• La endoscopia es una de las bases en el campo de la Gastroenterología.
• El endoscopio original de fibra óptica se desarrolló en los años cincuenta.
• La colangiografía endoscópica retrógrada se desarrolló en los años setenta y el ultrasonido endoscópico en los ochenta.
• El potencial de la endoscopia no conoce fronteras.
• La calidad de la imagen es ahora de alta definición con luz blanca y existe el Narrow Band Imaging (NBI) con el objetivo de mejorar la inspección de la superficie mucosa para interpretar áreas de anormalidades.
• Fuera de la medicina existe crecimiento de la inteligencia artificial (IA) en nuestra vida diaria en el uso de celulares y de autos que se manejan solos.
• Hace poco la IA ingresó al campo de del endoscopia. La IA se usa en oftalmología y dermatología.
• La IA se define como formas de inteligencia que normalmente está asociada con el ser humano como el aprendizaje y la resolución de problemas.
• El aprendizaje de máquinas (AM) y aprendizaje profundo (AP) son entidades distintas. La IA es la teoría y desarrollo de sistemas computarizados generales en los que el aprendizaje de máquina es una rama (es una colección de algoritmos que normalmente requieren de la inteligencia humana). El AP es una rama de el AM que se basa en un método llamado networks artificiales neurales que se inspiran en la interconexión neuronal del cerebro humano.
• El AM se caracteriza por la habilidad de la máquina para extraer datos, reconocerlos y aprender ciertos patrones y después de cierto entrenamiento reconocer los patrones de datos nuevos. Los algoritmos del AP aprenden reglas directamente de los datos y no de los expertos que codifican características específicas.
• En el área de la endoscopia, la IA comenzó con la Colonoscopia con el objetivo de mejorar la detección de pólipos y adenomas e interpretar los patrones de la lesión (diferenciar entre pólipos benignos y lesiones precancerosas).
• El aprendizaje de máquinas (machine learning) y el network neural basado en algoritmos se han desarrollado para entrenar una computadora para diferenciar áreas normales o anormales en la luz del tracto gastrointestinal.
• El aprendizaje de máquinas es una forma de IA que permite a la plataforma mejorar sin ser programada. Ejemplo es un servicio de música que te recomendará otras canciones o artistas basados en tus preferencias. Para detección de pólipos el aprendizaje de máquinas utiliza un número de variables como el tamaño del pólipo, forma y patrón mucoso.
• El network neural lleva al aprendizaje de máquinas un paso más adelante, aprendizaje profundo, para funcionar de manera muy similar al cerebro humano. Esta herramienta transfiere valores en la imagen tomando muestras y comparando.
• Estos procedimientos tiene gran potencial para ayudar al diagnóstico, pronóstico y manejo de varias enfermedades del tracto digestivo.

Pólipos y Cáncer de colon:

• La IA puede ser utilizada durante la colonoscopia para detectar de forma automática los pólipos colorrectales y diferenciar entre pólipos neoplásicos que requieren polipectomía y pólipos no neoplásicos (diagnóstico asistido por computadora). El diagnóstico asistido por computadora se basa en el principio de latencia (tiempo en que la imagen se captura hasta cuando aparece en el monitor).
• Estudios recientes han demostrado que los endoscopistas que son capaces de detectar pólipos con mayor frecuencia (Tasa de detección de adenomas) durante la colonoscopia tienen mayor capacidad de prevenir el cáncer de colon. Un aumento del 1% en la tasa de detección se asocia con el 3% de disminución de incidencia de cáncer colorectal.
• Uno de los algoritmos creados utilizan la localización del pólipo entre recuadros a los que puede hacerse seguimiento en el tiempo. Tiene una sensibilidad del 96.5%. Se están desarrollando algoritmos para dar feedback a los endoscopistas si la preparación del colon es adecuada, si existen zonas ciegas y áreas que inspeccionadas.
• El diagnóstico asistido por computadora puede ser utilizado para diferenciar entre pólipos adenomatosos e hiperplásicos (caracterización de los pólipos). Los 2 métodos potenciales para evaluar la necesidad de polipectomía son resecar y descartar o diagnosticar y dejar.

Esofago de Barrett y cancer de esofago:

• El esofago de Barrett es un factor de riesgo para cancer de esofago. Generalmente el diagnóstico de cáncer es tardío pero cuando se detecta en estadio temprano puede tratarse de manera exitosa. La detección de la neoplasia en etapas tempranas es crítica.

Cancer de Estomago:

• La IA permite reconocer imágenes de cáncer precoz pero la experiencia es limitada.

Lesiones del Intestino Delgado:

• Existe software que mejora la visualización y eficacia de la cápsula endoscópica (GoogleLeNet y AlexNet). Permiten detectar la presencia de úlceras eliminando la necesidad de reprocesamiento para preparar imágenes y clasificarlas. Es util ademas para detectar la presencia de ectasias vasculares.