Kunstig intelligens i gastroenterologi med fokus på koloskopi

Kunstig intelligens (KI) er raskt på vei til å bli en integrert del av moderne medisin. Innen gastroenterologi er endoskopi et av de områdene hvor KI har kommet lengst klinisk, med flere kommersielt tilgjengelige systemer som anvendes i rutinemessig koloskopi. Målet er å forbedre diagnostisk presisjon, redusere variasjon mellom endoskopører og bidra til høyere kvalitet på undersøkelsene.

KI-systemer innen endoskopi baserer seg på maskinlæring (ML) der algoritmen trenes på endoskopiske bilder, og rask prosesseringstid tillater at video av endoskopi analyseres og annoteres i sanntid. Verktøyet kan grovt deles inn i tre kategorier: computer- aided detection (CADe), computer-aided diagnosis (CADx) og computer-aided quality assessment (CADq). Disse representerer henholdsvis deteksjon av lesjoner, karakterisering av lesjoner og vurdering av undersøkelseskvalitet. Det utvikles også flere målrettete KI verktøy for endoskopi f.eks. for gradering av kolitt eller påvisning av dysplastiske områder i Barrets slimhinne i øsofagus.

Kunstig intelligens i medisin

KI omfatter datasystemer som kan utføre oppgaver som normalt krever menneskelig intelligens, slik som mønstergjenkjenning, klassifisering, drift (f.eks. skrive journalnotater, planlegge vakter, sortere henvisninger) og beslutningsstøtte. Særlig innen billeddiagnostikk har KI vist evne til å identifisere subtile funn som kan overses av klinikere. Den største styrken ved KI er håndtering av store datamengder og identifisering av komplekse mønstre som kan være vanskelige å oppfatte for det menneskelige øyet. Algoritmene kan og bidra til jevnere vurderinger av endoskopiske funn, og mindre interobservatør bias.

Helsedirektoratet jobber kontinuerlig med bruk av kunstig intelligens i helse- og omsorgstjenesten. Nettsiden til Helsedirektoratet (https://www.helsedirektoratet.no/digitalisering-og-e-helse/kunstig- intelligens) inneholder bl.a. råd for kvalitetssikring og anskaffelse av KI-systemer.

CADe – Computer-Aided Detection

CADe-systemer er utviklet for å oppdage polypper og andre lesjoner i sanntid under koloskopi. Når algoritmen identifiserer et mulig patologisk område, markeres dette visuelt på skjermen slik at endoskopøren blir oppmerksom på funnet. Det finnes nå omfattende dokumentasjon som viser at CADe øker adenomdeteksjonsraten (ADR) og reduserer risikoen for å overse adenomer (1). CADe er den AI-applikasjonen innen koloskopi som per i dag har sterkest klinisk evidens og bredest implementering. Imidlertid er det kommet studier som stiller spørsmål ved om man kan prestere dårligere etter å ha brukt KI, såkalt avlæring eller «deskilling» (2).

Bilde laget med ChatGPT

CADx – Computer-Aided Diagnosis

Mens CADe svarer på spørsmålet «er det en lesjon her?», forsøker CADx å svare på spørsmålet «hva slags lesjon er dette?». Målet er å skille mellom hyperplastiske polypper, adenomer, bredbasete sagtakkede lesjoner og tidlig malignitet. Algoritmen trenger derfor et omfattende treningsmateriale der billedmateriale koblet til histologisk resultat legges inn i treningsdatabasen. Teknologien kan på sikt støtte strategier som «resect and discard» og «diagnose and leave», der små polypper (<5 mm) håndteres basert på optisk diagnose uten behov for histopatologisk vurdering av alle lesjoner (3). Selv om CADx har vist lovende resultater i studier, spesielt for distale små polypper, er klinisk implementering fortsatt mindre utbredt enn for CADe, blant annet på grunn av krav til svært høy diagnostisk presisjon.

CADq – Computer-Aided Quality Assessment

Den nyeste utviklingen innen KI i koloskopi er computer-aided quality assessment (CADq), hvor fokuset flyttes fra lesjoner til kvaliteten på selve undersøkelsen. CADq-systemer kan blant annet overvåke tilbaketrekningstid, effektiv inspeksjonstid, visualisering bak colonfolder, grad av slimhinneeksponering, kvaliteten på tarmrengjøring og cøkumintubasjon. Ved å gi løpende tilbakemelding kan slike systemer bidra til mer standardisert undersøkelseskvalitet og redusere variasjon mellom endoskopører. Flere studier tyder på at CADq kan forbedre kvalitetsindikatorer og potensielt bidra til ytterligere økning i ADR (4). Kvalitetsparametre rapporteres allerede av endoskopører i løpende kvalitetsregistre som Gastronet, og CADq kan sikte mot en mindre subjektiv vurdering av alt fra uttrekkingstid, tømmingsgrad og prosent eksponert slimhinne, og kanskje en mer automatisert overføring av kvalitetsdata.

Nevrale nettverk og maskinlæring

De fleste moderne KI-systemer i endoskopi representerer maskinlæring der spesifikke treningsdatabaser benyttes som grunnlag i dype nevrale nettverk, spesielt konvolusjonelle nevrale nettverk (Convolutional Neural Networks; CNN). Et nevralt nettverk er inspirert av hjernens oppbygning og består av et stort antall kunstige «nevroner» organisert i lag:

1. Input lag mottar bildedata fra endoskopet.
2. Skjulte lag analyserer og ekstraherer mønstre fra bildet.
3. Output lag genererer et resultat, for eksempel «polypp til stede» eller «adenom sannsynlighet 92 %»

I et CNN analyseres bilder gjennom flere påfølgende lag som gradvis lærer stadig mer komplekse strukturer (5). De første lagene identifiserer enkle trekk som kanter og kontraster, mens dypere lag gjenkjenner komplekse mønstre som polypper, vaskulære strukturer eller slimhinneforandringer. Nettverket trenes ved hjelp av titusenvis til millioner av annoterte bilder, der algoritmen gradvis justerer sine interne parametere for å minimere feilklassifisering. Denne læringsprosessen gjør det mulig for KI-systemer å oppnå svært høy sensitivitet og spesifisitet i bildeanalyse. Samtidig er kvaliteten på treningsdataene avgjørende for algoritmens ytelse, og mangelfulle eller skjeve datasett kan redusere generaliserbarheten i klinisk praksis.

I det siste er det kommet studier på multimodale «large language models – LLM» for polyppdeteksjon. Disse algoritmene bygger ikke på spesifikk maskinlæring av relevante bilder, men baserer seg på informasjon som finnes på nettet. En studie som sammenlignet LLM med et kommersielt tilgjengelig CADe-system fant imidlertid at LLM ikke fungerte godt nok foreløpig, spesielt for små polypper (6). Disse systemene er ikke avhengige av annotering av bilder, slik at de kan bli billigere i bruk. LLM kan også tilby klinisk kontekst og forslag til behandling/oppfølging.  Imidlertid er regulatoriske utfordringer et problem ved slike modeller.

Bilde laget med ChatGPT

ESGE (European Society of Gastrointestinal Endoscopy) og bruk av KI i endoskopi

ESGE sin posisjonserklæring er spesielt relevant for gastroenterologer ettersom KI nå går fra forskningsmiljøer til klinisk rutine (7). Dokumentet presenterer et forslag til prosessen rundt sikker og effektiv bruk av KI i endoskopi. ESGE mener at innføring av KI i endoskopi krever mer enn bare tilgang til programvaren. Endoskopører må ha grunnleggende forståelse av hvordan KI-systemer fungerer, hvilke begrensninger de har, og hvordan man unngår feil knyttet til overavhengighet av teknologien. Målet er å sikre at KI forbedrer kvaliteten på endoskopien uten å svekke klinisk vurderingsevne.

Retningslinjen beskriver tre hovedområder: 1) forutsetninger før implementering, 2) opplæring i KI-kompetanse og 3) vedlikehold av kompetanse og kvalitetskontroll etter implementering.

Viktigste budskap for gastroenterologer

• KI erstatter ikke endoskopøren
  ESGE understreker at KI skal fungere som et støtteverktøy. Den endelige kliniske beslutningen må fortsatt tas av endoskopøren, som har ansvar for diagnostikk, behandling og oppfølging.
• Grunnleggende endoskopisk kompetanse er en forutsetning
  Før KI tas i bruk bør endoskopøren allerede være kompetent innen standard endoskopiske prosedyrer og optiske vurderinger.
• Alle bør ha grunnleggende KI-forståelse
  Gastroenterologer bør kjenne til prinsippene bak maskinlæring og KI, hvordan algoritmer trenes og valideres, forskjellen mellom deteksjons- og karakteriseringsverktøy samt begrensninger og feilkilder ved KI-systemer.
• Kognitive bias med KI
  Utfordringer med uoppmerksomhet og tretthet kan jevnes ut, men nye elementer av kognitiv bias kan oppstå som f.eks. at man lener seg for mye den automatiserte varslingen, og i mindre grad stoler på egen observasjon eller at man påvirkes av den første karakteriseringen KI presenterer.
• Egen ferdighet må overvåkes kontinuerlig ved bruk av KI
  Implementering bør ledsages av løpende evaluering av kvalitetsindikatorer, som f.eks. adenomdeteksjonsrate (ADR) – i Gastronet bruker vi PDR-5. KI kan støtte innlæring av polyppoppdagelse og karakterisering, men kan potensielt også føre til avlæring. Det optimale tidspunktet for å ta i bruk KI verktøy under endoskopiopplæring er derfor ikke avklart.
• KI-kompetanse må vedlikeholdes
  ESGE anbefaler kontinuerlig opplæring og regelmessig oppdatering etter hvert som nye algoritmer og programvareversjoner introduseres. Kompetanse bør anses som en dynamisk ferdighet, ikke en engangsertifisering. Etter hvert som KI-verktøy utvikles kontinuerlig som en «skybasert» abonnementstjeneste, kan det også være vanskeligere å vite hvilken versjon man bruker, om endringer er introdusert, og man blir mer avhengig av leverandøren av KI-verktøyet.

– Kognitive bias blir viktigere

Tradisjonelt har kvalitetsforbedring i koloskopi vært rettet mot menneskelige begrensninger som tretthet, erfaring og oppmerksomhet. AI reduserer enkelte av disse svakhetene, men introduserer samtidig nye former for beslutningsbias. Fenomenet omtales ofte som menneske-KI interaksjonsbias. Nedenfor er ulike former for bias som kan oppstå ved bruk av KI:

• Automasjonsbias: tendensen til å stole for mye på forslag fra et automatisert system, selv når egen klinisk vurdering tilsier noe annet. Ved koloskopi kan dette arte seg slik:
  • Endoskopøren overser en lesjon fordi AI ikke gir alarm.
  • Endoskopøren aksepterer AI-forslaget uten kritisk vurdering.
• Forankringsbias: dette innebærer at den første informasjonen man mottar får uforholdsmessig stor innflytelse på den videre vurderingen. I CADx-sammenheng kan dette oppstå når systemet klassifiserer en polypp som hyperplastisk med høy sannsynlighet. Selv om endoskopøren senere observerer trekk som taler for adenom, kan den opprinnelige AI-vurderingen påvirke den endelige konklusjonen. Praktisk kan dette føre til:
  • Feil klassifisering av polypper.
  • Mangelfull reseksjon av premaligne lesjoner.
  • Feil oppfølgingsintervaller.
• Algoritmeaversjon: dette kan oppstå dersom KI tar feil, f.eks. at den markerte på en slimhinnefold. Man stoler da ikke lenger på at algoritmen/KI fanger opp polypper.
  • Endoskopøren ignorer varsler
  • Polypper som markeres blir oversett
• Konservatismebias: dette innebærer at man ikke ønsker å ta i bruk ny teknologi, fordi man «alltid har gjort det slik».
  • Mulige gevinster i diagnostisk presisjon og standardisering går tapt.

Vår studie fra Bergen på KI for polyppdeteksjon ved koloskopi

Vi har i vår forskning sett på læringseffekt og mulighet for avlæring/ «deskilling» ved bruk av KI (8). Nedenfor har vi listet opp de viktigste punktene fra artikkelen.

• Multisenterstudie som undersøkte hvordan bruk av KI påvirker polyppdeteksjon (PDR-5: antall koloskopier hvor minst en polypp på ≥5 mm ble oppdaget, registrert i Gastronet).
• 5013 koloskopier er gjennomført i løpet av studien (2021- 2025), av både erfarne og mindre erfarne endoskopører.
• Koloskopiene er gjennomført på Haraldsplass diakonale sykehus, Haukeland Universitetssykehus og hos Kanalspesialistene. Man inkluderte i tre faser: før, under og etter bruk av KI.
• KI/CADe (GI Genius fra Medtronic) økte midlertidig oppdagelsen av større polypper (PDR-5) hos uerfarne endoskopører (fase 2 med KI)
• Hos erfarne endoskopører hadde KI ingen tydelig effekt på PDR-5.
• Det ble ikke funnet statistisk signifikante tegn til verken læringseffekt (upskilling) eller avlæring (deskilling) mellom fase 1 og 3 (før og etter KI-bruk). Uerfarne hadde en ikke-signifikant økning i PDR-5 fra fase 1 til fase 3.
• Vi er noe overrasket over funnet. Vår hypotese var at endoskopørene skulle bli bedre på polyppdeteksjon ved hjelp av KI, og at dette skulle vedvare etter KI-bruk. Funnet i vår studie tyder ikke på at bruk av KI fører til avlæring, slik at dette ikke støtter frykten for «deskilling».

Gjengitt med tillatelse fra Thieme.
Pedersen TA, Mori Y, Botteri E, Engjom T, Seip B, Dimcevski GG, Havre RF. Learning and deskilling effects of artificial intelligence in colonoscopy
among endoscopists with different levels of experience: a pragmatic, prospective trial. Endoscopy. 2026 Jun 3. doi: 10.1055/a-
2858-7084. Epub ahead of print. PMID: 42235541.
© Georg Thieme Verlag KG.

Konklusjon

KI representerer en av de viktigste teknologiske nyvinningene innen endoskopi. CADe har allerede etablert seg som et antatt effektivt hjelpemiddel for polyppdeteksjon, CADx gir mulighet for optisk histologisk karakterisering, mens CADq kan bidra til standardisering og kvalitetsforbedring av selve koloskopiprosedyren. Det er imidlertid kommet studier som kan tyde på avlæring ved bruk av KI, slik at det er viktig å være klar over denne muligheten. De fleste systemene bygger på dype nevrale nettverk som trenes på store mengder endoskopiske bilder. Selv om teknologien viser betydelig potensial, er KI et støtteverktøy, og den endelige kliniske vurderingen må fortsatt utføres av den ansvarlige endoskopøren. Vi mener det er behov for å validere nytten av KI verktøy i koloskopi, og ikke minst vurdere hvilken rolle de kan ha under opplæringsfasen av endoskopører. Etter innføring av KI er det viktig å følge med på sine egne kvalitetsindikatorer, slik som vi har mulighet til i Gastronet.

Referanser

1. Soleymanjahi S, Huebner J, Elmansy L, Rajashekar N, Ludtke N, Paracha R, et al. Artificial Intelligence-Assisted Colonoscopy for Polyp Detection : A Systematic Review and Meta-analysis. Ann Intern Med. 2024;177(12):1652–63.
2. Budzyn K, Romanczyk M, Kitala D, Kolodziej P, Bugajski M, Adami HO, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol. 2025.
3. Rizkala T, Hassan C, Mori Y, Spadaccini M, Antonelli G, Dekker E, et al. Accuracy of Computer-aided Diagnosis in Colonoscopy Varies According to Polyp Location: A Systematic Review and Meta-analysis. Clin Gastroenterol Hepatol. 2025;23(4):531–41.
4. Mori Y, Misawa M. Quality assessment in endoscopy «artificial intelligence in endoscopy». Best Pract Res Clin Gastroenterol. 2025;76:102006.
5. Cherubini A, Dinh NN. A Review of the Technology, Training, and Assessment Methods for the First Real-Time AI-Enhanced Medical Device for Endoscopy. Bioengineering (Basel). 2023;10(4).
6. Carlini L, Massimi D, Mori Y, Antonelli G, Rizkala T, Spadaccini M, et al. Large language models for detecting colorectal polyps in endoscopic images. Gut. 2026;75(5):854–6.
7. Mori Y, Kopylov U, Sinonquel P, Ebigbo A, Dekker E, De Groof AJ, et al. Curriculum for safe and effective use of artificial intelligence in endoscopy: European Society of Gastrointestinal Endoscopy (ESGE) Position Statement. Endoscopy. 2025.
8. Pedersen TA, Mori Y, Botteri E, Engjom T, Seip B, Dimcevski GG, et al. Learning and deskilling effects of artificial intelligence in colonoscopy among endoscopists with different levels of experience: a pragmatic, prospective trial. Endoscopy. 2026.