Bridging the Disciplinary gap for Computer Aided Diagnosis in Colonoscopy: Detection, Evaluation and Diagnostics

Over 4000 mennesker får påvist kreft i tykk- eller endetarm i Norge årlig. Tidlig diagnostikk og behandling er viktig for overlevelsen. 5-års overlevelsen stiger fra 10-30% ved avansert stadium til over 90% ved tidlig stadium kreft. Gullstandard for diagnosen er kameraundersøkelse av tykktarmen kalt koloskopi, på jakt etter polypper som kan utvikle seg eller har utviklet seg til kreft. Det er store forskjeller i oppdagelsesraten av polypper blant leger, og lav oppdagelsesrate er knyttet til økt kreftrisiko. Formålet med dette prosjektet er utvikling og evaluering av et dataassistert beslutningsstøttesystem som analyserer koloskopivideoer i sanntid ved hjelp av kunstig intelligens (AI). AI-systemet kan oppdage og klassifisere polypper og andre sykelige funn, med mål om å heve oppdagelsesraten og dermed hindre utvikling av kreft. For å oppnå best mulig resultater bruker vi en underkategori av AI kalt dype nevrale nettverk; algoritmer som er vist å være egnet for bilde- og videoanalyse. Det ferdig utviklede systemet omfatter hele prosessen, fra videoene hentes direkte fra koloskopiapparatet, via videoanalyse i sanntid, til umiddelbar tilbakemelding til legen når systemet oppdager noe. For at legene skal kunne undersøke AI-algoritmenes funn nærmere er det essensielt med umiddelbar tilbakemelding under undersøkelsen. En viktig del av arbeidet består i å undersøke hvordan man best evaluerer og presenterer resultater fra AI-algoritmene, samt sikrer at konklusjonene er forståelige og til å stole på for legene. Økt deteksjonsrate av potensielt farlige polypper under koloskopiundersøkelser vil redusere antall pasienter som utvikler kreft. Dette vil bidra til mindre menneskelig lidelse, redde liv, samt spare samfunnet for store beløp i behandlingsforløp og tapt arbeidskapasitet.

-

The main objective of this Ph.D. project is to create and evaluate a Computer-aided Diagnosis (CADx) system using Artificial Intelligence (AI) to recognise and classify polyps and other pathological findings in real-time during colonoscopies, and researching understandable methods for evaluating the results. As a method for creating the AI models, we will use deep neural networks (DNNs) which are state of the art in image and video related analysis. The goal is to largely eliminate the rate of missed lesions in such examinations and thus increase the number of detected lesions, possibly preventing it from evolving into cancer. Our system is covering the whole pipeline, from extracting videos from the colonoscopy rack, through real-time detection and classification of lesions, to immediate feedback to the clinician. The intermediate feedback during the assessment of the patient is an important part of the project since it will allow the clinician to react immediately on the detected findings. To make sure the results of the analysis is relatable for all the involved disciplines, we will research and develop different ways to evaluate the results, this includes quantifying the effect in clinical trials. We will also look into automatic report generation, with suggested text and images for the medical records, saving time for the doctor.