Skip to main content

01.09.2023 | Chirurgie

Anwendung von künstlicher Intelligenz in der onkologischen Chirurgie des oberen Gastrointestinaltrakts

verfasst von: Dr. med. Jennifer A. Eckhoff, Uni.-Prof. Dr. Hans F. Fuchs, Dr. Ozanan R. Meireles

Erschienen in: Wiener klinisches Magazin

Einloggen, um Zugang zu erhalten

Zusammenfassung

Hintergrund

Mit zunehmendem technologischem Fortschritt im Operationssaal hat auch die Anwendung von künstlicher Intelligenz (KI) auf die minimal-invasive Chirurgie in den vergangenen Jahren vermehrt an wissenschaftlicher Aufmerksamkeit gewonnen. Die Verwendung von Computer Vision zur Analyse von chirurgischen Video- und Bilddateien zielt darauf ab, Algorithmen des maschinellen Lernens ein umfassendes Verständnis von zeitlich und räumlichen Sachverhalten im Operationsgebiet zu vermitteln. KI gelingt es mit zunehmender Genauigkeit, chirurgische Instrumente und anatomische Strukturen sowie deren Interaktion zu differenzieren, optimale Dissektionsareale auf das Operationsfeld zu projizieren und komplexe chirurgische Zusammenhänge nachzuvollziehen. Zudem ist die automatisierte Erkennung und Vorhersage von operativen Teilschritten oder „Phasen“ ein dominanter Forschungsschwerpunkt. Jedoch beschränkt sich das Feld derzeit vorrangig auf hoch standardisierte, routinierte Eingriffe wie z. B. die laparoskopische Cholezystektomie. Die Anwendung auf onkologische Operationen i. Allg., v. a. aber auf die Chirurgie des oberen Gastrointestinaltrakts, ist überschaubar. Um das volle klinische Potenzial von KI zur intraoperativen Analyse und operativen Risikominimierung zu entfalten, müssen jene Algorithmen auf hoch komplexe und v. a. onkologische Eingriffe generalisierbar sein.

Ziel

Dieser Artikel gibt eine Übersicht über derzeit etablierte Anwendungsmöglichkeiten von KI auf die minimal-invasive Chirurgie des oberen Gastrointestinaltrakts i. Allg. und speziell im Hinblick auf onkologische Chirurgie. Darüber hinaus werden zukünftige Möglichkeiten und Einschränkungen des derzeit translationalen Forschungsgebiets erläutert.
Literatur
1.
Zurück zum Zitat Hashimoto DA, Rosman G, Rus D, Meireles OR (2018) Artificial intelligence in surgery: promises and perils. Ann Surg 268:70–76CrossRefPubMed Hashimoto DA, Rosman G, Rus D, Meireles OR (2018) Artificial intelligence in surgery: promises and perils. Ann Surg 268:70–76CrossRefPubMed
2.
Zurück zum Zitat Hamet P, Tremblay J (2017) Artificial intelligence in medicine. Metabolism 69:S36–S40CrossRef Hamet P, Tremblay J (2017) Artificial intelligence in medicine. Metabolism 69:S36–S40CrossRef
3.
Zurück zum Zitat Tranter-Entwistle I, Wang H, Daly K, Maxwell S, Connor S (2021) The challenges of implementing artificial intelligence into surgical practice. World J Surg 45:420–428CrossRefPubMed Tranter-Entwistle I, Wang H, Daly K, Maxwell S, Connor S (2021) The challenges of implementing artificial intelligence into surgical practice. World J Surg 45:420–428CrossRefPubMed
5.
Zurück zum Zitat Leibig C et al (2022) Combining the strengths of radiologists and AI for breast cancer screening: a retrospective analysis. Lancet Digit Health 4:e507–e519CrossRefPubMedPubMedCentral Leibig C et al (2022) Combining the strengths of radiologists and AI for breast cancer screening: a retrospective analysis. Lancet Digit Health 4:e507–e519CrossRefPubMedPubMedCentral
6.
Zurück zum Zitat Padhy SK, Takkar B, Chawla R, Kumar A (2019) Artificial intelligence in diabetic retinopathy: a natural step to the future. Indian J Ophthalmol 67:1004–1009CrossRefPubMedPubMedCentral Padhy SK, Takkar B, Chawla R, Kumar A (2019) Artificial intelligence in diabetic retinopathy: a natural step to the future. Indian J Ophthalmol 67:1004–1009CrossRefPubMedPubMedCentral
7.
8.
Zurück zum Zitat Madni TD et al (2018) The Parkland grading scale for cholecystitis. Am J Surg 215:625–630CrossRefPubMed Madni TD et al (2018) The Parkland grading scale for cholecystitis. Am J Surg 215:625–630CrossRefPubMed
9.
Zurück zum Zitat Hashimoto DA et al (2019) Computer vision analysis of intraoperative video: automated recognition of operative steps in laparoscopic sleeve gastrectomy: automated recognition of operative steps in laparoscopic sleeve gastrectomy. Ann Surg 270:414–421CrossRefPubMed Hashimoto DA et al (2019) Computer vision analysis of intraoperative video: automated recognition of operative steps in laparoscopic sleeve gastrectomy: automated recognition of operative steps in laparoscopic sleeve gastrectomy. Ann Surg 270:414–421CrossRefPubMed
10.
Zurück zum Zitat Nilsson NJ (2009) The quest for artificial intelligence. Cambridge University PressCrossRef Nilsson NJ (2009) The quest for artificial intelligence. Cambridge University PressCrossRef
11.
Zurück zum Zitat Garrow CR et al (2021) Machine learning for surgical phase recognition: a systematic review. Ann Surg 273:684–693CrossRefPubMed Garrow CR et al (2021) Machine learning for surgical phase recognition: a systematic review. Ann Surg 273:684–693CrossRefPubMed
13.
Zurück zum Zitat Yamazaki Y et al (2020) Automated surgical instrument detection from laparoscopic gastrectomy video images using an open source convolutional neural network platform. J Am Coll Surg 230:725–732.e1CrossRefPubMed Yamazaki Y et al (2020) Automated surgical instrument detection from laparoscopic gastrectomy video images using an open source convolutional neural network platform. J Am Coll Surg 230:725–732.e1CrossRefPubMed
14.
Zurück zum Zitat Nwoye CI et al (2021) Rendezvous: attention mechanisms for the recognition of surgical action triplets in endoscopic videos (arXiv) Nwoye CI et al (2021) Rendezvous: attention mechanisms for the recognition of surgical action triplets in endoscopic videos (arXiv)
15.
Zurück zum Zitat Twinanda AP et al (2017) Endonet: a deep architecture for recognition tasks on laparoscopic videos. IEEE Trans Med Imaging 36:86–97CrossRefPubMed Twinanda AP et al (2017) Endonet: a deep architecture for recognition tasks on laparoscopic videos. IEEE Trans Med Imaging 36:86–97CrossRefPubMed
16.
Zurück zum Zitat Namazi B et al (2020) AI for automated detection of the establishment of critical view of safety in laparoscopic cholecystectomy videos. J Am Coll Surg 231:e48CrossRef Namazi B et al (2020) AI for automated detection of the establishment of critical view of safety in laparoscopic cholecystectomy videos. J Am Coll Surg 231:e48CrossRef
17.
Zurück zum Zitat Mascagni P et al (2021) Surgical data science for safe cholecystectomy: a protocol for segmentation of hepatocystic anatomy and assessment of the critical view of safety (arXiv) Mascagni P et al (2021) Surgical data science for safe cholecystectomy: a protocol for segmentation of hepatocystic anatomy and assessment of the critical view of safety (arXiv)
18.
Zurück zum Zitat Madni TD et al (2019) Prospective validation of the parkland grading scale for cholecystitis. Am J Surg 217:90–97CrossRefPubMed Madni TD et al (2019) Prospective validation of the parkland grading scale for cholecystitis. Am J Surg 217:90–97CrossRefPubMed
19.
Zurück zum Zitat Kitaguchi D et al (2020) Automated laparoscopic colorectal surgery workflow recognition using artificial intelligence: experimental research. Int J Surg 79:88–94CrossRefPubMed Kitaguchi D et al (2020) Automated laparoscopic colorectal surgery workflow recognition using artificial intelligence: experimental research. Int J Surg 79:88–94CrossRefPubMed
21.
Zurück zum Zitat Padoy N (2019) Machine and deep learning for workflow recognition during surgery. Minim Invasive Ther Allied Technol 28:82–90CrossRefPubMed Padoy N (2019) Machine and deep learning for workflow recognition during surgery. Minim Invasive Ther Allied Technol 28:82–90CrossRefPubMed
23.
Zurück zum Zitat Zhou X‑Y, Guo Y, Shen M, Yang G‑Z (2020) Application of artificial intelligence in surgery. Front Med 14:417–430CrossRefPubMed Zhou X‑Y, Guo Y, Shen M, Yang G‑Z (2020) Application of artificial intelligence in surgery. Front Med 14:417–430CrossRefPubMed
24.
Zurück zum Zitat van Workum F et al (2021) Intrathoracic vs cervical anastomosis after totally or hybrid minimally invasive esophagectomy for esophageal cancer: a randomized clinical trial. JAMA Surg 156:601–610CrossRefPubMedPubMedCentral van Workum F et al (2021) Intrathoracic vs cervical anastomosis after totally or hybrid minimally invasive esophagectomy for esophageal cancer: a randomized clinical trial. JAMA Surg 156:601–610CrossRefPubMedPubMedCentral
25.
Zurück zum Zitat Fuchs HF, Müller DT, Leers JM, Schröder W, Bruns CJ (2019) Modular step-up approach to robot-assisted transthoracic esophagectomy-experience of a German high volume center. Transl Gastroenterol Hepatol 4:62CrossRefPubMedPubMedCentral Fuchs HF, Müller DT, Leers JM, Schröder W, Bruns CJ (2019) Modular step-up approach to robot-assisted transthoracic esophagectomy-experience of a German high volume center. Transl Gastroenterol Hepatol 4:62CrossRefPubMedPubMedCentral
26.
Zurück zum Zitat Ward TM et al (2021) Automated operative phase identification in peroral endoscopic myotomy. Surg Endosc 35:4008–4015CrossRefPubMed Ward TM et al (2021) Automated operative phase identification in peroral endoscopic myotomy. Surg Endosc 35:4008–4015CrossRefPubMed
27.
Zurück zum Zitat Takeuchi M et al (2022) Automated surgical-phase recognition for robot-assisted minimally invasive esophagectomy using artificial intelligence. Ann Surg Oncol 29:6847–6855CrossRefPubMed Takeuchi M et al (2022) Automated surgical-phase recognition for robot-assisted minimally invasive esophagectomy using artificial intelligence. Ann Surg Oncol 29:6847–6855CrossRefPubMed
28.
Zurück zum Zitat Meireles OR et al (2021) SAGES consensus recommendations on an annotation framework for surgical video. Surg Endosc 35:4918–4929CrossRefPubMed Meireles OR et al (2021) SAGES consensus recommendations on an annotation framework for surgical video. Surg Endosc 35:4918–4929CrossRefPubMed
30.
Zurück zum Zitat Yu H, Singh R, Shin SH, Ho KY (2021) Artificial intelligence in upper GI endoscopy—current status, challenges and future promise. J Gastroenterol Hepatol 36:20–24CrossRefPubMed Yu H, Singh R, Shin SH, Ho KY (2021) Artificial intelligence in upper GI endoscopy—current status, challenges and future promise. J Gastroenterol Hepatol 36:20–24CrossRefPubMed
31.
Zurück zum Zitat Ghatwary N, Zolgharni M, Janan F, Ye X (2021) Learning spatiotemporal features for esophageal abnormality detection from endoscopic videos. IEEE J Biomed Health Inform 25:131–142CrossRefPubMed Ghatwary N, Zolgharni M, Janan F, Ye X (2021) Learning spatiotemporal features for esophageal abnormality detection from endoscopic videos. IEEE J Biomed Health Inform 25:131–142CrossRefPubMed
32.
Zurück zum Zitat Hamade N, Sharma P (2021) Artificial intelligence in Barrett’s esophagus. Ther Adv Gastrointest Endosc 14:26317745211049964PubMedPubMedCentral Hamade N, Sharma P (2021) Artificial intelligence in Barrett’s esophagus. Ther Adv Gastrointest Endosc 14:26317745211049964PubMedPubMedCentral
33.
34.
Zurück zum Zitat Chen H, Zhou X, Tang X, Li S, Zhang G (2020) Prediction of lymph node metastasis in superficial esophageal cancer using a pattern recognition neural network. Cancer Manag Res 12:12249–12258CrossRefPubMedPubMedCentral Chen H, Zhou X, Tang X, Li S, Zhang G (2020) Prediction of lymph node metastasis in superficial esophageal cancer using a pattern recognition neural network. Cancer Manag Res 12:12249–12258CrossRefPubMedPubMedCentral
35.
Zurück zum Zitat Ou J et al (2019) CT radiomic features for predicting resectability of oesophageal squamous cell carcinoma as given by feature analysis: a case control study. Cancer Imaging 19:66CrossRefPubMedPubMedCentral Ou J et al (2019) CT radiomic features for predicting resectability of oesophageal squamous cell carcinoma as given by feature analysis: a case control study. Cancer Imaging 19:66CrossRefPubMedPubMedCentral
36.
Zurück zum Zitat Rice TW, Lu M, Ishwaran H, Blackstone EH, Worldwide Esophageal Cancer Collaboration Investigators (2019) Precision surgical therapy for adenocarcinoma of the esophagus and esophagogastric junction. J Thorac Oncol 14:2164–2175CrossRefPubMedPubMedCentral Rice TW, Lu M, Ishwaran H, Blackstone EH, Worldwide Esophageal Cancer Collaboration Investigators (2019) Precision surgical therapy for adenocarcinoma of the esophagus and esophagogastric junction. J Thorac Oncol 14:2164–2175CrossRefPubMedPubMedCentral
37.
Zurück zum Zitat Zhang Y‑H, Guo L‑J, Yuan X‑L, Hu B (2020) Artificial intelligence-assisted esophageal cancer management: now and future. World J Gastroenterol 26:5256–5271CrossRefPubMedPubMedCentral Zhang Y‑H, Guo L‑J, Yuan X‑L, Hu B (2020) Artificial intelligence-assisted esophageal cancer management: now and future. World J Gastroenterol 26:5256–5271CrossRefPubMedPubMedCentral
38.
Zurück zum Zitat Liu C et al (2019) Performance of a machine learning-based decision model to help clinicians decide the extent of lymphadenectomy (D1 vs. D2) in gastric cancer before surgical resection. Abdom Radiol (NY) 44:3019–3029CrossRefPubMed Liu C et al (2019) Performance of a machine learning-based decision model to help clinicians decide the extent of lymphadenectomy (D1 vs. D2) in gastric cancer before surgical resection. Abdom Radiol (NY) 44:3019–3029CrossRefPubMed
39.
Zurück zum Zitat Kelley PG et al (2021) Exciting, useful, worrying, futuristic: public perception of artificial intelligence in 8 countries. Proceedings of the 2021 AAAI/ACM conference on AI, ethics, and society. Association for Computing Machinery, S 627–637 Kelley PG et al (2021) Exciting, useful, worrying, futuristic: public perception of artificial intelligence in 8 countries. Proceedings of the 2021 AAAI/ACM conference on AI, ethics, and society. Association for Computing Machinery, S 627–637
40.
Zurück zum Zitat Koskinen J, Torkamani-Azar M, Hussein A, Huotarinen A, Bednarik R (2022) Automated tool detection with deep learning for monitoring kinematics and eye-hand coordination in microsurgery. Comput Biol Med 141:105121CrossRefPubMed Koskinen J, Torkamani-Azar M, Hussein A, Huotarinen A, Bednarik R (2022) Automated tool detection with deep learning for monitoring kinematics and eye-hand coordination in microsurgery. Comput Biol Med 141:105121CrossRefPubMed
Metadaten
Titel
Anwendung von künstlicher Intelligenz in der onkologischen Chirurgie des oberen Gastrointestinaltrakts
verfasst von
Dr. med. Jennifer A. Eckhoff
Uni.-Prof. Dr. Hans F. Fuchs
Dr. Ozanan R. Meireles
Publikationsdatum
01.09.2023
Verlag
Springer Vienna
Erschienen in
Wiener klinisches Magazin
Print ISSN: 1869-1757
Elektronische ISSN: 1613-7817
DOI
https://doi.org/10.1007/s00740-023-00504-0