениями для достижения многомасштабного обучения. С введением RPN время вывода на PASCAL VOC сократилось до 198 мс на графическом процессоре K40 с VGG-16 в качестве основы [52].По сравнению с выборочным поиском это почти в 10 раз быстрее. Вычислительное время этапа предложения сокращается с 1510 мс до всего лишь 10 мс . В совокупности новый более быстрый R-CNN может достигать 5 кадров в секунду (fps).

Рис. 1. Более быстрая структура R-CNN.

Сеть региональных предложений (RPN) использует одну и ту же базовую CNN с быстрой сетью R-CNN. Предложение региона создается путем скольжения небольшой сверточной сети по общим картам объектов, и эти предложения используются для получения окончательных результатов обнаружения.

https://doi.org/10.1371/journal.pone.0255809.g001

YOLOv3 [56]. YOLOv3 — это итеративное улучшение YOLO (You Only Look Once). Он улучшает производительность своих предыдущих версий за счет введения новой магистральной сети, многомасштабного прогнозирования и измененной функции потерь прогнозирования класса.

YOLO — первая модель этой серии YOLO [56–58]. Это одна из новаторских работ по избавлению от стадии предложения региона. Детектор разбивает изображение на S × S сеток.Каждая ячейка отвечает за предсказание наземных истинных объектов с центрами, расположенными внутри ячейки, и каждая ячейка в сетке предсказывает B × (4 + 1 + C ) значений, где B — количество ячеек привязки в каждой ячейке. ячейка 4 + 1 представляет количество ограничивающих рамок и достоверность объекта, а C — общее количество классов. Во второй версии, YOLOv2 и YOLO9000, было представлено несколько приемов оптимизации для повышения производительности, таких как нормализация пакетов, классификатор высокого разрешения, новая сеть, многомасштабное обучение и т. д.Среди оптимизаций наиболее эффективным методом являются априорные измерения, которые ограничивают регрессивные ограничивающие рамки близко к их исходным якорям. Без этого регрессивные прямоугольники могут оказаться в любом месте изображения, что приведет к нестабильному обучению [58]. YOLOv3 постепенно разработал более глубокую CNN, DarkNet-53, из DarkNet-19 [56]. Он также предсказывает объекты в разных масштабах. YOLOv3 обеспечивает производительность в реальном времени. Однако он часто имеет более низкую точность обнаружения по сравнению с Faster RCNN.

YOLOv4 [59].YOLOv4 — последнее улучшение YOLO. Он исследует пакет халявы и пакет со специальными предложениями и выбирает некоторые из них в новой модели обнаружения. Основными правилами модели обнаружения являются входные изображения с высоким разрешением для обнаружения относительно небольших объектов, более глубокие слои для большего рецептивного поля и большее количество параметров для обнаружения различных объектов. Основываясь на этих правилах, YOLOv4 выбирает различные эффективные наборы бесплатных и специальных пакетов для повышения производительности модели при сохранении высокой скорости логического вывода.Кроме того, вместо использования DarkNet53 в качестве основы в YOLOv3 в качестве основы для YOLOv4 выбрана расширенная версия DarkNet53 (CSPDarknet53 [60]). Более высокое восприимчивое поле чрезвычайно важно для детекторов, поэтому сеть SPP [61] добавляется поверх основной сети CSPDarknet53 [60], так как этот блок обеспечивает большие рецептивные поля почти с таким же временем вывода. YOLOv3 использует FPN [62] для агрегирования информации с различных уровней функций, а YOLOv4 [59] использует PANet [63] для извлечения информации для детекторных головок.Пакет халявы и пакет специальных предложений необходимы для обнаружения объектов, и правильный выбор и добавление их в модели обнаружения может значительно повысить производительность детекторов без слишком большого ущерба для стоимости логического вывода.

SSD [64]. Single Shot Detector (SSD), как один из самых успешных одноступенчатых детекторов, стал основой многих других исследований. Он использует преимущества различных размеров карт объектов и использует простую архитектуру для создания прогнозов в различных масштабах карт объектов.SSD может обеспечить высокую скорость обнаружения с конкурентоспособной точностью.

Как показано на рис. 2. SSD сочетает в себе многомасштабные сверточные функции для улучшения прогнозирования. В CNN карты признаков постепенно уменьшаются в размере от входа к выходу. Слои, расположенные ближе к входным данным, представляют собой неглубокие слои, которые имеют более высокое разрешение и лучше обнаруживают более мелкие объекты. В то время как более глубокие слои имеют более низкое разрешение, но содержат больше семантической информации. SSD использует преимущества этой естественной структуры CNN и дает сопоставимые результаты для объектов всех размеров.SSD — это детектор на основе якоря. Он делит изображение на сетки размером 90 134 м 90 135 × 90 134 n 90 135, аналогичные серии YOLO. В каждой ячейке сетки модель будет генерировать оценки для каждого класса и смещения размеров ограничивающей рамки для каждого из 90 134 k 90 135 предопределенных якорей с различными коэффициентами и масштабами, аналогично RPN в Faster RCNN. Он также вводит использование сверточных слоев для предсказания, что делает детектор полностью свертывающимся, в отличие от YOLO [57], который использует полносвязные слои для обнаружения.

SSD является хорошим компромиссом между скоростью и точностью. Простая одноэтапная архитектура платформы обеспечивает высокую производительность и скорость обнаружения угроз в реальном времени. Кроме того, использование блоков привязки и многомасштабного прогнозирования обеспечивает хорошую точность обнаружения.

RetinaNet [65]. RetinaNet — это одноэтапная структура, основанная на модели SSD. RetinaNet повышает производительность за счет использования сети Feature Pyramid Network (FPN) [62] для извлечения признаков и функции потери фокуса для решения проблемы дисбаланса классов.В модели SSD механизм многомасштабного прогнозирования страдает от своей архитектурной слабости, в которой уровни высокого уровня не обмениваются информацией с уровнями низкого уровня, таким образом, отсутствует семантическая информация высокого уровня при обнаружении более мелких объектов. FPN объединяет карты объектов из слоев на разных глубинах, чтобы улучшить обнаружение в каждом масштабе. Еще одним важным вкладом этой модели является использование фокальных потерь для решения проблемы дисбаланса классов. Дисбаланс классов относится к дисбалансу между классами фона и переднего плана.Это более экстремально в одноступенчатых моделях, поскольку детектор сканирует все изображение без разбора. На практике количество мест-кандидатов обычно может достигать 100 тыс. без фильтрации модуля предложения региона. Таким образом, фокальные потери вводятся для присвоения более высоких весов сложным объектам переднего плана и меньших весов простым случаям заднего плана. Определение фокальной потери определено в уравнении 1, где вариант баланса α t и параметр фокусировки γ — это два гиперпараметра, а p — предполагаемая вероятность.(1)

В уравнении (1) p t ближе к 1, когда модель является более правильной (т. е. правильный прогноз с более высоким показателем достоверности или неправильный прогноз с более низким показателем достоверности). С оригинальной потерей энтропии на гр = — α T T Log ( P T ), Фокусные потери Эффективно придает ему фактор (1 — P T ) γ , значение которого мало, когда модель верна (простые случаи), и велико, когда модель неверна (сложные случаи).

ДетНет [66]. DetNet — это магистральная сеть, специально разработанная для извлечения признаков, отличных от других детекторов, обсуждаемых в этом разделе. Он предназначен для решения трех существующих проблем в предыдущих магистральных сетях:

  • Магистральные сети имеют разное количество этапов;
  • Карты признаков, используемые для обнаружения крупных объектов, обычно берутся из более глубоких слоев, которые имеют большее рецептивное поле, хотя они не точны в точном определении местоположения из-за низкого разрешения;
  • Мелкие объекты теряются по мере того, как слои становятся глубже, а разрешение снижается.

Li и др. [66] предложил DetNet-59 на основе ResNet-50. Он имеет 6 этапов, первые 4 этапа такие же, как у ResNet-50. На этапах 5 и 6 пространственное разрешение фиксируется, а не уменьшается. Фиксированное разрешение означает, что фильтр свертки будет иметь меньшее восприимчивое поле по сравнению с картами объектов с более низким разрешением. Расширенное [67] узкое место, как показано на рис. 3(b), используется для компенсации. В этой статье мы применяем магистраль DetNet к детектору Faster RCNN.

Рис. 3. Структура DetNet.

На схеме показан основной строительный блок ResNet [55] и DetNet [66]. (а) После каждого блока ResNet разрешение уменьшается вдвое. (b) DetNet сохраняет разрешение карты признаков и увеличивает рецептивное поле за счет использования расширенных извилин.

https://doi.org/10.1371/journal.pone.0255809.g003

RefineDet [68]. RefineDet — это детектор на основе твердотельных накопителей, целью которого является преодоление следующих трех ограничений одноступенчатых детекторов по сравнению с двухступенчатыми.

  • В одноэтапных моделях отсутствует модуль предложения области, чтобы устранить подавляющие фоновые объекты, что приводит к неэффективному обучению;
  • Двухэтапные модели имеют как модуль предложения региона, так и модуль классификации для регрессии окончательного вывода ограничительной рамки, в то время как одноэтапные модели имеют только один этап для уточнения местоположения рамки;
  • Одноэтапные модели генерируют только один набор карт признаков как для задач локализации, так и для классификации. Хотя последние двухэтапные модели используют одну и ту же магистральную CNN, они имеют отдельные ветви, присоединенные к концу основных магистральных сетей, специально для локализации и классификации.

Архитектура RefineDet показана на рис. 4. Она состоит из трех модулей: модуля уточнения привязки (ARM), блока соединения передачи (TCB) и модуля обнаружения объектов (ODM). Как и в SSD, ARM берет карты функций из разных слоев. Затем из каждого слоя он создает грубо скорректированные привязки и бинарные оценки классов (объектные и необъектные классы). Якоря с оценкой не-объекта, превышающей определенный порог θ , будут отфильтрованы, что уменьшит дисбаланс классов.Затем TCB предназначен для объединения функций из более глубоких слоев с функциями ARM текущего уровня путем поэлементного добавления. Деконволюция используется для облегчения добавления за счет увеличения разрешения карт объектов более глубоких слоев, чтобы они соответствовали поверхностным объектам. В результате поверхностные слои будут иметь семантическую информацию. Взяв отфильтрованные привязки из ARM и карты функций, созданные TCB, ODM регрессирует уже уточненные привязки и генерирует оценки для нескольких классов. Результаты улучшаются, потому что ввод ODM содержит многоуровневую информацию и уточняет предсказанные ограничивающие рамки в два этапа.

АТСС [69]. ATSS (адаптивный выбор обучающей выборки) исследует детекторы объектов на основе привязки и детекторы объектов без привязки и указывает, что способ определения положительных и отрицательных выборок в процессе обучения является существенной разницей между моделями на основе привязки и моделями без привязки. модели. Например, детектор без привязки FCOS [70] сначала находит положительные выборки-кандидаты на каждом уровне признаков, а затем выбирает окончательные положительные кандидаты среди всех признаков, в то время как основанный на якорях RetinaNet [65] использует IoU (пересечение над объединением) между предварительными -определенные привязки и ограничивающие прямоугольники наземной истины для прямого выбора окончательных положительных образцов среди всех уровней признаков [69].На основе анализа ATSS автоматически определяет положительных и отрицательных кандидатов на основе статистического свойства объектов на изображениях.

Для каждого объекта на изображении ATSS выбирает k ячеек привязки на основе ближайшего центрального расстояния между этими выборками и полем истинности на каждом уровне объектов. Всего имеется 90 134 k 90 135 × 90 134 L 90 135 положительных кандидатов, если число уровней пирамиды признаков равно 90 134 L 90 135 . Затем вычисляется IoU между этими выборками-кандидатами и наземной истиной, а также вычисляются среднее значение m g и стандартное отклонение v g , так что порог IoU получается как t г = м г + v г . Наконец, кандидаты, чьи IoU больше или равны порогу и в то же время чьи центры находятся внутри поля истинности, выбираются в качестве окончательных положительных образцов. ATSS представляет механизм, который динамически выбирает положительные и отрицательные образцы и устраняет разрыв между подходами на основе привязки и подходами без привязки.

Сборка набора данных

Производительность модели CNN сильно зависит от набора данных. Во время обучения модель CNN учится на большом количестве примеров, как извлекать семантические признаки, на которых основаны локализация и классификация.Следовательно, детекторы CNN работают лучше, когда набор данных состоит из репрезентативных примеров всех категорий. Например, изображения, сделанные с разных точек зрения, различных условий освещения, разных размеров и т. д. Чем более репрезентативен набор данных, тем больше вероятность того, что модели CNN смогут изучить значимые функции для обнаружения и классификации. Затем, во время вывода, обученные модели CNN будут иметь более высокую способность обобщать извлечение признаков на новых входных изображениях.

В исследовательском сообществе существует несколько небольших коллекций наборов эндоскопических видеоданных для различных исследовательских целей, таких как MICCAI 2017, набор данных «Поражения желудочно-кишечного тракта в регулярной колоноскопии» (GLRC) [71] и набор данных ЦВК толстой кишки [34].Однако после тщательного наблюдения и анализа мы обнаружили, что эти наборы данных сильно отличаются друг от друга с точки зрения разрешения и цветовой температуры, как показано на рис. 5. Это во многом связано с настройками и характеристиками различного оборудования для обработки изображений, используемого для сбора данных. Как указано в [72], двумя основными причинами того, почему текущие модели CNN работают хуже в реальном мире по сравнению с эталонными наборами тестов, являются различия в фоновом изображении и качестве изображения. Как показано на рис. 5, изображения в разных наборах данных сильно различаются.Если мы будем обучать модели, используя только один из этих наборов данных, модели могут иметь плохую способность к обобщению, и их производительность пострадает при применении к изображениям колоноскопии с разных устройств в другом медицинском учреждении, как показано в разделах «Эксперименты» и «Результаты и анализ». Совсем недавно было опубликовано несколько больших наборов данных по колоноскопии [73, 74], таких как Hyper-Kvasir [75] и Kvasir-SEG [76]. Гипер-Квасир — универсальный набор данных для эндоскопии желудочно-кишечного тракта.Он обнаруживает 23 различных класса находок на изображениях и видео, включая полипы, ангиэктазии, Барретта и т. д. [75]. Однако он не дает классификации гиперпластических и аденоматозных заболеваний. Точно так же Kvasir-SEG предоставляет метки в формате сегментации. Таким образом, их нельзя было использовать для обучения моделей обнаружения для прогнозирования категорий полипов.

Рис. 5. Образцы кадров из разных колоноскопий.

(а) имеет более высокое разрешение и теплую цветовую температуру; (б) имеет более низкое разрешение и зеленый оттенок; (c) имеет более естественный цветовой тон, но имеет прозрачное покрытие по краям кадра.

https://doi.org/10.1371/journal.pone.0255809.g005

Другим большим ограничивающим фактором является отсутствие четких обучающих примеров. Хотя в доступном наборе данных содержится много изображений, на самом деле эти изображения извлекаются из небольшого количества видеопоследовательностей. Каждая эндоскопическая видеопоследовательность содержит только один полип, просматриваемый с разных точек зрения. Если рассматривать полипы кадр за кадром, то можно увидеть, что большинство кадров снято практически с одинаковой точки зрения и с одинакового расстояния, как показано на рис. 6.Некоторые видеоряды не имеют заметного движения на протяжении 1000 кадров. Таким образом, в этих наборах данных есть значительная избыточность, особенно для классификации полипов, которая требует большой коллекции отдельных видео (полипов) для обучения классификатора. Учитывая недавние эталонные наборы данных, такие как MS COCO [77] с более чем 300 тыс. различных изображений, для достижения приемлемой производительности необходимо больше данных колоноскопии.

Чтобы наилучшим образом использовать последние разработки технологий глубокого обучения для обнаружения объектов. Мы собрали и создали набор эндоскопических данных и сравнили производительность современных детекторов для обнаружения и классификации полипов. Эти наборы данных поступают из разных источников и служат разным целям, что будет обсуждаться в следующем подразделе. Чтобы объединить их вместе, мы обращаемся к задаче обнаружения объектов PASCAL VOC [19] для стандартизации аннотации. Набор данных содержит только две категории полипов: гиперпластических и аденоматозных полипов . Важно обучить модель, которая могла бы надежно их дифференцировать, поскольку аденоматозные полипы обычно рассматриваются как предраковые образования, требующие резекции, а гиперпластические полипы — нет [71].

Выбор наборов данных и аннотация

В этом исследовании мы собрали все общедоступные наборы эндоскопических данных в исследовательском сообществе, а также собрали новый набор данных из Медицинского центра Университета Канзаса. Все наборы данных деидентифицируются без раскрытия информации о пациенте. С помощью трех эндоскопистов мы аннотировали классы полипов всех собранных видеофрагментов и ограничивающие рамки полипа в каждом кадре. Ниже приведено введение в каждый набор данных.

МИККАИ 2017 . Этот набор данных предназначен для анализа изображений желудочно-кишечного тракта (GIANA), подзадачи Endoscopic Vision Challenge [78]. Он содержит 18 видео для обучения и 20 видео для тестирования. Набор данных помечен только масками полипов, чтобы проверить способность идентифицировать и локализовать полипы на изображениях. В этом наборе данных нет классификационных меток. Мы преобразовали маски полипов в ограничивающие рамки для каждого кадра и аннотировали класс полипов.

CVC двоеточие DB .Набор данных содержит 15 коротких видео колоноскопии, всего 300 кадров [34]. Метки представлены в виде масок сегментации, классификационных меток нет. Мы извлекли ограничивающие рамки и пометили класс полипов.

Набор данных GLRC . Набор данных о желудочно-кишечных поражениях при регулярной колоноскопии (GLRC) содержит 76 коротких видеопоследовательностей с метками классов [71]. Нет метки для определения местоположения полипа. Мы вручную аннотировали ограничивающую рамку каждого полипа кадр за кадром.

Набор данных KUMC . Набор данных был получен из Медицинского центра Университета Канзаса. Он содержит 80 видеофрагментов колоноскопии. Мы вручную пометили ограничивающие рамки, а также классы полипов для всего набора данных.

Выбор кадра

Видеопоследовательности из этих наборов данных состоят из разного количества кадров. Например, CVC Colour DB содержит всего 300 кадров, в среднем 20 кадров на видеопоследовательность, в то время как количество кадров в MICCAI 2017 варьируется от 400 до более чем 1000 со средним значением около 300 в каждой последовательности.Крайний дисбаланс между различными поражениями снизит репрезентативность набора данных. Кроме того, многие кадры в длинной последовательности являются избыточными, поскольку они снимаются с очень небольшим движением камеры. Чтобы одни длинные видеоролики не подавляли другие, мы применяем адаптивную частоту дискретизации для извлечения кадров из каждой видеопоследовательности на основе движения камеры и длины видео, чтобы уменьшить избыточность и гомогенизировать репрезентативность каждого полипа. После выборки мы извлекли от 300 до 500 кадров для длинных последовательностей, чтобы сохранить баланс между различными последовательностями, в то время как для небольших последовательностей, таких как CVC Colour DB, мы просто сохраняем все кадры изображения в последовательности.

После извлечения всех кадров мы тщательно проверили сгенерированный набор данных и вручную удалили некоторые кадры, содержащие вводящую в заблуждение или бесполезную информацию. Например, при резком движении камеры захваченные изображения могут быть сильно размыты, не в фокусе или подвержены значительным изменениям освещения, как показано на рис. 7. Эти изображения нельзя точно пометить, поэтому они удаляются. В то время как некоторые менее дефектные кадры сохраняются для повышения надежности модели в несовершенных и шумных условиях.

Классификация полипов только при визуальном осмотре является большой проблемой, как сообщается в [71], точность обычно ниже 70% даже для опытных эндоскопистов. В клинической практике результаты должны быть подтверждены дополнительными тестами биопсии. Однако, поскольку у нас есть только видеопоследовательности, когда эндоскопист не может прийти к соглашению по результатам классификации, мы просто удаляем эти последовательности из набора данных, иначе модели могут не получить правильную информацию для классификации.В конце концов, набор данных содержит 155 видеопоследовательностей (37 899 кадров изображения) с помеченными основными правдами классов полипов и ограничивающими рамками.

Разделение набора данных

Для обучения и оценки эффективности различных моделей обучения нам необходимо разделить объединенный набор данных на наборы для обучения, проверки и тестирования. Для большинства эталонных наборов данных для обнаружения общих объектов разделение обычно основано на изображениях. Однако это не относится к набору эндоскопических данных.Поскольку все кадры в одной видеопоследовательности соответствуют одному и тому же полипу, если разбить набор данных на уровне изображения, то один и тот же полип одновременно появится в обучающей, проверочной и тестовой выборках. Это ложно повысит эффективность классификации, поскольку модели уже видели тестируемые полипы на этапе обучения. Поэтому мы разделяем набор данных на уровне видео.

Поскольку окончательный набор данных объединяется из четырех разных наборов данных, снятых разным оборудованием с разным распределением данных.Для повышения репрезентативности набора данных, а также сбалансированности двух классов полипов мы делаем разделение для каждого набора данных и класса полипов независимо. Для каждого класса в одном наборе данных мы случайным образом выбираем 75%, 10% и 15% последовательностей для формирования наборов для обучения, проверки и тестирования соответственно. Например, GLRC [71] содержит 41 видео с 26 аденоматозными и 15 гиперпластическими последовательностями. Мы разделили 26 аденоматозных последовательностей и 15 гиперпластических последовательностей независимо друг от друга в соответствии с одним и тем же соотношением, чтобы гарантировать баланс классов в окончательном наборе данных.

Таким образом, мы создали 116 обучающих, 17 проверочных и 22 тестовых последовательностей с 28773, 4254 и 4872 кадрами соответственно для каждого набора. Некоторые образцы кадров из набора данных показаны на рис. 8. Для обучающего набора мы объединяем все кадры из 116 последовательностей в одну папку и перемешиваем их. В то время как для проверочных и тестовых наборов мы сохраняем разделение последовательности, чтобы оценить производительность модели на основе полипов (то есть последовательностей). Детали организации набора данных показаны в таблице 1.Доступ к набору данных можно получить по этому https://doi.org/10.7910/DVN/FCBUOR.

Эксперименты

Используя сгенерированный набор данных, мы оценили восемь современных моделей обнаружения объектов, включая Faster RCNN [52], YOLOv3 [56], SSD [64], RetinaNet [65], DetNet [66], RefineDet [68], YOLOv4 [59] и ATSS [69]. Чтобы установить эталонную производительность, тестируются три различных экспериментальных установки: обнаружение полипов двух классов на основе кадров , обнаружение полипов одного класса на основе кадров и классификация полипов двух классов на основе последовательностей .Производительность двух обнаружений на основе кадров измеряется с использованием обычных показателей обнаружения объектов. Для классификации на основе последовательностей к каждому кадру будут применяться обычные модели обнаружения. Затем процесс голосования выбирает наиболее предсказуемую категорию полипов в качестве окончательного результата классификации. Более конкретные детали будут представлены ниже.

Восемь моделей обнаружения в основном предлагаются с хорошей производительностью при выполнении общих задач обнаружения объектов. Эти модели взяты из первоначально опубликованных настроек с немного измененными гиперпараметрами для оптимизации их производительности на наборе данных о полипах. Настройки гиперпараметров перечислены в таблице 2. Мы используем следующие три показателя для оценки производительности каждой модели: точность, полнота и F-оценка.

  • Точность измеряет процент правильных прогнозов. При обнаружении полипов это указывает на уверенность в прогнозе, когда происходит положительное обнаружение. Более высокая точность может снизить вероятность ложной тревоги, что приведет к финансовому и психологическому стрессу клиента.
  • Отзыв — доля обнаруженных объектов.Это очень важно при обнаружении полипов, поскольку более высокий отзыв гарантирует, что большее количество пациентов получат своевременную дополнительную проверку и соответствующее лечение. Это также может снизить смертность и предотвратить чрезмерные затраты для пациентов.
  • F-score учитывает как точность, так и полноту. Он измеряет сбалансированную производительность модели между ложноположительными и ложноотрицательными.

Обнаружение полипов двух классов на основе кадров

Этот эксперимент предсказывает полипы для отдельных кадров.Это проверка способности модели к локализации и классификации. Модели CNN обучаются с использованием нашего обучающего набора, состоящего из набора кадров из разных видеопоследовательностей. На этапе проверки и тестирования мы обрабатываем каждый кадр отдельно и оцениваем производительность.

Поскольку современные детекторы CNN имеют высокую скорость обнаружения и могут быть реализованы в режиме реального времени. Это позволяет эндоскопистам находить поражения и предлагать категории во время колоноскопии.Поскольку люди-операторы могут страдать от усталости и потери фокусировки после долгих часов работы, этот автоматизированный процесс может предупредить и помочь эндоскопистам сосредоточиться на предполагаемых поражениях и избежать пропуска обнаружения.

Чтобы проверить эффективность предлагаемого набора данных по отношению к одному набору данных, упомянутому выше, мы также выполняем обнаружение двух классов на основе кадров с использованием одного набора данных. В этом контролируемом эксперименте мы обучаем все модели, обученные с использованием набора данных KUMC. Поскольку этот набор данных содержит больше последовательностей и видеокадров, чем другие наборы данных, он гарантирует сходимость всех задействованных моделей.После обучения мы тестируем модели на том же комбинированном тестовом наборе, что и в других экспериментах. Как видно из результатов, производительность всех моделей значительно снизится при обучении с использованием только одного набора данных. Этот эксперимент проверяет эффективность комбинированного набора данных.

Обнаружение полипов одного класса на основе кадров

Этот эксперимент имеет почти те же настройки, что и двухклассовое обнаружение полипов на основе кадров, за исключением номера класса. Гиперпластические и аденоматозные полипы относятся к одному классу полипов .Для файлов аннотаций, вместо предоставления отдельного набора файлов аннотаций, мы считываем ту же основную истину, что и в предыдущем эксперименте, отбрасываем информацию о категориях полипов во время обучения и времени вывода.

При скрининге колоректального рака более важно точно определить, развились ли полипы, чем классифицировать категории полипов, потому что дальнейший скрининг и диагностика всегда выполняются после того, как колоноскопия обнаруживает подозрительные поражения. Цель этого эксперимента состоит в том, чтобы проверить, можно ли добиться более высоких результатов только путем локализации полипов в целом.Без более сложной задачи классификации категорий полипов модели CNN можно было бы научить извлекать более общие признаки для различения полипов. Затем можно было бы использовать методы скрининга с более высокой точностью, такие как биопсия или полипэктомия, для определения категорий поражений.

Двухклассовая классификация полипов на основе последовательностей

В этом эксперименте используются те же настройки, что и в двухклассовых тестах на основе кадров, однако мы делаем только один прогноз для каждой видеопоследовательности, поскольку она содержит только один и тот же полип в последовательности. В течение тестового периода он сначала будет генерировать прогноз на основе отдельных кадров, затем мы собираем все результаты для каждого кадра видеопоследовательности и классифицируем видео на основе наиболее прогнозируемой категории полипов. Хотя могут быть лучшие способы классификации видеопоследовательности, например, на основе оценки достоверности прогноза для каждого кадра, мы используем только базовый подход в качестве эталона, чтобы увидеть, насколько улучшения мы можем достичь для прогнозирования на основе последовательности.

Классификация на основе последовательности является практикой клинического применения, поскольку все кадры в последовательности наблюдают один и тот же полип с разных точек зрения.Он также имеет потенциал для достижения более высокой производительности. Классифицировать полип только на одном кадре сложно, например, на некоторых кадрах полип может быть частично закрыт или казаться маленьким при просмотре с большого расстояния. Все эти сценарии затруднят точную классификацию. Однако в классификации на основе видео мы объединяем информацию с разных точек зрения, что может уменьшить влияние, вызванное этими жесткими кадрами. Таким образом, в клинике эндоскопист обычно снимает колоноскопическое видео с разных точек зрения, чтобы обеспечить достоверную классификацию полипов.

Результаты и анализ

В экспериментах обнаружение и классификация двух классов на основе кадров и последовательностей с использованием одной и той же модели CNN. Все гиперпараметры для сравниваемых моделей приведены в таблице 2. Окончательные модели, выбранные для теста, основаны на результатах проверки. Оценки точности, отзыва и F1 рассчитываются с доверительным порогом 0,5, чтобы обеспечить справедливое сравнение. Модели CNN с наилучшей производительностью в основном производятся до эпохи 10.Исключением является обнаружение одного класса RefineDet, где 130 90 134 k 90 135 90 134 iter 90 135 равны примерно 45 90 134 эпохам 90 135 . Тем не менее, он достиг аналогичной производительности проверки, 88,05% mAP , уже 30 k iter по сравнению с 88,12% при 130 k iter . Мы предполагаем, что наилучшая модель CNN для обнаружения полипов обычно создается на более раннем этапе обучения.

Обнаружение полипов двух классов на основе кадров

Результаты представлены в таблице 3.В целом, все детекторы показали лучшую эффективность при обнаружении аденоматозных полипов, поскольку они больше по размеру, а их форма и текстура легче отличимы от стенок толстой кишки. RefineDet добился наилучшей комбинированной производительности. Он обеспечивает самый высокий средний балл F1, mAP и средний отзыв, чем все другие модели. YOLOv3 обеспечивает наилучшую точность, жертвуя своим отзывом, который ненормально ниже, чем у других детекторов. На рис. 9 показаны некоторые примеры результатов обнаружения. Мы выбираем доверительный порог 0.5. Как показано в примерах, модели очень уверены в прогнозах. В основном у них есть только один прогноз с показателем достоверности более 0,5 на каждом кадре. Предсказанные ограничивающие рамки очень плотны и точны на поражениях, что показывает большой потенциал в помощи практике колоноскопии.

Чтобы проанализировать разницу между отзывами из YOLOv3 и других детекторов при доверительном пороге 0,5, мы построили график количества истинных срабатываний (TP) и ложных срабатываний (FP) для различных показателей достоверности.На рис. 10 мы показываем только графики из RefineDet и YOLOv3, поскольку RefineDet имеет те же паттерны, что и другие четыре детектора. RefineDet и другие детекторы показывают четкий максимальный пик количества ТР при достоверности >0,9 и еще один более слабый пик при достоверности <0,1. В то время как у YOLOv3 меньше прогнозов с высокой достоверностью. Поэтому, хотя YOLOv3 является консервативным прогнозом, имеет высокую точность, он пропускает большую часть поражений и приводит к его низкому отзыву.

SSD дает наилучшие показатели отзыва при обнаружении аденоматозных полипов, оценки F1 и значения AP.В целом его mAP (67,6%) занимает третье место, близко совпадая с самым последним детектором ATSS и опережая следующий детектор Faster RCNN с mAP 57,7% со значительным отрывом. Для более сложной задачи обнаружения гиперпластических полипов RefineDet дает самые высокие баллы за отзыв, F1 и AP. Эти результаты показывают, что детекторы на основе SSD, SSD, RetinaNet и RefineDet, как правило, хорошо обнаруживают полипы. RefineDet, сначала грубо настроив якоря, получает лучшие знания о локализации, прежде чем генерировать окончательные прогнозы.Faster RCNN имеет аналогичную двухэтапную архитектуру. Следовательно, он также имеет достойную производительность. Это указывает на возможность улучшить эффективность обнаружения полипов за счет добавления более точной информации о местоположении перед тем, как делать окончательные прогнозы. YOLOv4 превосходит YOLOv3 почти во всех аспектах, что указывает на то, что трюки с детекторами общего назначения также эффективны при обнаружении полипов. ATSS занимает второе место по точности обнаружения гиперпластических полипов после YOLOv3. Он также стабильно работает наравне с RefineDet, особенно при обнаружении гиперплазии.

Обобщаемость и сравнение с предыдущим набором данных

Способность к обобщению относится к адаптивности обученных моделей к новым, ранее неизвестным данным. Это очень важно в практических приложениях, поскольку тестовые изображения могут иметь распределение, отличное от того, которое использовалось для создания модели. Чтобы проверить, может ли вновь сгенерированный набор данных повысить обобщаемость обученных моделей, мы сравниваем наши результаты с моделями, обученными только на одном наборе данных.

Мы проводим обнаружение полипов двух классов на основе кадров только в одном наборе данных, наборе данных KUMC. Модели обучаются с использованием изображений из KUMC и тестируются на полном комбинированном тестовом наборе, как и в других экспериментах, состоящих из кадров из разных наборов данных. Результаты различных моделей показаны в таблице 4. Мы видим, что в среднем производительность снижается на 8%, когда мы сравниваем результаты в таблице 3, где все модели обучены с использованием предложенного набора данных. Падение производительности в основном связано с репрезентативностью и количеством обучающих выборок.Хотя KUMC содержит больше переменных последовательностей и кадров, чем другие наборы данных вместе взятые, цвет и освещение разных наборов данных могут сильно различаться, как показано на рис. 5. Поэтому модели, обученные на одном наборе данных, могут плохо обобщаться.

Обнаружение полипов одного класса на основе кадров

Результаты обнаружения только без классификации показаны в таблице 5. Мы видим, что YOLOv3 достигает наивысшей точности среди всех детекторов, что согласуется с результатами двух классов.При разумном отзыве он также дает высокий балл F1. По сравнению с его эффективностью обнаружения двух классов это свидетельствует о том, что YOLOv3 лучше обнаруживает, чем классифицирует полипы. YOLOv3 одновременно генерирует оценки классификации и корректировки ограничивающей рамки. Поскольку производительность классификации основана на информации об якорях, исходные якоря YOLOv3 могут не содержать достаточных частей полипа из-за его небольшого размера. Мы предполагаем, что уточненная информация о местоположении более важна для различения категорий полипов, чем для их локализации.

В таблице 6 представлены подробные результаты локализации аденоматозных и гиперпластических полипов. Мы видим, что Faster RCNN достигает наилучшего отзыва, что является наиболее важным показателем в клинических условиях. Для аденоматозных полипов Faster RCNN достигает 93,3% отзыва, что соответствует недавним результатам клинического скрининга. Это один из трех детекторов (вместе с RefineDet и ATSS), которые обеспечивают повторение более 80% для гиперпластических полипов. Напомним, что в вышеупомянутом обнаружении с двумя классами Faster RCNN также достигает трех лучших показателей отзыва.Благодаря предложениям по регионам у двухэтапных детекторов обычно больше шансов обнаружить полипы. В то время как YOLOv3 также достигает конкурирующей производительности при обнаружении одного класса. Это дает высочайшую точность с разумной оценкой отзыва.

RefineDet по-прежнему обеспечивает наилучшую общую производительность с наивысшим баллом F1 и AP. Все детекторы на основе SSD работают практически одинаково хорошо. Фокусная потеря RetinaNet не показывает значительного улучшения по сравнению с исходной моделью SSD. DetNet не показывает улучшений по сравнению с Faster RCNN, однако он делает детектор более сбалансированным, повышая точность на 20%+, что приводит к лучшему результату F1.

Мы также оценили время вывода различных моделей при обнаружении одного класса на основе кадров. Все модели оцениваются на графическом процессоре NVIDIA TESLA P100. Как показано в таблице 5, одноэтапные детекторы (SSD, YOLOv3, RetinaNet и RefineDet) работают быстрее, чем двухэтапные детекторы (Faster RCNN и DetNet). SSD и YOLOv3 достигают самого быстрого времени вывода — 17 мс, что составляет более 60 кадров в секунду (fps). Однако даже для самой медленной модели DetNet он все же достигает 64 мс, что выше 15 кадров в секунду.Обратите внимание, что более глубокая магистральная сеть потребует больше времени для вывода, чем более мелкая магистральная сеть. Например, RetinaNet с ResNet-50 увеличивает время вывода до 61 мс с 17 мс для SSD с VGG-16.

Двухклассовая классификация полипов на основе последовательностей

Из таблицы 7 видно, что и SSD, и DetNet, и YOLOv4 выделяются с точки зрения точности, отзыва и оценки F1. Это означает, что они лучше предсказывают правильные категории полипов. Другое интересное наблюдение заключается в том, что, хотя некоторые детекторы дают более согласованные результаты для разных кадров в одной и той же последовательности, они не обеспечивают более высокой точности.Это становится очевидным, когда мы отображаем процент доминирующей прогнозируемой категории в каждой видеопоследовательности на рис. 11. Мы показываем графики для RetinaNet и RefineDet только в качестве примеров. DetNet, FasterRCNN и RetinaNet не очень последовательны в прогнозировании класса полипа для некоторых видеопоследовательностей, с доминантным классом, близким к 50%. Это означает, что прогнозы не являются надежными, поскольку всего несколько кадров могут повлиять на результат. RefineDet, SSD, YOLOv4 и ATSS, с другой стороны, относительно более надежны в прогнозировании класса полипов с большинством последовательностей выше 70%.

Рис. 11. Доля доминирующего класса.

Детекторы предсказывают категорию полипа в каждом отдельном кадре. Категория с более чем 50% всех кадров является доминирующей категорией для этой видеопоследовательности. На диаграммах показан процент кадров, отнесенных к доминирующему классу в каждой тестовой последовательности. (ad) и (hp) внизу означают аденоматозный и гиперпластический классы наземной истины соответственно. Правильные прогнозы отмечены зеленым цветом, а ошибки классификации — красным.

https://дои.org/10.1371/journal.pone.0255809.g011

Заключение

В этой статье мы разработали относительно большой набор эндоскопических данных для обнаружения и классификации полипов. Мы также оценили и сравнили производительность восьми современных детекторов объектов на основе глубокого обучения. Наши результаты показывают, что глубокие модели CNN многообещающи в помощи скринингу CRC. Без особых модификаций обычные детекторы объектов уже достигли чувствительности обнаружения аденоматозных полипов 91% в одноклассовом детекторе и около 70% точности в задаче классификации. Среди всех протестированных нами детекторов YOLOv4, ATSS и RefineDet показали относительно хорошие результаты во всех тестах со сбалансированной точностью и оценкой отзыва, а также согласованными результатами для одних и тех же поражений. Наши эксперименты также показывают, что уточнение информации о местоположении перед классификацией эффективно повышает производительность.

Это исследование может служить основой для будущих исследований по выявлению и классификации полипов. Разработанный набор данных может служить стандартизированной платформой и помочь исследователям разработать более специализированные модели CNN для классификации полипов.Оглядываясь назад на быстрое развитие в области компьютерного зрения в последние годы, доступность эталонного набора данных играет важную роль. Мы надеемся, что наш набор данных значительно облегчит компьютерную диагностику колоректального рака.

Каталожные номера

  1. 1. Thanikachalam K, Khan G. Колоректальный рак и питание. Питательные вещества. 2019;11(1):164.
  2. 2. Хаггар Ф.А., Боуши Р.П. Эпидемиология колоректального рака: заболеваемость, смертность, выживаемость и факторы риска.Клиника хирургии толстой и прямой кишки. 2009;22(04):191–197.
  3. 3. Брей Ф., Ферлей Дж., Соэржоматарам И., Сигел Р.Л., Торре Л.А., Джемал А. Глобальная статистика рака за 2018 г.: оценки GLOBOCAN заболеваемости и смертности во всем мире для 36 видов рака в 185 странах. CA: онкологический журнал для клиницистов. 2018;68(6):394–424.
  4. 4. Американское онкологическое общество. Факты и цифры о раке, 2015 г. Атланта: Американское онкологическое общество. 2015 г.;
  5. 5. Саймон К. Развитие колоректального рака и достижения в области скрининга.Клинические вмешательства в старение. 2016;11:967.
  6. 6. Stracci F, Zorzi M, Grazzini G. Скрининг колоректального рака: тесты, стратегии и перспективы. Границы общественного здравоохранения. 2014;2:210.
  7. 7. Рекс Д.К., Рахмани Э.Ю., Хасеман Дж.Х., Леммель Г.Т., Кастер С., Бакли Дж.С. Относительная чувствительность колоноскопии и бариевой клизмы для выявления колоректального рака в клинической практике. Гастроэнтерология. 1997;112(1):17–23.
  8. 8. Regula J, Rupinski M, Kraszewska E, Polkowski M, Pachlewski J, Orlowska J, et al.Колоноскопия при скрининге колоректального рака для выявления прогрессирующей неоплазии. Медицинский журнал Новой Англии. 2006;355(18):1863–1872. пмид:17079760
  9. 9. Мачида Х., Сано Ю., Хамамото Ю., Муто М., Кодзу Т., Тадзири Х. и др. Узкоспектральная визуализация в диагностике поражений слизистой оболочки толстой кишки: пилотное исследование. Эндоскопия. 2004;36(12):1094–1098. пмид:15578301
  10. 10. Chang CC, Hsieh CR, Lou HY, Fang CL, Tiong C, Wang JJ и др. Сравнительное исследование традиционной колоноскопии, хромоэндоскопии с увеличением и систем узкоспектральной визуализации с увеличением в дифференциальной диагностике небольших полипов толстой кишки между стажером и опытным эндоскопистом. Международный журнал колоректальной болезни. 2009;24(12):1413. пмид:19603174
  11. 11. Джонсон К.Д., Чен М.Х., Толедано А.Ю., Хайкен Дж.П., Дахман А., Куо М.Д. и др. Точность КТ-колонографии для выявления больших аденом и рака. Медицинский журнал Новой Англии. 2008;359(12):1207–1217. пмид:18799557
  12. 12. Stoop EM, de Haan MC, de Wijkerslooth TR, Bossuyt PM, van Ballegooijen M, Nio CY, et al. Участие и результаты колоноскопии по сравнению с некатартической КТ-колонографией в популяционном скрининге колоректального рака: рандомизированное контролируемое исследование.Ланцет онкология. 2012;13(1):55–64. пмид:22088831
  13. 13. Либерман Д.А. Скрининг колоректального рака. Медицинский журнал Новой Англии. 2009;361(12):1179–1187.
  14. 14. Иддан Г., Мерон Г., Глуховский А., Суэйн П. Беспроводная капсульная эндоскопия. Природа. 2000;405(6785):417–417.
  15. 15. Адлер Д.Г., Гостоут С.Дж. Беспроводная капсульная эндоскопия. Врач больницы. 2003;39(5):14–22.
  16. 16. Чан М.Ю., Коэн Х., Шпигель Б.М.Меньше полипов, обнаруживаемых при колоноскопии в течение дня в учебном госпитале Администрации ветеранов. Клиническая гастроэнтерология и гепатология. 2009;7(11):1217–1223.
  17. 17. Леуфкенс А., Ван Ойен М., Влеггаар Ф., Сиерсема П. Факторы, влияющие на частоту промахов полипов в колоноскопическом исследовании «спина к спине». Эндоскопия. 2012;44(05):470–475.
  18. 18. Патель С.Г., Шенфельд П., Ким Х.М., Уорд Э.К., Бансал А., Ким И. и др. Характеристика миниатюрных колоректальных полипов в режиме реального времени с использованием узкоспектральной визуализации: последствия для стратегии резекции и удаления.Гастроэнтерология. 2016;150(2):406–418. пмид:26522260
  19. 19. Эверингем М., Ван Гул Л., Уильямс CKI, Винн Дж., Зиссерман А. Задача классов визуальных объектов Pascal (VOC). Международный журнал компьютерного зрения. 2010;88(2):303–338.
  20. 20. Ли К., Ма В., Саджид У., Ву И., Ван Г. Обнаружение объектов с помощью сверточных нейронных сетей. Глубокое обучение в компьютерном зрении: принципы и приложения. 2020;30(31):41.
  21. 21. Крижевский А., Суцкевер И., Хинтон Г.Е.Классификация Imagenet с помощью глубоких сверточных нейронных сетей. В: Достижения в нейронных системах обработки информации; 2012. с. 1097–1105 гг.
  22. 22. Хинтон Г., Дэн Л., Ю Д., Даль Г., Мохамед Ар, Джейтли Н. и др. Глубокие нейронные сети для акустического моделирования при распознавании речи. Журнал обработки сигналов IEEE. 2012;29.
  23. 23. Zhang Z, Wu Y, Wang G. Bpgrad: На пути к глобальной оптимальности в глубоком обучении с помощью ветвления и обрезки. В: Труды конференции IEEE по компьютерному зрению и распознаванию образов; 2018.п. 3301–3309.
  24. 24. Наджафабади М.М., Вилланустре Ф., Хошгофтаар Т.М., Селия Н., Вальд Р., Мухаремагик Э. Приложения глубокого обучения и проблемы в аналитике больших данных. Журнал больших данных. 2015;2(1):1.
  25. 25. Li K, Wang NY, Yang Y, Wang G. SGNet: управляемая сеть суперкласса для классификации изображений и обнаружения объектов. Препринт arXiv arXiv: 210412898. 2021;.
  26. 26. Ma W, Wu Y, Cen F, Wang G. Mdfn: Многомасштабная сеть глубокого обучения для обнаружения объектов.Распознавание образов. 2020;100:107149.
  27. 27. Huang Z, Huang L, Gong Y, Huang C, Wang X. Маска забила r-cnn. В: Труды конференции IEEE по компьютерному зрению и распознаванию образов; 2019. с. 6409–6418.
  28. 28. Бертинетто Л., Валмадре Дж., Энрикес Дж.Ф., Ведальди А., Торр П.Х. Полностью сверточные сиамские сети для отслеживания объектов. В: Европейская конференция по компьютерному зрению. Спрингер; 2016. с. 850–865.
  29. 29. Саджид У, Ван Г.Подсчет толпы на основе масштабирования Plug-and-Play на статических изображениях. Препринт arXiv arXiv: 200101786. 2020;.
  30. 30. Сюй В. , Кешмири С., Ван Г. Автоэнкодер с аппроксимацией состязательности для создания и обработки изображений. Транзакции IEEE в мультимедиа. 2019;21(9):2387–2396.
  31. 31. Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, et al. Обзор по глубокому обучению в анализе медицинских изображений. Медицинский анализ изображений. 2017;42:60–88. пмид:28778026
  32. 32.Zhang J, Sclaroff S, Lin Z, Shen X, Price B, Mech R. Обнаружение заметных объектов с минимальным барьером со скоростью 80 кадров в секунду. В: Материалы международной конференции IEEE по компьютерному зрению; 2015. с. 1404–1412 гг.
  33. 33. Huo J, Wu J, Cao J, Wang G. Метод на основе супервокселей для мультиатласной сегментации МРТ-изображений головного мозга. НейроИзображение. 2018;175:201–214.
  34. 34. Берналь Дж., Санчес Дж., Виларино Ф. На пути к автоматическому обнаружению полипов с помощью модели внешнего вида полипов.Распознавание образов. 2012;45(9):3166–3182.
  35. 35. Карканис С.А., Яковидис Д.К., Марулис Д.Е., Каррас Д.А., Циврас М. Компьютерное обнаружение опухолей в эндоскопическом видео с использованием цветовых вейвлетов. Транзакции IEEE по информационным технологиям в биомедицине. 2003;7(3):141–152.
  36. 36. Таха Б., Верги Н., Диас Дж. Автоматическое обнаружение полипов на видео эндоскопии: обзор. В: 2017 13-я Международная конференция IASTED по биомедицинской инженерии (BioMed). ИЭЭЭ; 2017.п. 233–240.
  37. 37. Кай З., Васконселос Н. Cascade r-cnn: Изучение высококачественного обнаружения объектов. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2018. с. 6154–6162.
  38. 38. Чжао К., Шэн Т., Ван И., Тан З., Чен И., Цай Л. и др. M2det: однократный детектор объектов, основанный на многоуровневой пирамидальной сети признаков. В: Труды конференции AAAI по искусственному интеллекту. об. 33; 2019. с. 9259–9266.
  39. 39.Cen F, Zhao X, Li W, Wang G. Расширение глубоких признаков для классификации закрытых изображений. Распознавание образов. 2021;111:107737.
  40. 40. Wu Y, Zhang Z, Wang G. Неконтролируемая глубокая передача признаков для классификации изображений с низким разрешением. В: Материалы Международной конференции IEEE по семинарам по компьютерному зрению; 2019. с. 0–0.
  41. 41. Zhang Z, Ma W, Wu Y, Wang G. Модуль самоортогональности: подключаемый модуль сетевой архитектуры для изучения ортогональных фильтров.Препринт arXiv arXiv: 200101275. 2020;.
  42. 42. Xu W, Wu Y, Ma W, Wang G. Коллекция предложений по адаптивному шумоподавлению для локализации слабо контролируемых объектов. Нейронная обработка писем. 2020;51(1):993–1006.
  43. 43. Парк С., Ли М., Квак Н. Обнаружение полипов на видео колоноскопии с использованием хорошо изученных иерархических функций. Сеульский национальный университет. 2015 г.;
  44. 44. Тайбахш Н., Гуруду С.Р. , Лян Дж. Автоматическое обнаружение полипов на видео колоноскопии с использованием ансамбля сверточных нейронных сетей.В: 12-й Международный симпозиум IEEE по биомедицинской визуализации (ISBI), 2015 г. ИЭЭЭ; 2015. с. 79–83.
  45. 45. Патель К., Ли К., Тао К., Ван К., Бансал А., Растоги А. и др. Сравнительное исследование классификации полипов с использованием сверточных нейронных сетей. ПлоС один. 2020;15(7):e0236452. пмид:32730279
  46. 46. Рот Х.Р., Ли К.Т., Шин Х.К., Сефф А., Ким Л., Яо Дж. и др. Анатомическая классификация медицинских изображений с использованием глубоких сверточных сетей. Препринт arXiv arXiv: 150404003.2015 г.;
  47. 47. Рот Х.Р., Яо Дж., Лу Л., Стигер Дж., Бернс Дж.Э., Саммерс Р.М. Обнаружение склеротических метастазов в позвоночник посредством случайной агрегации классификаций глубоких сверточных нейронных сетей. В: Последние достижения в вычислительных методах и клинических приложениях для визуализации позвоночника. Спрингер; 2015. с. 3–12.
  48. 48. Паппалардо Г., Аллегра Д., Станко Ф., Фаринелла Г.М. Об использовании временной избыточности для улучшения обнаружения полипов при колоноскопии. Опубликовано: 4-я Международная конференция IEEE по обработке изображений, приложениям и системам (IPAS), 2020 г.ИЭЭЭ; 2020. с. 58–63.
  49. 49. Мэтью С., Надим С., Кумари С., Кауфман А. Расширение колоноскопии с использованием расширенного и направленного цикла CycleGAN для трансляции изображений с потерями. В: Труды конференции IEEE/CVF по компьютерному зрению и распознаванию образов; 2020. с. 4696–4705.
  50. 50. Mo X, Tao K, Wang Q, Wang G. Эффективный подход к обнаружению полипов в эндоскопических видео на основе более быстрого R-CNN. In: 2018 24-я международная конференция по распознаванию образов (ICPR).ИЭЭЭ; 2018. с. 3929–3934.
  51. 51. Патель К., Бур А.М., Ван Г. Усовершенствованная сеть U-Net: сеть улучшения характеристик для сегментации полипов. Препринт arXiv arXiv: 210500999. 2021;.
  52. 52. Рен С., Хе К., Гиршик Р., Сан Дж. Faster r-cnn: На пути к обнаружению объектов в реальном времени с помощью сетей региональных предложений. В: Достижения в нейронных системах обработки информации; 2015. с. 91–99.
  53. 53. Гиршик Р., Донахью Дж., Даррелл Т., Малик Дж. Богатые иерархии функций для точного обнаружения объектов и семантической сегментации.В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2014. с. 580–587.
  54. 54. Гиршик Р. Быстрый р-кнн. В: Материалы международной конференции IEEE по компьютерному зрению; 2015. с. 1440–1448 гг.
  55. 55. He K, Zhang X, Ren S, Sun J. Глубокое остаточное обучение для распознавания изображений. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2016. с. 770–778.
  56. 56. Редмон Дж., Фархади А.Yolov3: Постепенное улучшение. Препринт arXiv arXiv: 180402767. 2018;
  57. 57. Редмон Дж., Диввала С., Гиршик Р., Фархади А. Вы смотрите только один раз: унифицированное обнаружение объектов в реальном времени. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2016. с. 779–788.
  58. 58. Редмон Дж., Фархади А. YOLO9000: лучше, быстрее, сильнее. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2017. с. 7263–7271.
  59. 59.Бочковский А., Ван С.И., Ляо ХИМ. Yolov4: Оптимальная скорость и точность обнаружения объектов. Препринт arXiv arXiv: 200410934. 2020;.
  60. 60. Ван С.И., Ляо ХИМ, Ву Ю.Х., Чен П.Ю., Се Д.В., Йе И.Х. CSPNet: новая магистраль, которая может повысить обучаемость CNN. В: Труды конференции IEEE/CVF по компьютерному зрению и семинарам по распознаванию образов; 2020. с. 390–391.
  61. 61. He K, Zhang X, Ren S, Sun J. Объединение пространственных пирамид в глубоких сверточных сетях для визуального распознавания. Транзакции IEEE по анализу образов и машинному интеллекту. 2015;37(9):1904–1916.
  62. 62. Лин Т.И., Доллар П., Гиршик Р., Хе К., Харихаран Б., Белонги С. Особенности сетей пирамид для обнаружения объектов. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2017. с. 2117–2125 гг.
  63. 63. Лю С., Ци Л., Цинь Х., Ши Дж., Цзя Дж. Сеть агрегации путей для сегментации экземпляров. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2018.п. 8759–8768.
  64. 64. Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu CY, et al. Ssd: однократный многокамерный детектор. В: Европейская конференция по компьютерному зрению. Спрингер; 2016. с. 21–37.
  65. 65. Лин Т.Ю., Гоял П., Гиршик Р., Хе К., Доллар П. Фокальные потери при обнаружении плотных объектов. В: Материалы международной конференции IEEE по компьютерному зрению; 2017. с. 2980–2988 гг.
  66. 66. Li Z, Peng C, Yu G, Zhang X, Deng Y, Sun J. Detnet: Магистральная сеть для обнаружения объектов.Препринт arXiv arXiv: 180406215. 2018;
  67. 67. Ю Ф, Колтун В, Фанхаузер Т. Расширенные остаточные сети. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2017. с. 472–480.
  68. 68. Чжан С., Вэнь Л., Бянь С., Лэй З., Ли С.З. Однократная уточняющая нейронная сеть для обнаружения объектов. В: Труды конференции IEEE по компьютерному зрению и распознаванию образов; 2018. с. 4203–4212.
  69. 69. Чжан С., Чи С., Яо И., Лэй З., Ли С.З.Преодоление разрыва между обнаружением на основе привязки и обнаружением без привязки с помощью адаптивного выбора обучающей выборки. В: Труды конференции IEEE/CVF по компьютерному зрению и распознаванию образов; 2020. с. 9759–9768.
  70. 70. Tian Z, Shen C, Chen H, He T. Fcos: Полностью сверточное одноэтапное обнаружение объектов. В: Материалы Международной конференции IEEE/CVF по компьютерному зрению; 2019. с. 9627–9636.
  71. 71. Месехо П., Писарро Д., Абергель А., Рукетт О., Беоркиа С., Пуанкло Л. и др.Компьютерная классификация поражений желудочно-кишечного тракта при обычной колоноскопии. Транзакции IEEE по медицинской визуализации. 2016;35(9):2051–2063. пмид:28005009
  72. 72. Чен Ю., Ли В., Сакаридис С., Дай Д., Ван Гул Л. Домен адаптивно ускоряет r-cnn для обнаружения объектов в дикой природе. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2018. с. 3339–3348.
  73. 73. Джа Д., Али С., Томар Н.К., Йохансен Х.Д., Йохансен Д., Ритчер Дж. и др. Обнаружение, локализация и сегментация полипов в режиме реального времени при колоноскопии с использованием глубокого обучения.Иии доступ. 2021;9:40496–40510. пмид:33747684
  74. 74. Smedsrud PH, Thambawita V, Hicks SA, Gjestang H, Nedrejord OO, Næss E, et al. Квасир-Капсула, набор видеокапсульной эндоскопии. Научные данные. 2021;8(1):1–10. пмид:34045470
  75. 75. Borgli H, Thambawita V, Smedsrud PH, Hicks S, Jha D, Eskeland SL, et al. HyperKvasir, комплексный многоклассовый набор изображений и видео для эндоскопии желудочно-кишечного тракта. Научные данные. 2020;7(1):1–14. пмид:32859981
  76. 76.Jha D, Smedsrud PH, Riegler MA, Halvorsen P, de Lange T, Johansen D, et al. Kvasir-seg: набор данных о сегментированных полипах. В: Международная конференция по мультимедийному моделированию. Спрингер; 2020. с. 451–462.
  77. 77. Лин Т.И., Мэр М., Белонги С., Хейс Дж., Перона П., Раманан Д. и др. Microsoft coco: общие объекты в контексте. В: Европейская конференция по компьютерному зрению. Спрингер; 2014. с. 740–755.
  78. 78. Bernal J, Tajkbaksh N, Sánchez FJ, Matuszewski BJ, Chen H, Yu L, et al.Сравнительная проверка методов обнаружения полипов при видеоколоноскопии: результаты исследования эндоскопического зрения MICCAI 2015. Транзакции IEEE по медицинской визуализации. 2017;36(6):1231–1249. пмид: 28182555

Компьютерное обнаружение полипов в толстой кишке — Просмотр полного текста

Продолжительность исследования — Ожидается, что продолжительность исследования составит 8-12 месяцев. Набор пациентов в исследование прекратится, когда будет зачислено примерно 250 пациентов.

Дизайн исследования. Дизайн будет многоцентровым, проспективным, неслепым рандомизированным контролируемым исследованием.Будут включены пациенты, направленные либо на скрининг, либо на контрольную колоноскопию.

Оборудование: Помимо используемого стандартного медицинского инструментария, второй компьютерный монитор, который будет стоять за стандартным монитором, используемым во время колоноскопии. Дополнительно системный блок компьютера с операционной системой.

Стандартная клиническая процедура Обычно для колоноскопии используется внутривенная седация с использованием комбинации бензодиазепинов и наркотических препаратов (с пропофолом или без него под наблюдением обученного анестезиолога).На протяжении всей процедуры используется непрерывная пульсоксиметрия и мониторинг артериального давления. Дополнительный кислород используется по мере необходимости. Больных обычно укладывают в положение лежа на левом боку и в прямую кишку вводят колоноскоп. Колоноскоп продвигают под прямой визуализацией до достижения слепой кишки и аппендикулярного отверстия. Колоноскоп обычно ретрофлексируют в прямой кишке. Колоноскопист тщательно осматривает каждый сегмент толстой кишки во время продвижения и затем снова при извлечении колоноскопа.Любые подозрительные поражения, обнаруженные во время введения или извлечения, осматриваются колоноскопистом, и клиницист принимает окончательное решение о том, следует ли удалять данное поражение. Любое поражение, которое считается подозрительным или полиповидным, удаляется с помощью полипэктомии единым блоком, частичной полипэктомии или может быть направлено на эндоскопическую резекцию слизистой оболочки (EMR) позднее. После процедуры пациенты восстанавливаются в постпроцедурной палате восстановления. После процедуры результаты обсуждаются с пациентом.С пациентом обсуждается способность колоноскопии обнаруживать поражения, а также тот факт, что небольшой процент полипов и других поражений может быть пропущен во время теста.

Процедура исследования Пациенты будут проходить колоноскопию у гастроэнтеролога. Во время стандартного клинического процедурного протокола и в течение периода исследования колоноскописты будут иметь преимущество второго монитора, который будет проецировать алгоритм обнаружения полипов в режиме реального времени на видеовыход колоноскопии.Алгоритм обнаружит подозрительные, похожие на полипы поражения в просвете толстой кишки, а во время процедуры научный сотрудник будет постоянно смотреть на второй монитор и записывать отметку времени для любых потенциальных полипов на листе сбора данных во время процедуры.

Переменные сбора данных, собранные и измеренные, будут включать колоноскописта(ов), выполняющего процедуру, количество аденом, отмеченных за процедуру, частоту обнаружения аденом для данного колоноскописта, количество полипов, обнаруженных за процедуру, частоту обнаружения полипов (процент выполненных колоноскопических исследований, которые обнаружение одного или нескольких полипов), частота интубации слепой кишки, время, необходимое для достижения слепой кишки, время, необходимое для извлечения колоноскопа как при выявлении полипов (и, следовательно, их необходимо удалить), так и при обычной колоноскопии, уровень седации и осложнения: острая, если в течение 48 часов после процедуры и с задержкой, если в течение 3-30 дней после процедуры.

Анализ данных. Непрерывные переменные с нормальным распределением будут суммироваться с использованием средних значений и стандартных отклонений, в то время как непрерывные переменные с ненормальным распределением будут суммироваться с использованием медиан и диапазонов.

Обнаружение и классификация полипов толстой кишки — полнотекстовый просмотр

II. Гипотеза:

  1. Использование NBI-колоноскопии снизит частоту пропуска полипов толстой кишки по сравнению со стандартной визуализацией в белом свете.
  2. HDWl и HDNBI являются более точными, чем стандартная колоноскопия, для классификации аденоматозных полипов по сравнению с другими непредраковыми полипами.

III. Конкретные цели:

  1. Сравните процент ошибок при стандартной визуализации в белом свете по сравнению с NBI для обнаружения полипов толстой кишки с помощью NBI
  2. Оцените точность стандартных режимов визуализации белого света, HDWL и HDNBI для классификации аденоматозных (предраковых) и неаденоматозных (гиперпластических, воспалительных, нормальных) полипов.
  3. Изучите соглашение между наблюдателями по классификации аденоматозных и неаденоматозных полипов на основе стандартной визуализации, NBI и HDWL.

IV. Дизайн и методы исследования:

4.1 Дизайн исследования: проспективное перекрестное исследование фазы II. Пациенты будут проходить обе процедуры (стандартная, NBI) подряд под седацией в сознании. Порядок процедуры будет случайным.

4.2 Место проведения: исследование будет проходить в клинике Мэйо в Джексонвилле, отделении гастроэнтерологии, экспертном центре по диагностике и лечению полипов толстой кишки.

4.3 Субъекты исследования Все пациенты, которым назначена колоноскопия в Mayo Clinic Jacksonville, будут проверены на соответствие критериям включения и исключения.Пациентам, которые будут признаны подходящими, будет предложено участие в исследовании. Будет получено информированное согласие, и участник будет зарегистрирован в нашей базе данных. До согласия участник будет проинформирован о исследовательском характере исследования, альтернативах, рисках и преимуществах.

4.4 Критерии приемлемости

Критерии включения:

  1. Возраст от 18 лет и старше.
  2. Информированное письменное согласие.

Критерии исключения:

  1. История воспалительных заболеваний кишечника.
  2. Пациенты с тяжелым сердечно-легочным заболеванием, исключающим колоноскопию.
  3. Наличие состояний, не позволяющих выполнить полипэктомию или биопсию (например, нарушение свертывания крови).
  4. Известный синдром семейного полипоза (САП, HNPCC, ювенильный полипоз и т. д.)
  5. Неоптимальная подготовка к процедуре, которая будет определяться анамнезом пациента или исходной колоноскопией.
  6. Беременность

4.5 Процедура и сбор данных

А. Предварительная процедура:

Все пациенты будут подготовлены к колоноскопии со стандартной подготовкой и будут назначены на процедуру в Mayo Clinic Jacksonville. Главный исследователь (PI) проведет скрининг подходящих пациентов на основании истории болезни, физического осмотра и лабораторных данных в день процедуры.

Пациенты обычно прибывают в регистратуру как минимум за 60 минут до начала запланированной процедуры. Медсестра эндоскопии желудочно-кишечного тракта подготовит пациентов стандартным образом, и им будет установлен внутривенный доступ.Подходящим пациентам будет предложено информированное согласие со стороны ИП исследования или уполномоченного лица. Пациенты, давшие согласие на участие в исследовании, подпишут информированное согласие и будут зарегистрированы в базе данных. Журнал только с неидентифицируемыми (например, пациентами № 1) также будет вестись для подходящих пациентов, которые отказываются от участия. Медсестра эндоскопии желудочно-кишечного тракта будет контролировать жизненно важные органы пациента до, во время и после процедуры в соответствии со стандартным протоколом.

Б. Процедура:

Обследования будут проводиться последовательно с помощью стандартного колоноскопа и колоноскопа ETMI, предоставленных Olympus.Порядок первой и второй процедур будет рандомизирован в соответствии со списком, подготовленным статистиком с использованием случайно переставленных блоков, чтобы обеспечить рандомизацию равного количества пациентов в две группы. Всем пациентам будет введена седация меперидином или фентанилом и мидазоламом для достижения седации в сознании. Каждая процедура будет проводиться другим эндоскопистом. Эндоскопист будет либо P.I. под наблюдением штатного врача GI или исключительно одним из пяти штатных врачей GI.Во время начальной колоноскопии все визуализированные полипы будут отмечены, сфотографированы и удалены. При использовании колоноскопа ETMI все полипы будут фотографироваться в этих режимах (HDWL, HDNBI). Часть обследования NBI будет выполняться с использованием колпачка MB-046 для дальнейшего улучшения стабилизации фокусного расстояния колоноскопа.

Вторая процедура будет проведена с таким же уровнем тщательного осмотра, как и первая, хотя мы специально не ограничиваем время извлечения сверх того, что эндоскопист считает необходимым для тщательного обследования.Во время повторной колоноскопии все визуализированные полипы будут отмечены, сфотографированы и удалены. Во время первой процедуры время будет оцениваться секундомером. Секундомер запустится, когда эндоскопист начнет отведение в слепой кишке, и остановится, когда эндоскоп будет удален от анального края. Часы будут остановлены во время промывания кишечника, полипэктомии, биопсии или любого другого терапевтического вмешательства. В конце первой процедуры эндоскопист будет проинформирован о времени вывода и осмотра, и будут предприняты все усилия, чтобы сопоставить это со второй процедурой.Точно так же будет фиксироваться время и для второй процедуры. Полипы классифицируются как приподнятые на ножке (округлые) или плоские. Плоские полипы будут далее классифицироваться в соответствии с Парижской эндоскопической классификацией 14.

C. После процедуры:

После процедуры все пациенты будут доставлены на выздоровление и будут находиться под наблюдением в соответствии со стандартным протоколом. Участникам будут даны инструкции по выписке в соответствии с протоколом, а также им будет предоставлена ​​информация для связи с P.I. Если возникнут какие-либо проблемы. Любые постпроцедурные осложнения будут рассматриваться еженедельно.

Общие сведения о полипах толстой кишки и их лечении – рефлюкс, боль в животе, язвы

Эта информация была подготовлена ​​Комитетом по публикациям Американского общества желудочно-кишечной эндоскопии (ASGE). Для получения дополнительной информации об ASGE посетите сайт www.asge.org.

Эта информация предназначена только для предоставления общих рекомендаций. Он не дает окончательных медицинских рекомендаций.Важно, чтобы вы проконсультировались с врачом о вашем конкретном состоянии.

Многие специалисты рекомендуют колоноскопию в качестве метода скрининга рака толстой кишки. Колоноскопия может обнаружить полипы. Одним из преимуществ колоноскопии по сравнению с другими методами скрининга является то, что любые обнаруженные или подозреваемые полипы могут быть удалены во время той же процедуры, что и скрининг.

Что такое полип толстой кишки?

Полипы — это доброкачественные новообразования (нераковые опухоли или новообразования), поражающие слизистую оболочку кишечника. Они могут возникать в нескольких местах желудочно-кишечного тракта, но чаще всего в толстой кишке. Они различаются по размеру от менее четверти дюйма до нескольких дюймов в диаметре. Они выглядят как небольшие бугорки, растущие из слизистой оболочки кишечника и выступающие в просвет (полость кишечника). Иногда они растут на «ножке» и выглядят как грибы. Некоторые полипы также могут быть плоскими. У многих больных имеется несколько полипов, разбросанных по разным отделам толстой кишки. Некоторые полипы могут содержать небольшие участки рака, хотя в подавляющем большинстве полипов их нет.

Насколько распространены полипы толстой кишки? Что их вызывает?

Полипы очень часто встречаются у взрослых, у которых повышается вероятность их приобретения, особенно с возрастом. Хотя это довольно редко встречается у 20-летних, по оценкам, средний 60-летний человек без особых факторов риска полипов имеет 25-процентную вероятность наличия полипа. Мы не знаем, что вызывает полипы. Некоторые эксперты считают, что диета с высоким содержанием жиров и низким содержанием клетчатки может быть предрасположенностью к образованию полипов. Также может существовать генетический риск развития полипов.

 

Колоноскопия, самый точный способ обнаружения полипов среди доступных методов, почти всегда проводится амбулаторно и обычно занимает менее 45 минут.

Каковы известные риски развития полипов?

Самым большим фактором риска развития полипов является возраст старше 50 лет. Семейный анамнез полипов толстой кишки или рака толстой кишки увеличивает риск полипов. Кроме того, пациенты с личным анамнезом полипов или рака толстой кишки подвержены риску развития новых полипов.Кроме того, есть некоторые редкие синдромы полипов или рака, которые передаются по наследству и повышают риск возникновения полипов в более молодом возрасте.

Существуют ли разные типы полипов?

Существует два распространенных типа: гиперпластический полип и аденома. Гиперпластический полип обычно не подвержен раку. Однако считается, что аденома является предшественником (происхождением) почти всех видов рака толстой кишки, хотя большинство аденом никогда не становится раком. Гистология (исследование ткани под микроскопом) — лучший способ дифференцировать гиперпластические и аденоматозные полипы.Хотя невозможно сказать, какие аденоматозные полипы станут раковыми, более крупные полипы с большей вероятностью станут раковыми, а некоторые из самых крупных (более 1 дюйма) уже могут содержать небольшие участки рака. Поскольку ваш врач обычно не может определить тип ткани по внешнему виду полипа, врачи обычно рекомендуют удалять все полипы, обнаруженные во время колоноскопии.

При колоноскопии врач вводит эндоскоп через прямую кишку в толстую кишку, чтобы исследовать ткань стенки толстой кишки на наличие аномалий, таких как полипы.

Как обнаруживаются полипы?

Большинство полипов не вызывают никаких симптомов. Более крупные могут вызывать появление крови в стуле, но даже они обычно протекают бессимптомно. Таким образом, лучший способ обнаружить полипы — это скрининг людей без симптомов. Доступны несколько других методов скрининга: проверка образцов стула на наличие следов крови, выполнение сигмоидоскопии для осмотра нижней трети толстой кишки или использование радиологического теста, такого как ирригационная клизма или КТ-колонография.

Если один из этих тестов обнаруживает полипы или подозревает их, ваш врач обычно рекомендует колоноскопию для их удаления.Поскольку колоноскопия является наиболее точным способом обнаружения полипов, многие эксперты в настоящее время рекомендуют колоноскопию в качестве метода скрининга, чтобы любые обнаруженные или подозреваемые полипы можно было удалить во время той же процедуры.

Как удаляют полипы?

Большинство полипов, обнаруженных во время колоноскопии, могут быть полностью удалены во время процедуры. Доступны различные методы удаления; в большинстве случаев их удаляют проволочной петлей, щипцами для биопсии и/или прижигают основание полипа электрическим током.Это называется резекцией полипа. Поскольку слизистая оболочка кишечника не чувствительна к разрезанию или ожогу, резекция полипа не вызывает дискомфорта. Затем патологоанатом исследует удаленные полипы под микроскопом, чтобы определить тип ткани и обнаружить рак. Если большой или необычно выглядящий полип удален или оставлен для возможного хирургического лечения, эндоскопист может отметить место, введя небольшое количество стерильной туши или сажи в стенку кишечника. Это называется эндоскопическая татуировка.

Эндоскоп — это медицинский прибор, используемый опытными врачами для осмотра желудочно-кишечного тракта на наличие аномалий, таких как полипы. Врач-эксперт контролирует движение гибкой трубки с помощью рукоятки эндоскопа.

Каковы риски удаления полипа?

Удаление полипов (или полипэктомия) во время колоноскопии является рутинной амбулаторной процедурой. Возможные осложнения, которые встречаются редко, включают кровотечение из места полипэктомии и перфорацию (отверстие или разрыв) толстой кишки.Кровотечение из места полипэктомии может быть немедленным или отсроченным на несколько дней; стойкое кровотечение почти всегда может быть остановлено лечением во время повторной колоноскопии. Перфорации возникают редко и могут потребовать хирургического вмешательства для восстановления.

Как часто мне нужно проводить колоноскопию, если у меня удалены полипы?

Ваш врач решит, когда необходимо провести следующую колоноскопию. Сроки зависят от нескольких факторов, включая количество и размер удаленных полипов, тип ткани полипов и качество очистки толстой кишки во время предыдущей процедуры.Качество очистки влияет на способность вашего врача видеть поверхность толстой кишки. Если полипы были небольшими и во время колоноскопии была хорошо видна вся толстая кишка, врачи обычно рекомендуют повторную колоноскопию через три-пять лет. Если ваша повторная колоноскопия не показывает никаких признаков полипов, вам может не понадобиться еще одна процедура в течение дополнительных пяти лет. Однако, если полипы были большими и плоскими, врач может порекомендовать повторную колоноскопию с интервалом всего в несколько месяцев, чтобы обеспечить полное удаление полипов.Ваш врач обсудит с вами эти варианты.

Что я должен знать о скрининге колоректального рака?

Что такое скрининг колоректального рака?

Скрининг-тест используется для выявления болезни, когда у человека нет симптомов. (Когда у человека есть симптомы, диагностических тестов используются для выяснения причины симптомов.)

Колоректальный рак почти всегда развивается из предраковых полипов (аномальных новообразований) в толстой или прямой кишке.Скрининг-тесты могут обнаружить предраковые полипы, чтобы их можно было удалить до того, как они перерастут в рак. Скрининговые тесты также могут выявить колоректальный рак на ранней стадии, когда лечение работает лучше всего.

Рекомендации по скринингу

Регулярный скрининг, начиная с 45 лет, является ключом к предотвращению колоректального рака и его раннему обнаружению. Целевая группа по профилактическим услугам США (Task Force) рекомендует, чтобы взрослые в возрасте от 45 до 75 лет проходили скрининг на колоректальный рак. Целевая группа рекомендует взрослым в возрасте от 76 до 85 лет поговорить со своим врачом о скрининге.

Целевая группа рекомендует несколько стратегий скрининга колоректального рака, включая анализы кала, гибкую сигмоидоскопию, колоноскопию и КТ-колонографию (виртуальную колоноскопию). Узнайте об этих скрининговых тестах.

Когда я должен начать проходить обследование?

Большинству людей следует начать обследование на колоректальный рак вскоре после достижения ими 45-летнего возраста, а затем продолжать проходить обследование через регулярные промежутки времени. Однако вам может потребоваться проходить тестирование раньше, чем в 45 лет, или чаще, чем у других людей, если у вас есть—

Если вы считаете, что подвержены повышенному риску колоректального рака, поговорите со своим врачом о—

  • Когда начинать проверку.
  • Какой тест подходит именно вам.
  • Как часто нужно проходить тестирование.

Страхование и покрытие Medicare

Скрининг-тесты на колоректальный рак могут покрываться вашим полисом медицинского страхования без франшизы или доплаты. Для получения дополнительной информации о покрытии Medicare посетите веб-сайт www.medicare.govexternal icon или позвоните по телефону 1-800-MEDICARE (1-800-633-4227).

Добавить комментарий

Ваш адрес email не будет опубликован.