Blog

Jun 04, 2023

Endoscopia de cápsula de video inalámbrica de inteligencia artificial Edge

Informes científicos volumen 12,

Scientific Reports volumen 12, Número de artículo: 13723 (2022) Citar este artículo

3703 Accesos

2 citas

30 Altmetric

Detalles de métricas

Las enfermedades del tracto gastrointestinal (GI) son responsables de una morbilidad y mortalidad sustanciales en todo el mundo, incluido el cáncer colorrectal, que ha mostrado una incidencia creciente entre los adultos menores de 50 años. Aunque esto podría aliviarse mediante exámenes de detección regulares, solo un pequeño porcentaje de las personas en riesgo se someten a exámenes de detección. exhaustivamente, debido a las deficiencias en la precisión y la aceptación del paciente. Para abordar estos desafíos, diseñamos una cápsula endoscópica de video inalámbrica potenciada con inteligencia artificial (IA) que supera el rendimiento de las soluciones existentes al presentar, entre otros: (1) procesamiento de imágenes en tiempo real utilizando redes neuronales profundas (DNN) integradas, (2) visualización mejorada de la capa mucosa mediante el despliegue de imágenes de luz blanca y de banda estrecha, (3) modificación de tareas sobre la marcha y actualización de DNN mediante programación inalámbrica y (4) comunicación bidireccional con los dispositivos electrónicos personales del paciente para informar hallazgos importantes. Probamos nuestra solución en un entorno in vivo, administrando nuestra cápsula endoscópica a un cerdo bajo anestesia general. Se validaron todas las características novedosas, implementadas con éxito en una única plataforma. Nuestro estudio sienta las bases para la implementación clínica de una nueva generación de cápsulas endoscópicas, que mejorará significativamente el diagnóstico temprano de enfermedades del tracto gastrointestinal superior e inferior.

Los trastornos del tracto gastrointestinal (GI) son responsables de alrededor de 1 millón de muertes por año en toda Europa; y están asociados con una morbilidad sustancial y costos de atención médica. La incidencia y la prevalencia de muchos trastornos del tracto GI son más altas entre los jóvenes y, especialmente, entre los ancianos, y a medida que la población mundial envejece, la carga de la enfermedad inevitablemente aumentará1.

El cáncer colorrectal (CCR) es el cáncer GI más común en Europa, con un riesgo de diagnóstico de CCR en la vida de 1 en 20. Se espera que la incidencia en Europa aumente de 3,6 millones de casos en 2015 a 4,3 millones de casos en 2035, debido al aumento de la esperanza de vida y la adopción de la dieta y el estilo de vida occidentales. Aunque el pronóstico para el diagnóstico temprano de CCR y la supervivencia a los 5 años puede alcanzar el 70 %, sigue siendo extremadamente pobre para los casos tardíos, siendo tan bajo como el 10 %1.

La prueba inmunoquímica fecal (FIT, por sus siglas en inglés) se usa de forma rutinaria en la detección del CRC. Si es positivo, los pacientes se someten a un procedimiento de diagnóstico adicional (como colonoscopia, sigmoidoscopia flexible, colonografía tomográfica computarizada (CTC) o endoscopia con cápsula inalámbrica) o a un procedimiento terapéutico como colonoscopia óptica, para encontrar precursores de cáncer, por ejemplo, pólipos colorrectales sospechosos. . El desafío al que nos enfrentamos es que solo el 66 % de las personas en riesgo se someten a pruebas de detección exhaustivas2. Esto se debe principalmente a la baja precisión de estos métodos de detección, ya que la FIT solo puede detectar aproximadamente entre el 13 % y el 50 % del cáncer con una ronda de detección en pacientes asintomáticos3. La baja precisión de los métodos de detección conduce a procedimientos de diagnóstico invasivos innecesarios.

El diagnóstico de lesiones en el intestino delgado o grueso después de la aparición de los síntomas conlleva sus propios riesgos. Por ejemplo, la colonoscopia solo llega al íleon terminal y es un procedimiento altamente especializado, técnicamente difícil y costoso, con el potencial de causar complicaciones graves, como perforaciones, dolor abdominal y sangrado. La colonoscopia completa no siempre es posible por dificultades técnicas (15% de los casos4), mala preparación intestinal (16,9% de los casos5) o intolerancia del paciente (11,1% entre hombres y 18,4% entre mujeres6). A pesar de estos desafíos potenciales, la colonoscopia sigue siendo el estándar de oro para la investigación de los síntomas que sugieren cáncer colorrectal y la única opción (además de la cirugía) para los exámenes de diagnóstico y terapéuticos, que ofrece la resección de pólipos, si es necesario. La CTC es una prueba alternativa menos invasiva; sin embargo, se necesita investigación adicional después de la CTC para confirmar las sospechas de lesiones colónicas, y este es un factor importante para establecer la viabilidad de la CTC como una alternativa a la colonoscopia7.

Han ido surgiendo nuevas soluciones de imágenes, como la videocápsula endoscópica inalámbrica, en lo sucesivo denominada píldora de la cámara, que ofrecen ventajas en el diagnóstico, el seguimiento y el tratamiento de los trastornos del tracto GI8. La cápsula endoscópica se ha sugerido como una alternativa a la CTC después de una colonoscopia incompleta. Se muestra que la tasa de finalización de la CTC es ligeramente superior a la de la cápsula endoscópica (98 % frente al 90 %), mientras que el rendimiento diagnóstico de la cápsula endoscópica fue mayor (37 % frente al 10 %), especialmente cuando se comparan los hallazgos de pólipos de todos los tamaños9. Para una comparación exhaustiva de la colonoscopia, la CTC y la cápsula endoscópica, remitimos a los lectores interesados ​​al estudio VICOCA10.

Si bien estamos experimentando el invierno de las píldoras de cámara novedosas, los productos estándar implementados en la práctica clínica no se han actualizado durante más de una década, lo que deja una gran brecha entre los avances recientes en electrónica integrada, sistemas en chips (SOC) y la IA podrían ofrecer potencialmente, y las soluciones actualmente desplegadas en la práctica diaria. Una revisión exhaustiva de la literatura11 demuestra que se ha realizado un esfuerzo significativo para hacer frente a los desafíos, como el control de movimiento y la localización12, la navegación y la manipulación de la píldora de la cámara13. Si bien el resultado de estos estudios y proyectos como VECTOR14 indudablemente avanzó en el campo, ninguno allanó el camino hacia la implementación clínica, debido a las serias preocupaciones sobre la seguridad, el tamaño, la funcionalidad de estas soluciones y la preparación tecnológica15.

Algunas de las limitaciones importantes de los productos estándar actuales incluyen, entre otras: (1) desafíos logísticos en torno a la entrega y recolección de la píldora de la cámara, el registrador de datos y el chaleco receptor, (2) tedioso diagnóstico manual de aproximadamente 50 000 imágenes recuperadas de cada investigación de paciente para buscar hallazgos importantes, (3) imágenes de baja resolución que pierden detalles porque se capturan solo con luz blanca, (4) alta tasa de incompletos entre las investigaciones y 5) un proceso de preparación intestinal más restringido en comparación con la colonoscopia o CTC16. Dados los numerosos intentos informados en la literatura, con un éxito limitado hacia el diseño de cápsulas endoscópicas activas con locomoción, investigamos un enfoque alternativo, es decir, una píldora de cámara con diseño mecánico básico, pero potenciada por inteligencia disruptiva a bordo; que aborda las limitaciones mencionadas anteriormente en una sola plataforma.

El objetivo general de nuestro estudio fue mejorar la eficiencia y la precisión diagnóstica de los trastornos del intestino delgado y grueso premalignos y malignos mediante el diseño de una nueva generación de píldoras de cámara potenciadas por IA. Esto dio como resultado una píldora de cámara de borde que está dentro de los límites del tamaño ingerible, al tiempo que presenta una gran variedad de funcionalidades sin precedentes para la detección y el diagnóstico específicos y localizados del intestino delgado y grueso. Las funciones más importantes incluyen: (1) análisis integrado de las imágenes capturadas mediante redes neuronales profundas (DNN) para la detección en tiempo real y sobre la marcha de hallazgos importantes, como sangrado, lesiones, pólipos colorrectales o cáncer, (2) análisis de imágenes (3) visualización mejorada de la mucosa mediante cromoendoscopia virtual óptica (VCE) mediante la integración de una luz ambiental de longitud de onda azul y verde generada por LED especiales, que imita tanto la imagen de luz blanca (WLI) como la de banda estrecha. -imaging (NBI), (4) plataforma integrada de código abierto, donde los DNN se pueden sobrescribir fácilmente o actualizar más en función de la tarea para la que están capacitados, utilizando programación por aire (OTAP), (5) bi- comunicación direccional entre la píldora de la cámara y los dispositivos electrónicos personales del paciente (por ejemplo, teléfonos móviles o tabletas) sin necesidad de una unidad de almacenamiento de datos o receptores adicionales, y (6) consumo de energía óptimo debido a la transmisión de imágenes particulares con hallazgos importantes.

La organización de este documento es la siguiente. En la sección "Diseño del sistema", se presenta la arquitectura de nuestra píldora de cámara a nivel de componente y sistema, y ​​la lógica detrás de su diseño. En la sección "Inteligencia a bordo", se proporcionan los detalles de nuestra solución edge-AI para la detección en tiempo real de anomalías en las imágenes capturadas. Las configuraciones experimentales en las que se probó el rendimiento de nuestra píldora de la cámara se describen en la sección "Configuración experimental". Las discusiones y futuras mejoras a nuestro diseño se presentan en la Sección "Observaciones finales y trabajo futuro".

El diseño de nuestro sistema está diseñado en torno a la incorporación de IA integrada y adaptativa, lo que elimina las barreras de hardware y software integrado que impiden la transición de una píldora de cámara pasiva a una inteligente. La IA y OTAP integradas son los distintos modos de funcionamiento de nuestra píldora de cámara en comparación con otras soluciones. Someterse a una investigación UGI-LGI utilizando nuestra píldora de cámara, y los pasos involucrados en el proceso se describen en la Fig. 1.

Las 4 etapas que ilustran el uso de nuestra píldora de la cámara.

Una vez que se completa el procedimiento de preparación intestinal, es decir, después del ayuno y la toma de líquidos claros, y antes de la administración de la píldora de la cámara, la píldora se programa de forma inalámbrica con algoritmos de IA preentrenados para detectar lesiones y anomalías de interés. Los algoritmos de IA integrados contienen funciones como la identificación de puntos de referencia anatómicos UGI y LGI para la hibernación o la reanudación de tareas específicas de la región, así como la detección y localización de lesiones importantes. Después de alcanzar el área de interés (UGI o LGI), se adquieren imágenes de la capa mucosa bajo la luz blanca y a una velocidad de fotogramas constante de uno por segundo, mientras que, simultáneamente, se procesan estas imágenes en tiempo real utilizando dispositivos preentrenados. Se llevan a cabo los DNN. Si no se detectan lesiones dentro de cada cuadro, la imagen se eliminará y solo se transmitirá de forma inalámbrica cada 5 imágenes, de modo que al finalizar la investigación, se llevará a cabo la localización de la píldora de la cámara dentro de UGI-LGI y la reconstrucción del intestino17. Esto estaba dirigido a la reducción tanto de la comunicación innecesaria (ancho de banda) como del consumo de energía.

Tras la detección de cualquier anomalía, como úlceras o pólipos colorrectales, la velocidad de fotogramas aumenta de forma autónoma hasta 2 fps, mientras se lleva a cabo un análisis en tiempo real de las imágenes capturadas tanto con luz blanca como con banda estrecha. Todas las imágenes que contengan hallazgos importantes se transmitirán de forma inalámbrica al receptor. Después de completar las investigaciones, se realizará una reconstrucción del trayecto del intestino basada en imágenes y se fijarán los hallazgos en el trayecto reconstruido17. Durante la investigación y después de su finalización, todos los hallazgos estarán disponibles de inmediato, y si se recomienda una endoscopia o colonoscopia terapéutica posterior, el paciente puede ir directamente a un procedimiento ambulatorio si está disponible dentro de una distancia geográfica realista mientras se beneficia de la misma. procedimiento de preparación intestinal implementado durante las investigaciones de la píldora de la cámara. Además, se guiará al especialista a la RoI (región de interés) donde se identifican hallazgos y anomalías importantes utilizando el intestino reconstruido basado en imágenes.

La arquitectura del sistema y la apariencia externa de nuestra píldora de la cámara se presentan en la Fig. 2. La lista de componentes principales incluye: un chip informático de borde AI, unidad de administración de energía (PMU), unidad de comunicación bidireccional Bluetooth de baja energía (BLE), imagen sistema de adquisición (cúpula de vidrio, lente, LED (blanco, verde y azul) y unidad de cámara), baterías de celdas, un paquete de chips MEMS (sistema microelectromecánico) que combina un acelerómetro 3D y un sensor de temperatura, y la carcasa. La píldora de la cámara mide 42,7 mm de largo y 15,8 mm de ancho. En la Fig. 2b se puede encontrar una comparación lado a lado de nuestra píldora de cámara diseñada en Autodesk Inventor versión 202118 y una regla.

PCB de la píldora de la cámara (a), arquitectura del sistema de nuestra píldora de la cámara (b, izquierda) y el prototipo (diseñado en Autodesk Inventor 2021; https://www.autodesk.com/products/inventor/overview) y componentes sellados (b , bien).

El sistema de adquisición de imágenes de nuestra píldora de la cámara consta de una cúpula de vidrio (cubierta de vidrio de medio globo transparente pequeña de 15 mm) y un chip y lente de cámara VGA CMOS OV7670, que presenta un campo de visión axial de \(140^{\circ }\) y una profundidad de campo entre 5 y 100 mm, capturando imágenes en formato BMP con una resolución de imagen de \(240\times 240\) píxeles19. Aunque una píldora de cámara de doble cabeza (una cámara en cada extremo) proporciona una cobertura más amplia de la capa mucosa en comparación con una de una sola cabeza estándar, no se ha informado en la literatura ninguna mejora estadísticamente significativa en el rendimiento diagnóstico dentro del intestino delgado20. Sin el beneficio adicional de mejorar el rendimiento del diagnóstico, una píldora de cámara de dos cabezales en comparación con una contraparte de un solo cabezal puede prolongar innecesariamente el tiempo de lectura del médico y aumentar el consumo de energía del sistema y el rendimiento de la comunicación. Aunque la suficiencia diagnóstica de utilizar una cámara podría estar relacionada con el diámetro del intestino delgado, podría no ser válida para las investigaciones del intestino grueso. Dado el gran diámetro del colon y el desafío de detectar tumores de extensión lateral (LST) y pólipos ocultos, lo más probable es que se prefieran dos cámaras. Sin embargo, esto implica una mayor demanda de energía y recursos computacionales. Es importante resaltar que nuestro diseño tiene la capacidad de adaptarse a dos cámaras. Se proporciona una discusión exhaustiva en las observaciones finales y en los trabajos futuros de este estudio.

Nuestra modalidad de imagen óptica VCE con diferentes condiciones de iluminación, es decir, WLI y NBI, se diseñó mediante el despliegue de un total de 8 LED, donde la luz ambiental fue generada por 4 LED blancos en modo WLI, y dos LED azules y dos verdes en el NBI. modo. Vale la pena señalar que nuestro diseño es sustancialmente diferente de las soluciones VCE digitales, como la mejora de color espectral flexible (FICE), donde se realiza el procesamiento posterior digital de videos, una vez que se completa el proceso de adquisición de imágenes21.

Después de capturar cada imagen de la capa mucosa, las imágenes se transfieren a la unidad de IA donde se lleva a cabo el análisis integrado. Nuestra píldora de la cámara está equipada con un chip K210 Kendryte \(8~mm\times 8~mm\), que es un circuito integrado específico de aplicación (ASIC) de IA con la potencia computacional de 1 tera de operaciones por segundo (TOPS)22. K210 está equipado con 8 MB de RAM, una CPU de doble núcleo de 64 bits con una frecuencia ajustable de 400 MHz. También cuenta con funcionalidades de KPU (procesador de red neuronal) con operaciones integradas de convolución, normalización por lotes, activación y agrupación. La principal ventaja de K210 es la flexibilidad del diseño, ya que no existe un límite directo en la cantidad de capas de red que deben implementarse, y cada capa de parámetros DNN se puede configurar por separado, incluida la cantidad de canales de entrada y salida, ancho de línea y altura de columna. Además, K210 admite cualquier forma de función de activación22.

El análisis a bordo de las imágenes capturadas y la transmisión exclusiva de hallazgos importantes reduce tanto el ancho de banda de comunicación como el consumo de energía. Debido a los recursos energéticos limitados disponibles (que consisten en baterías de tres celdas) y para mantener una comunicación bidireccional directa y segura entre la cámara y el dispositivo electrónico personal del paciente, se seleccionó la tecnología Bluetooth Low Energy (BLE). Nuestra píldora de la cámara está equipada con una solución de sistema en chip (SoC) Bluetooth 5 multiprotocolo de alta gama nRF52840 de un solo chip flexible que presenta modos de largo alcance y alto rendimiento (2 Mbps), que funciona en la banda ISM de 2,4 GHz23. La solución de antena se basó en un ANT-2.45-CHP, que presenta uno de los chips de antena más pequeños, de baja pérdida, alto ancho de banda y rendimiento disponibles24. Esta elección combinada con la tecnología BLE bidireccional nos permitió recibir las imágenes directamente en una tableta sin ninguna interfaz adicional (como un chaleco receptor).

Presentada en la Fig. 2b, nuestra píldora de la cámara funciona con baterías de tres celdas, mientras que la PMU gobierna varias funcionalidades de energía y proporciona múltiples niveles de voltaje que necesitan diferentes componentes utilizando convertidores CC-CC altamente eficientes y reguladores lineales de baja caída (LDO). Como el voltaje suministrado inicialmente de 4,5 V proporcionado por las baterías cae gradualmente a medida que el sistema opera, la PMU regula los voltajes requeridos por cada componente del sistema, hasta alcanzar el umbral de 2,8 V. Por debajo de este límite, el sistema ya no funciona, ya que algunos de los componentes importantes, como la unidad de IA y el sistema de adquisición de imágenes, ya no pueden funcionar.

El procesamiento integrado basado en DNN de imágenes capturadas para la detección y localización de anomalías generalmente se basa en redes preentrenadas como Faster-Region DNN25, Single-Shot-Detector (SSD)26 y You-Only-Look-Once (YOLO)27,28, 29, entre otros. El principal obstáculo en la adopción de estas redes para dispositivos con recursos computacionales limitados, como nuestra píldora de la cámara con un tamaño de memoria de solo 8 MB, es su gran tamaño, ya que, por ejemplo, YOLO V3, siendo una de las redes más pequeñas y populares, requiere una memoria aproximada. Asignación de 237 MB. En dos estudios independientes30,31, demostramos que la DNN basada en ZF-Net es la columna vertebral de una R-CNN más rápida para detectar y localizar pólipos colorrectales, y una red neuronal convolucional (CNN) basada en ResNet-50 para detectar y clasificar lesiones en la enfermedad de Crohn. tanto en el intestino delgado como en el grueso requería una asignación de memoria aproximada de 375 MB y 167 MB, respectivamente. Teniendo en cuenta las limitaciones dictadas por la asignación de memoria y el tamaño de la red, diseñamos un DNN optimizado basado en YOLO de aproximadamente 3,2 MB para detectar y localizar pólipos colorrectales, e implementamos la solución en nuestra píldora de cámara. El mismo concepto podría aplicarse a una variedad de enfermedades UGI y LGI.

La arquitectura de nuestra DNN está inspirada en las de MobileNet32 y YOLO, y se basa en un algoritmo de supresión no máxima (NMS)33 que filtra las regiones candidatas mediante una puntuación de confianza \(S_p\). Luego, el algoritmo devuelve la ubicación de los pólipos colorrectales detectados como un conjunto de cuadros delimitadores representados por las coordenadas de la esquina superior izquierda [x, y], el ancho w y la altura h del cuadro delimitador. Se considera que las imágenes que cumplen la condición \(S_p \ge S_t\) presentan hallazgos significativos y se analizan y transfieren a la unidad BLE para su comunicación con el receptor externo. Las imágenes con una puntuación que no alcance el umbral se considerarán insignificantes y la unidad de IA las eliminará. La arquitectura de nuestra DNN propuesta se muestra en la Fig. 3.

Arquitectura de nuestra DNN para detección de pólipos colorrectales.

Los detalles arquitectónicos de nuestra DNN propuesta para la detección y localización de pólipos colorrectales se presentan en la Tabla 1. Nuestra DNN, desarrollada en TensorFlow, tiene una capa de entrada alimentada con imágenes del tamaño \(240\times 240\times 3\), 15 capas intermedias representadas como \(L_i\), donde \(i=1,\cdots,15\), y una capa de salida. Se han utilizado dos tipos de capas convolucionales, a saber, estándar32 \( (L_1 \& L_{15})\) y capas separables en profundidad32 \((L_2,\cdots ,L_{14})\). Dado que las capas convolucionales estándar mantienen información útil dentro de una imagen, se eligieron como bloques de construcción para la primera y la última capa. Además, para reducir el número de parámetros entrenables y, por lo tanto, la complejidad computacional de la red en un factor de hasta \(k^2\), siendo k el tamaño del núcleo, se eligieron capas convolucionales separables en profundidad como \((L_2, \cdots ,L_{14})\) capas. Estas capas dividen el cálculo convolucional en dos pasos, 1) convolución en profundidad aplicando un solo filtro convolucional por cada canal de entrada, y 2) convolución en punto creando una combinación lineal de la salida de la convolución en profundidad29. Luego, cada capa convolucional fue seguida por una capa de normalización por lotes, que por razones de brevedad no se analiza en detalle aquí. La forma de los filtros implementados se formula como \(w_k\times h_k \times c_k \times n_k\), donde \(w_k, h_k, c_k\) y \(n_k\) son el ancho del kernel, la altura del kernel, el número de kernel canales y el número de núcleos, respectivamente. El tamaño de zancada se establece en 1 (\(S_1\)) o 2 (\(S_2\)), mientras que el tamaño de entrada y salida de la red se presenta en forma de \(w_f\times h_f \times c_f\), donde \(w_f,h_f\) y \(c_f\) son los números de ancho, alto y canal de los mapas de características, respectivamente. Nuestro DNN genera un total de \(4 \times 4 \times 3\) cuadros delimitadores de propuesta, en los que después de aplicar el algoritmo NMS, el que tiene el \(S_p\) más grande se filtra como la propuesta candidata. Dado que cinco elementos (\(S_p\), x, y, w y h) representan un cuadro delimitador, el tamaño de salida de nuestro DNN es \(4 \times 4 \times 15\).

Las imágenes utilizadas en este estudio para el entrenamiento, la validación y la prueba de nuestra DNN se obtuvieron de videos de un ensayo longitudinal doble ciego que incluyó a 255 pacientes del programa nacional de detección en Dinamarca que dieron positivo en FIT, durante un período de un año (2015- 2016). Los participantes se sometieron a endoscopia con cápsula de colon y colonoscopia óptica en dos días consecutivos. Antes del día de la colonoscopia, los participantes fueron investigados mediante una cápsula endoscópica PillCam de segunda generación (PillCam COLON 2 Medtronic, Minnesota, EE. UU.). A lo largo de ambas investigaciones, se identificaron el tamaño, la morfología y la ubicación de los pólipos16. El estudio fue aprobado por el Comité de Ética Local (S20140141) y registrado en Clinicaltrials.gov (NCT02303756). El estudio se realizó de acuerdo con las pautas y regulaciones pertinentes, y se obtuvo el consentimiento informado de todos los participantes y/o sus tutores legales.

Los videos que presentaban al menos un pólipo colorrectal de cualquier tamaño o morfología se analizaron cuadro por cuadro, lo que resultó en una base de datos original de 764 imágenes distintas de pólipos. Estas 764 imágenes se recuperaron de 549 pólipos distintos, ya que algunos de estos pólipos se informaron como una secuencia de imágenes cuando la cámara se acercó al pólipo. La población en estudio fue FIT positiva y aproximadamente el 75% de los pólipos fueron neoplásicos. El número de pólipos cancerosos estaba por debajo del 5%. Para mantener un equilibrio de clase, incluimos además 764 imágenes de la capa mucosa normal, donde no se detectó ninguna patología significativa. Para regularizar la red, reducir el sobreajuste, garantizar que sea invariable en rotación y traducción, y ayudar a remediar la escasez de datos (es decir, para aumentar el tamaño efectivo de nuestro conjunto de datos), aumentamos diez veces la base de datos de imágenes originales, usando rotación aleatoria, escalado, traducción, volteo y recorte. También realizamos una duplicación aleatoria en el momento del entrenamiento. Se revisó el contenido de las imágenes aumentadas que contenían pólipos, asegurándose de que los pólipos no se recortaran por error. Estos aumentos se justifican ya que las masas no tienen una orientación inherente y su diagnóstico es invariable a estas transformaciones. Usando el aumento de datos, creamos una base de datos que contenía 15280 imágenes con diferentes grados de limpieza del colon, de las cuales la mitad contenía pólipos colorrectales de varios tamaños y morfología. Luego dividimos las imágenes al azar por paciente en conjuntos de entrenamiento, validación y prueba (80 %, 10 % y 10 % del conjunto de datos completo, respectivamente), restringiendo los conjuntos de validación y prueba para que estén equilibrados. El entrenamiento, la validación y las pruebas del rendimiento de DNN se llevaron a cabo en TensorFlow, utilizando un tamaño de lote de 20, con un tamaño de paso de entrenamiento de \(1e-3\). Además, el umbral NMS \(S_t\) se estableció en 0,65. En la Fig. 4 se presenta un conjunto de ejemplos que demuestran el rendimiento de la DNN entrenada, donde los cuadros azules indican la verdad del terreno anotada manualmente por el especialista, y los cuadros verdes son la salida de nuestra DNN. Los números rojos sobre cada cuadro verde son el valor de confianza de DNN (rango [0, 1]), en el que los números más grandes son una indicación de la confianza de la red en las regiones que presentan hallazgos importantes. El rendimiento general de nuestro DNN para la detección de pólipos colorrectales dentro del conjunto de prueba alcanzó una precisión de \(AP_{25}=99,5\%\) y \(AP_{50}=95,8\%\), \(AP_n\) refiriéndose a la precisión promedio calculada utilizando el criterio de intersección sobre unión (IoU).

Ejemplos del rendimiento del algoritmo de detección de pólipos.

Nuestra DNN cuenta con 3,2 millones de parámetros entrenables, que requieren una asignación de memoria de 3,2 MB cuando se utiliza el formato de entero de 8 bits (INT8) para representar cada parámetro. Con una frecuencia de reloj de 400 MHz para el cálculo de enteros de 8 bits, el consumo de energía del chip de IA es de aproximadamente 300 mW22. Para aumentar la eficiencia energética del chip durante la fase de inferencia y reducir la potencia requerida para el cálculo de IA, redujimos diez veces la frecuencia de reloj de la CPU y el acelerador de IA, lo que resultó en un consumo de energía de aproximadamente 50 mW. Dado que el escalado de voltaje no es una característica del chip K210 AI, el recurso de energía de 4.5V suministra nuestra cámara con un nivel de escasez de \(0\%\) durante un período de una hora.

Para evaluar el rendimiento de nuestra píldora de cámara y para garantizar la integridad tanto del diseño del sistema como de los componentes individuales, administramos nuestra píldora de cámara a un cerdo bajo anestesia general, como se muestra en la Fig. 5. El cerdo (\(\aprox. 45\) Kg) fue intubado previa premedicación con sedantes (midazolam 0,2 mg/kg, medetomidina 0,024 mg/kg, ketamina 5 mg/kg y butorfanol 0,2 mg/kg IM) y ventilado con \(2\%\) isoflurano en aire y oxígeno (1 : 2). Después del procedimiento, el cerdo fue sacrificado mientras aún estaba anestesiado con una sobredosis de anestésicos (pentobarbital 400 mg/kg IV). Este estudio se informa de acuerdo con las pautas de ARRIVE. El experimento se realizó de acuerdo con las directrices y regulaciones pertinentes.

El montaje experimental.

Para evitar la retención, la píldora de la cámara se ancló a la punta de un tubo flexible y luego se insertó a través de la pared abdominal en el intestino delgado. Luego se suturó la pared abdominal y la píldora de la cámara atada se guió a diferentes lugares a través del intestino delgado, donde se probó y validó el rendimiento del paquete de chips MEMS (temperatura y aceleración). Antes de la inserción, programamos por aire la píldora de la cámara con la DNN entrenada para detectar pólipos colorrectales. Se puede observar en la Fig. 6a yb, que la DNN detecta regiones que aparecen como áreas hemorrágicas (color rojo) y las localiza como pólipos colorrectales. Una vez que se completó la recopilación de varias imágenes de la capa mucosa bajo la modalidad WLI y se calcularon los cuadros delimitadores correspondientes, cambiamos al modo NBI. Un ejemplo de la capa mucosa vista bajo ambas modalidades se presenta en la Fig. 6c y d, que muestra un contraste mejorado y un nivel elevado de detalles durante NBI en comparación con WLI. Para probar la funcionalidad de la píldora de la cámara dentro del intestino del cerdo y verificar el rendimiento de la unidad BLE, el componente de IA y la comunicación entre estas dos entidades, diseñamos una maqueta de un DNN similar al esbozado anteriormente, pero con diferentes valores para los parámetros de la red. Luego cargamos el DNN simulado usando OTAP desde una tableta y reescribimos con éxito la red existente que fue entrenada para detectar pólipos colorrectales, mientras que la píldora de la cámara estaba dentro del intestino delgado del cerdo. El experimento se llevó a cabo durante aproximadamente 1 hora en un estado de dispersión del 0%, hasta que se agotaron las baterías de las celdas. Este es el estado en el que la píldora de la cámara estaba 100% en modo activo, detectando pólipos, realizando segmentación semántica y transmitiendo las imágenes de forma inalámbrica. Esto es equivalente a un escenario en el que cada imagen capturada por la píldora de la cámara presenta un hallazgo importante. Es evidente que al aumentar el nivel de escasez como ocurre durante la investigación del paciente, la píldora de la cámara funcionará durante períodos de tiempo más largos, completando \(8-10\) horas de grabación. Los datos recopilados durante el experimento se guardaron y todo el experimento fue grabado por dos cámaras digitales desde diferentes ángulos.

Modalidades de luz blanca (WLI) e imágenes de banda estrecha (NBI).

El estudio (ensayo longitudinal doble ciego) fue aprobado por el Comité de Ética Local Danés (S20140141) y registrado enclinicaltrials.gov (NCT02303756) el 1 de diciembre de 201434. Todos los participantes fueron informados sobre el estudio y firmaron consentimientos informados por escrito para publicar se obtuvieron los resultados de este estudio. Además, se obtuvo el consentimiento informado para la participación de los participantes en el manuscrito. Para una descripción más detallada del diseño del estudio, remitimos a los lectores interesados ​​a los materiales complementarios y nuestras publicaciones anteriores6,8,16.

El procedimiento in vivo que se llevó a cabo en el cerdo fue aprobado éticamente por la Inspección de Animales de Dinamarca con la licencia 2016-15-0201-00815. El alojamiento, el cuidado y la preparación de los animales fueron realizados por personal calificado bajo la supervisión de un veterinario designado en el Laboratorio de Medicina Animal, Centro de Investigación Médica de la Universidad del Sur de Dinamarca, con la aprobación del organismo institucional de bienestar animal (AWB), el equivalente de el Comité Institucional de Cuidado y Uso de Animales (IACUC).

Nuestra píldora de la cámara, que cuenta con inteligencia integrada, aborda con éxito las principales limitaciones de los productos comerciales actuales que se implementan en la práctica clínica. El diseño de nuestra píldora de la cámara, capaz de proporcionar inteligencia tanto predictiva como reactiva, basada en las imágenes recopiladas, es factible, principalmente debido a los avances recientes en el aprendizaje profundo y al aumento del interés en la IA integrada. Funciones como el procesamiento de imágenes en tiempo real a bordo para la detección y clasificación de lesiones, la comunicación bidireccional (OTAP) para modificar las tareas asignadas sobre la marcha y la resolución de imagen mejorada y la calidad mejorada mediante cromoendoscopia óptica, todo incluido en un plataforma única, puede inclinar la balanza a favor del novedoso diseño de píldora de cámara que se presenta aquí, convirtiéndolo potencialmente en el "dispositivo de elección" tanto para la detección como para el diagnóstico del CRC. Además, problemas como la preparación intestinal deficiente, la investigación incompleta y los costos exorbitantes de logística en torno a la entrega de la píldora de la cámara, seguido de la recuperación del equipo y las sesiones de investigación del lector, entre otros, que dificultan la aceptación universal de la cápsula endoscópica pueden resolverse utilizando nuestro diseño

Según los resultados, es evidente que la adición de longitudes de onda tanto azul como verde mediante el despliegue de LED adicionales para imitar el espectro obtenido durante la NBI dio como resultado una mejora notable en la calidad de la imagen, que a su vez tiene el potencial de reducir significativamente la necesidad de régimen intensivo de limpieza a priori del tracto GI, y para un estricto proceso de preparación del paciente. El uso de NBI proporciona patrones mejorados de vasos y superficies de lesiones que contribuyen tanto a la detección como a la caracterización de esas lesiones. A pesar de que nuestra DNN fue entrenada para detectar y localizar pólipos colorrectales, la evaluación in vivo de su desempeño dentro del intestino delgado de un cerdo fue satisfactoria, ya que la red propuso regiones que parecían contener lesiones similares a los pólipos, aunque justificadamente con confianza baja

Nuestros esfuerzos futuros se centrarán en abordar las deficiencias de nuestro diseño actual y el proceso de evaluación que lo rodea. Reducir el tamaño, principalmente la longitud de la píldora de nuestra cámara, es de suma importancia. Nuestro diseño es aproximadamente 1 cm más largo que los productos disponibles en el mercado, como Colon2 PillCam (\(11,6~mm\times 32,8~mm\)) o SB3 PillCam (\(11,4~mm\times 26,2~mm\)), que pueden fijarse sobre el uso de baterías de tres celdas. Vale la pena mencionar que el principal desafío al que nos enfrentamos durante el proceso de diseño de nuestra cámara píldora para hacerla comparable a sus contrapartes (Medtronic PillCam o IntroMedic MiroCam) en términos de tamaño, resolución de imagen y campo de visión, fue la inaccesibilidad de la componentes que se comprarán con fines de investigación (es decir, compra a pequeña escala). Varios componentes que integramos en nuestra solución, como el sistema de imágenes con un campo de visión limitado de \(140^{\circ }\) o el chip de IA con 8 MB de RAM, fueron las unidades más avanzadas. Este obstáculo, en gran medida, nos dictaba la elección de los componentes. En el momento de realizar el estudio, el chip K210 Kendryte y el chip y la lente de la cámara VGA CMOS OV7670 eran las únicas opciones viables, lo que dictaba las necesidades de dichos recursos de energía. Esta limitación, sin embargo, no obstaculiza la funcionalidad de nuestra píldora de la cámara, que podría mejorarse fácilmente mediante la adopción de componentes más avanzados. Esto se abordará en nuestro próximo diseño, ya que ahora hay disponibles chips de IA más potentes desde el punto de vista computacional y menos exigentes, lo que nos permite entrenar DNN más grandes y más complejos desde el punto de vista computacional. Nuestro DNN actual presenta una capa de entrada dirigida a imágenes de tamaño \(240\times 240\) píxeles, que es aproximadamente la mitad del número de píxeles recuperados de Medtronic PillCams (\(340\times 340\) píxeles). En combinación con el diseño de cámara de dos cabezas, las PillCams de Medtronic producen cuatro veces el número de píxeles recuperados de nuestra solución. Una gran cantidad de píxeles tiene un impacto significativo en el tiempo de procesamiento, el rendimiento de la comunicación y los recursos de energía en una plataforma de IA integrada con recursos informáticos y de energía limitados como las píldoras de la cámara.

En el lado algorítmico, mejoraremos nuestro DNN para incluir varios tipos de lesiones, como sangrado o enfermedades inflamatorias del intestino. Después de la poda y la optimización, nuestro clasificador de lesiones múltiples basado en un ResNet-50 CNN31 se implementará a bordo, lo que nos permitirá detectar y clasificar lesiones en la enfermedad de Crohn tanto en el intestino delgado como en el grueso. Nuestro DNN también identificará puntos de referencia anatómicos importantes (p. ej., flexiones) y reemplazaremos el DNN simulado con redes podadas entrenadas para detectar una variedad de lesiones, p. ej., sangrado del tracto gastrointestinal. Las imágenes y videos de cápsulas endoscópicas inalámbricas (WCE) anotadas de alta calidad disponibles públicamente, como KID35, juegan un papel fundamental en este viaje. El siguiente paso hacia el proceso de evaluación es la administración de nuestra píldora de cámara a un cerdo, mientras deambula libremente en un corral.

Incluso teniendo en cuenta las pocas limitaciones de nuestro diseño, nuestra píldora de cámara con IA de borde significa una mejora de suma importancia con respecto a las soluciones de píldora de cámara actuales. Abordar los desafíos en torno a la entrega y recuperación del equipo (registrador de datos y chaleco receptor) puede conducir a la adopción de nuestra solución en el consultorio del médico general en lugar de hospitales altamente especializados. Además, mitigar la carga psicológica de los pacientes al informar el resultado de las investigaciones de inmediato juega un papel importante en la aceptación de nuestra solución tanto por parte de los pacientes como de los profesionales de la salud, como se muestra en un estudio reciente del método de resultado informado por el paciente (PROM)36. El estudio mostró que el tiempo de espera actual de 3 días para que los pacientes reciban los informes sobre su investigación con cápsula endoscópica supone una gran carga psicológica. En un escenario donde la investigación de la cámara-píldora indica hallazgos importantes, es factible recomendar una endoscopia o colonoscopia de seguimiento terapéutico inmediato, ya que la condición física del paciente se considera aceptable para una colonoscopia ambulatoria en sedación, excepto aquellos prescritos con anticoagulantes especiales. Esta práctica ya se ha planificado en el Departamento de Cirugía del Hospital Universitario de Odense, donde las píldoras de la cámara se administran en grupos de \(5-10\) pacientes, y se reservan 2 espacios para colonoscopia en la clínica.

Por último, deben discutirse las cuestiones éticas relacionadas con la aceptación del médico y la confianza del paciente en los nuevos algoritmos asistidos por computadora, como la IA integrada. A pesar de que estudios como PEACE37 indican claramente que existe una tendencia significativa a que la IA actúe como una herramienta contradictoria en lugar de una herramienta de asistencia (es decir, el experto revisará solo las imágenes seleccionadas, mientras que otras simplemente no se verificarán dos veces), el hecho que no todas las imágenes estén disponibles para un proceso de selección completo podría ser motivo de preocupación. Nuestra plataforma, mediante OTAP, es capaz de transmitir todas las imágenes, si existen preindicaciones sobre diversas lesiones. Además, podemos ajustar nuestro DNN para obtener tanto un valor predictivo positivo alto (PPV) como un valor predictivo negativo alto (NPV) y, por lo tanto, transmitir de forma inalámbrica una mayor cantidad de imágenes como hallazgos importantes para una mayor investigación.

Los datos que respaldan los resultados informados en este artículo se pueden proporcionar a los lectores interesados, poniéndose en contacto con el autor correspondiente. Sin embargo, debido a la ausencia de consentimiento para la publicación o anonimización completa del resultado del ensayo clínico, las consultas sobre el acceso al resultado del ensayo, es decir, la base de datos que contiene información del paciente e imágenes de las lesiones, deben realizarse al propietario de los datos, es decir, , Hospital Universitario de Odense (Hospital de Svendborg).

Bujanda, L., Cosme, A., Gil, I. & Arenas-Mirave, J. I. Malignant colorectal polyps. World J. Gastroenterol. 25, 3103–3111 (2010).

Artículo Google Académico

Datos y cifras del cáncer colorrectal 2020-2022. https://www.cancer.org/content/dam/cancer-org/research/cancer-facts-and-statistics/colorrectal-cancer-facts-and-figures/colorrectal-cancer-facts-and-figures-2020- 2022.pdf.

Lee, JK, Liles, EG, Bent, S., Levin, TR y Corley, DA Precisión de las pruebas inmunoquímicas fecales para el cáncer colorrectal: revisión sistemática y metanálisis. Pasante de Anales. Medicina. 160, 171. https://doi.org/10.7326/M13-1484 (2014).

Artículo Google Académico

Gorard, DA & McIntyre, AS Tasa de finalización del ciego como medida de calidad de la colonoscopia en un hospital general de distrito. enfermedad colorrectal 6, 243–249. https://doi.org/10.1111/j.1463-1318.2004.00628.x (2004).

Artículo CAS PubMed Google Académico

Hendry, PO, Jenkins, JT y Diament, RH El impacto de la preparación intestinal deficiente en la colonoscopia: un estudio prospectivo de un solo centro de 10571 colonoscopias. enfermedad colorrectal 9, 745–748. https://doi.org/10.1111/j.1463-1318.2004.00628.x (2007).

Artículo CAS PubMed Google Académico

Blanes-Vidal, V., Baatrup, G. & Nadimi, ES Abordar los desafíos prioritarios en la detección y evaluación de pólipos colorrectales a partir de cápsula endoscópica y colonoscopia en el cribado del cáncer colorrectal mediante aprendizaje automático. Acta Oncolo. 58, S29–S36. https://doi.org/10.1080/0284186X.2019.1584404 (2019).

Artículo PubMed Google Académico

Atkin, W. et al. Colonografía por tomografía computarizada versus colonoscopia para la investigación de pacientes con síntomas sugestivos de cáncer colorrectal (siggar): un ensayo aleatorizado multicéntrico. Lanceta 381, 1194–1202. https://doi.org/10.1016/S0140-6736(12)62186-2 (2013).

Artículo PubMed Google Académico

Blanes-Vidal, V., Nadimi, ES, Buijs, MM y Baatrup, G. Cápsula endoscópica frente a colonoscopia frente a histopatología en la detección del cáncer colorrectal: análisis coincidentes del tamaño de los pólipos, la morfología y las estimaciones de ubicación. En t. J. enfermedad colorrectal. 33, 1309–1312. https://doi.org/10.1007/s00384-018-3064-0 (2018).

Artículo PubMed Google Académico

Deding, U. et al. Endoscopia de cápsula colónica versus colonografía por tomografía computarizada después de una colonoscopia incompleta: una revisión sistemática con metanálisis. Cánceres https://doi.org/10.3390/cancers12113367 (2020).

Artículo PubMed PubMed Central Google Académico

González-Suárez, B. et al. Endoscopia de cápsula de colon versus colonografía por tomografía computarizada en sujetos de detección de cáncer colorrectal con ajuste positivo: un ensayo prospectivo aleatorizado: el estudio vicoca. BMC Med. https://doi.org/10.1186/s12916-020-01717-4 (2020).

Artículo PubMed PubMed Central Google Académico

Zammit, SC & Sidhu, R. Cápsula endoscópica: desarrollos recientes y direcciones futuras. Experto Rev. Gastroenterol. Hepatol. 15, 127–137. https://doi.org/10.1080/17474124.2021.1840351 (2020).

Artículo CAS Google Académico

Quirini, M., Webster, RJ, Menciassi, A. & Dario., P. Diseño de un robot de cápsula endoscópica de 12 patas del tamaño de una píldora. En Proceedings 2007 IEEE International Conference on Robotics and Automation, 1856–1862, https://doi.org/10.1109/ROBOT.2007.363592 (2007).

Dario, P. & Menciassi, A. Robot pills. ciencia Soy. 303, 62–65 (2010).

Artículo Google Académico

Cápsula endoscópica versátil para el reconocimiento y tratamiento de tumores gastrointestinales. https://cordis.europa.eu/project/id/033970.

Alam, MW, Vedaei, SS y Wahid, KA Un sistema de endoscopia de cápsula inalámbrica basado en fluorescencia para detectar el cáncer colorrectal. Cánceres https://doi.org/10.3390/cancers12040890 (2020).

Artículo PubMed PubMed Central Google Académico

Kobaek-Larsen, M. et al. Endoscopia de cápsula de colon consecutiva y colonoscopia óptica en individuos que se someten a exámenes de detección de cáncer colorrectal. enfermedad colorrectal 20, 479–485. https://doi.org/10.1111/codi.13965 (2018).

Artículo CAS PubMed Google Académico

Herp, J. et al. Localización basada en el seguimiento de puntos característicos del endoscopio de la cápsula de colon. Diagnósticos https://doi.org/10.3390/diagnostics11020193 (2021).

Artículo PubMed PubMed Central Google Académico

Autodesk inventor software educativo. https://www.autodesk.com/products/inventor/overview.

Descripción de la unidad VGA. https://www.openhacks.com/uploadsproductos/ov7670_cmos_camera_module_revc_ds.pdf.

Hawkes, E., Patel, P., Gwiggner, M. & Rahman, I. Son 2 cabezas mejor que 1: comparación aleatoria de endoscopio de cápsula mirocam de punta única versus punta doble. GUT 68, A165–A165 (2019).

Google Académico

Yung, DE et al. Validez clínica de la mejora del color de imágenes espectrales flexibles (fice) en la endoscopia de la cápsula del intestino delgado: una revisión sistemática y un metanálisis. Endoscopia 49, 258–269 (2017).

Artículo Google Académico

Especificaciones Kendryte k210. https://canaan.io/product/kendryteai.

Descripción de la unidad ble. https://www.nordicsemi.com/Products/nRF52840.

Descripción de la antena. https://www.tme.eu/html/EN/linx-technologies-wifi-bluetooth-antennas/ramka_25097_EN_pelny.html.

Ren, S., He, K., Girshick, RB & Sun, J. Faster R-CNN: Hacia la detección de objetos en tiempo real con redes de propuestas regionales. CoRR arXiv:1506.01497 (2015). 1506.01497.

Liu, W. et al. SSD: detector multibox de disparo único. CoRR arXiv:1512.02325 (2015). 1512.02325.

Redmon, J., Divvala, S., Girshick, R. & Farhadi, A. Solo miras una vez: detección unificada de objetos en tiempo real (2015). Citar arXiv:1506.02640.

Redmon, J. & Farhadi, A. YOLO9000: Mejor, más rápido, más fuerte. CoRR arXiv:1612.08242 (2016). 1612.08242.

Redmon, J. & Farhadi, A. Yolov3: Una mejora incremental. CoRR arXiv:1804.02767 (2018). 1804.02767.

Nadimi, ES et al. Aplicación de aprendizaje profundo para la detección y localización autónoma de pólipos colorrectales en cápsula endoscópica de colon inalámbrica. computar eléctrico Ing. 81, 106531. https://doi.org/10.1016/j.compeleceng.2019.106531 (2020).

Artículo Google Académico

Majtner, T. et al. Un marco de aprendizaje profundo para la detección y clasificación autónomas de las lesiones de la enfermedad de Crohn en el intestino delgado y el colon con cápsula endoscópica. Endosc. En t. Abierto 9, 1361–1370. https://doi.org/10.1055/a-1507-4980 (2021).

Artículo Google Académico

Howard, AG y col. Mobilenets: redes neuronales convolucionales eficientes para aplicaciones de visión móvil (2017). 1704.04861.

Hosang , JH , Benenson , R. & Schiele , B. Aprendizaje de supresión no máxima. CoRR arXiv:1705.02950 (2017). 1705.02950.

NCT02303756. Endoscopia con cápsula colónica (cce) para la detección de neoplasias: un estudio piloto. https://www.cochranelibrary.com/es/central/doi/10.1002/central/CN-02040756/full (2014).

Una base de datos de cápsulas endoscópicas para apoyar las decisiones médicas. https://mdss.uth.gr/datasets/endoscopia/kid/.

Thygesen, M. et al. Detección de experiencias individuales de colonoscopia y endoscopia de cápsula de colon: un estudio de método mixto. Acta Oncológica https://doi.org/10.1080/0284186X.2019.1581372 (2019).

Artículo PubMed Google Académico

Leenhardt, R. et al. Paz: Percepción y expectativas hacia la inteligencia artificial en cápsula endoscópica. J. Clin. Medicina. https://doi.org/10.3390/jcm10235708 (2021).

Artículo PubMed PubMed Central Google Académico

Descargar referencias

Esta investigación fue financiada en parte por una beca de investigación del fondo Louis-Hansen (Grant 74400), la Universidad del Sur de Dinamarca y el Hospital Universitario de Odense a través del Proyecto "EFICACIA".

Estos autores contribuyeron por igual: A. Sahafi y Y. Wang.

Inteligencia artificial aplicada y ciencia de datos (AID), Instituto Maersk Mc-Kinney Moller, Facultad de Ingeniería, Universidad del Sur de Dinamarca, Odense, Dinamarca

Sahafi A, Wang Y, Blanes-Vidal V, Herp J y Nadimi ES

Laboratorio Biomédico, Departamento de Investigación Clínica, Facultad de Ciencias de la Salud, Universidad del Sur de Dinamarca, Odense, Dinamarca

CLM Rasmussen y P.Bollen

Departamento de Cirugía, Hospital Universitario de Odense, Odense, Dinamarca

G.Baatrup

Departamento de Investigación Clínica, Universidad del Sur de Dinamarca, Odense, Dinamarca

G.Baatrup

Centro Danés de Inteligencia Artificial Clínica (CAI-X), Odense, Dinamarca

V. Blanes-Vidal, J. Herp & E. S. Nadimi

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

ESN y GB concibieron la idea. ESN y VBV escribieron el manuscrito con el apoyo del resto de autores. AS y YW desarrollaron el hardware y los algoritmos. AS, YW, JH, ESN, CLMR y PB concibieron el experimento y CLMR y PB realizaron el ensayo con animales. AS, YW, VBV, JH y ESN contribuyeron a la interpretación y validez de los resultados. ESN supervisó el proyecto. Todos los autores revisaron el manuscrito.

Correspondencia a ES Nadimi.

GB ha recibido una beca de investigación del "Programa de investigación externa de Medtronic" para estudios clínicos. El resto de los autores no tienen intereses contrapuestos que informar.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Sahafi, A., Wang, Y., Rasmussen, CLM et al. Endoscopia de cápsula de video inalámbrica de inteligencia artificial Edge. Informe científico 12, 13723 (2022). https://doi.org/10.1038/s41598-022-17502-7

Descargar cita

Recibido: 20 enero 2022

Aceptado: 26 julio 2022

Publicado: 12 agosto 2022

DOI: https://doi.org/10.1038/s41598-022-17502-7

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.