Nikolaos Davaris (Gießen; Magdeburg), Paul Pickert (Magdeburg; Augsburg), Nazila Esmaeili (Gießen; Leipzig; Magdeburg), Alfredo Illanes (Leipzig; Magdeburg), Axel Boese (Magdeburg), Michael Friebe (Magdeburg; Krakow, PL; Essen), Christoph Arens (Gießen)
Introduction: The identification of perpendicular vascular changes of the vocal folds (PVC) has emerged as an indicator of malignancy in the endoscopic assessment of glottic lesions. Classifying them further into wide and narrow-angle PVC aids in differentiating between papillomas and carcinomas. Accurate identification requires clinical experience. Artificial Intelligence (AI) algorithms can support endoscopic evaluations.
Materials and Methods: Six physicians analyzed intraoperative images of vocal fold vasculature using Contact Endoscopy and Narrow Band Imaging (CE-NBI) post-training. The goal was to identify PVC and/or narrow-angle PVC as malignancy indicators. The same images were assessed using a published deep learning (DL)-based AI algorithm. Sensitivity and specificity of the approaches were compared.
Results: A total of 5 CE-NBI images per patient were evaluated for 146 patients. Using PVC as a malignancy indicator, physicians achieved an average sensitivity of 78.6% and specificity of 69.1%. With narrow-angle PVC, the average sensitivity was 47.9%, and specificity was 86.1%. The AI-based evaluation achieved 100% sensitivity and 98.1% specificity.
Conclusion: Identifying PVC in CE-NBI can indicate malignancy in evaluating glottic lesions of uncertain dignity, with lower sensitivity and higher specificity for narrow-angle PVC. An AI-based algorithm significantly enhances sensitivity and specificity in detecting malignant vocal fold lesions and can be a useful tool for diagnostic and training purposes.
Einleitung: Die Identifikation von perpendikulären Gefäßveränderungen der Stimmlippen (PGV) gilt als Malignitäts-Indikator bei der endoskopischen Beurteilung glottischer Läsionen. Die Einteilung in weit- und engwinklige PGV dient der differenzierten Diagnose von Papillomen und Karzinomen. Eine genaue Zuordnung erfordert klinische Erfahrung. Automatisierte Künstliche-Intelligenz (KI)-Algorithmen können die endoskopische Auswertung unterstützen.
Material und Methoden: Sechs Ärzte analysierten intraoperative Aufnahmen von Stimmlippengefäßen mittels Kontaktendoskopie und Narrow Band Imaging (KE-NBI) nach Schulung. Ziel war die Identifikation von PGV und/oder engwinkligen PGV als Malignitäts-Indikatoren. Die gleichen Aufnahmen wurden durch einen bereits veröffentlichten, auf Deep Learning basierenden KI-Algorithmus ausgewertet. Sensitivität und Spezifität der Ansätze wurden verglichen.
Ergebnisse: Insgesamt wurden 5 KE-NBI-Aufnahmen pro Patient bei 146 Patienten ausgewertet. PGV als Malignitäts-Indikator zeigte durchschnittliche Sensitivität von 78,6% und Spezifität von 69,1%. Bei engwinkligen PGV lag die Sensitivität bei 47,9%, die Spezifität bei 86,1%. Der KI-Algorithmus erreichte 100% Sensitivität und 98,1% Spezifität.
Schlussfolgerung: PGV in der KE-NBI können als Malignitäts-Indikator bei glottischen Läsionen dienen, wobei die Sensitivität bei engwinkligen PGV niedriger und die Spezifität höher ausfällt. Ein KI-basierter Algorithmus erhöht signifikant Sensitivität und Spezifität bei der Erkennung maligner Stimmlippenläsionen und kann ein nützliches Werkzeug für diagnostische und Schulungszwecke sein.
Die Autorinnen/Autoren geben an, dass kein Interessenkonflikt besteht.