Zugl.: Tübingen, Univ., Diss., 2009

München, Techn. Univ., Diss., 2004.

Leckagen im oberen Gastrointestinaltrakt sind mit zahlreichen und schwerwiegendsten Komplikationen verbunden. Mortalität, Morbidität und die Liegezeit im Krankenhaus konnten, trotz verbesserter chirurgischer Technik, bislang nicht wesentlich gesenkt werden. Inzwischen gibt es ein weites Spektrum an Therapiemöglichkeiten, die die konservativ-zuwartende Therapie unter Breitbandantibiose und Drainage bis hin zur operativen Revision, umfassen. Die chirurgische Intervention galt früher als Goldstandard, ist aber mit Operationsrisiken und verlängerter Rekonvaleszenz, insbesondere bei septischen und multimorbiden Patienten, verbunden. Bedingt durch eine unzureichende Studienlage kann das therapeutische Vorgehen bei einer Leckage im oberen Gastrointestinaltrakt nicht leitliniengerecht und evidenzbasiert erfolgen, sondern beruft sich auf situative Entscheidungen und die Erfahrungswerte der behandelnden Ärzte. In dem letzten Jahrzehnt haben die endoskopischen Therapieoptionen als Alternative zunehmend an Bedeutung gewonnen. Primäres Studienziel war es, die endoskopische Vakuumtherapie als eine Therapiemöglichkeit bei Leckagen im oberen Gastrointestinaltrakt zu beschreiben, Ergebnisse zu bewerten und in den Kontext derzeitiger Studien in der Literatur zu setzen. Es wurden 45 Patienten retrospektiv, die im Zeitraum von 2012-2017 in dem Universitätsklinikum Würzburg mit der endoskopischen Vakuumtherapie behandelt wurden, untersucht. 31 Patienten mit einer Anastomoseninsuffizienz, 6 Patienten mit einer Perforation, 4 Patienten mit einer iatrogenen Perforation, 2 Patienten mit einer Nahtinsuffizienz und 2 Patienten mit einem Ulcus wurden endoskopisch vakuumtherapeutisch behandelt. Die Behandlungsdauer betrug im Durchschnitt 20 Tage und die Liegezeit 36 Tage. Die Abheilungsrate lag bei 91,1% bei einer Gesamtmortalität von 6,67%. Mit der Studie gelang es zu zeigen, dass sich die endoskopische Unterdrucktherapie, trotz langer stationärer Behandlungsdauer, zur Therapie der Wahl bei Leckagen im oberen Gastrointestinaltrakt entwickeln kann. Es ist eine suffiziente und komplikationsarme Behandlungsmethode mit einer niedrigen Mortalitäts- und Morbiditätsrate. Es zeigt sich als eine vielversprechende Alternative zu primärverschließenden endoskopischen Interventionen (Fibrinkleber und Over-the-scope-Clips). / Leakages in the upper gastrointestinal tract are associated with numerous and most serious complications. Despite improved surgical technology, mortality, morbidity and the time spent in hospital have not yet been significantly reduced. There is a wide range of therapy options, which include conservative therapy and antibiosis and drainage, and surgical revision. Surgical intervention used to be the standard, but is associated with surgical risks and prolonged convalescence, especially in septic and multimorbid patients. Due to lack of studies concerning therapeutic options in the event of a leakage in the upper gastrointestinal tract, the treatments are not based on evidence, but rely on empirical decisions and the experience of the treating physician. In the past decade, endoscopic therapy options have become increasingly important as an alternative. The primary goal of the study was to describe the endoscopic vacuum therapy as a treatment option for leaks in the upper gastrointestinal tract, to evaluate results and comparing the results with current studies in the literature. 45 patients were retrospectively examined who were treated with endoscopic vacuum therapy at the University Hospital Würzburg from 2012-2017. 31 patients with anastomotic leakage, 6 patients with perforation, 4 patients with iatrogenic perforation, 2 patients with suture insufficiency and 2 patients with ulcerations were endoscopically treated with vacuum therapy. The average duration of treatment was 20 days and the hospital stay was 36 days. The healing rate was 91.1% with a total mortality of 6.67%. The study succeeded in showing that endoscopic negative pressure therapy can become the treatment of choice for leaks in the upper gastrointestinal tract, despite long hospital stay. It is a sufficient method and associated with low complication and with a low mortality and morbidity rate.

Deep learning enables enormous progress in many computer vision-related tasks. Artificial Intel- ligence (AI) steadily yields new state-of-the-art results in the field of detection and classification. Thereby AI performance equals or exceeds human performance. Those achievements impacted many domains, including medical applications. One particular field of medical applications is gastroenterology. In gastroenterology, machine learning algorithms are used to assist examiners during interventions. One of the most critical concerns for gastroenterologists is the development of Colorectal Cancer (CRC), which is one of the leading causes of cancer-related deaths worldwide. Detecting polyps in screening colonoscopies is the essential procedure to prevent CRC. Thereby, the gastroenterologist uses an endoscope to screen the whole colon to find polyps during a colonoscopy. Polyps are mucosal growths that can vary in severity. This thesis supports gastroenterologists in their examinations with automated detection and clas- sification systems for polyps. The main contribution is a real-time polyp detection system. This system is ready to be installed in any gastroenterology practice worldwide using open-source soft- ware. The system achieves state-of-the-art detection results and is currently evaluated in a clinical trial in four different centers in Germany. The thesis presents two additional key contributions: One is a polyp detection system with ex- tended vision tested in an animal trial. Polyps often hide behind folds or in uninvestigated areas. Therefore, the polyp detection system with extended vision uses an endoscope assisted by two additional cameras to see behind those folds. If a polyp is detected, the endoscopist receives a vi- sual signal. While the detection system handles the additional two camera inputs, the endoscopist focuses on the main camera as usual. The second one are two polyp classification models, one for the classification based on shape (Paris) and the other on surface and texture (NBI International Colorectal Endoscopic (NICE) classification). Both classifications help the endoscopist with the treatment of and the decisions about the detected polyp. The key algorithms of the thesis achieve state-of-the-art performance. Outstandingly, the polyp detection system tested on a highly demanding video data set shows an F1 score of 90.25 % while working in real-time. The results exceed all real-time systems in the literature. Furthermore, the first preliminary results of the clinical trial of the polyp detection system suggest a high Adenoma Detection Rate (ADR). In the preliminary study, all polyps were detected by the polyp detection system, and the system achieved a high usability score of 96.3 (max 100). The Paris classification model achieved an F1 score of 89.35 % which is state-of-the-art. The NICE classification model achieved an F1 score of 81.13 %. Furthermore, a large data set for polyp detection and classification was created during this thesis. Therefore a fast and robust annotation system called Fast Colonoscopy Annotation Tool (FastCAT) was developed. The system simplifies the annotation process for gastroenterologists. Thereby the i gastroenterologists only annotate key parts of the endoscopic video. Afterward, those video parts are pre-labeled by a polyp detection AI to speed up the process. After the AI has pre-labeled the frames, non-experts correct and finish the annotation. This annotation process is fast and ensures high quality. FastCAT reduces the overall workload of the gastroenterologist on average by a factor of 20 compared to an open-source state-of-art annotation tool. / Deep Learning ermöglicht enorme Fortschritte bei vielen Aufgaben im Bereich der Computer Vision. Künstliche Intelligenz (KI) liefert ständig neue Spitzenergebnisse im Bereich der Erkennung und Klassifizierung. Dabei erreicht oder übertrifft die Leistung von KI teilweise die menschliche Leistung. Diese Errungenschaften wirken sich auf viele Bereiche aus, darunter auch auf medizinische Anwendungen. Ein besonderer Bereich der medizinischen Anwendungen ist die Gastroenterologie. In der Gastroenterologie werden Algorithmen des maschinellen Lernens eingesetzt, um den Untersucher bei medizinischen Eingriffen zu unterstützen. Eines der größten Probleme für Gastroenterologen ist die Entwicklung von Darmkrebs, die weltweit eine der häufigsten krebsbedingten Todesursachen ist. Die Erkennung von Polypen bei Darmspiegelungen ist das wichtigste Verfahren zur Vorbeugung von Darmkrebs. Dabei untersucht der Gastroenterologe den Dickdarm im Rahmen einer Koloskopie, um z.B. Polypen zu finden. Polypen sind Schleimhautwucherungen, die unterschiedlich stark ausgeprägt sein können. Diese Arbeit unterstützt Gastroenterologen bei ihren Untersuchungen mit automatischen Erkennungssystemen und Klassifizierungssystemen für Polypen. Der Hauptbeitrag ist ein Echtzeitpolypenerkennungssystem. Dieses System kann in jeder gastroenterologischen Praxis weltweit mit Open- Source-Software installiert werden. Das System erzielt Erkennungsergebnisse auf dem neusten Stand der Technik und wird derzeit in einer klinischen Studie in vier verschiedenen Praxen in Deutschland evaluiert. In dieser Arbeit werden zwei weitere wichtige Beiträge vorgestellt: Zum einen ein Polypenerkennungssystem mit erweiterter Sicht, das in einem Tierversuch getestet wurde. Polypen verstecken sich oft hinter Falten oder in nicht untersuchten Bereichen. Daher verwendet das Polypenerkennungssystem mit erweiterter Sicht ein Endoskop, das von zwei zusätzlichen Kameras unterstützt wird, um hinter diese Falten zu sehen. Wenn ein Polyp entdeckt wird, erhält der Endoskopiker ein visuelles Signal. Während das Erkennungssystem die beiden zusätzlichen Kameraeingaben verarbeitet, konzentriert sich der Endoskopiker wie gewohnt auf die Hauptkamera. Das zweite sind zwei Polypenklassifizierungsmodelle, eines für die Klassifizierung anhand der Form (Paris) und das andere anhand der Oberfläche und Textur (NICE-Klassifizierung). Beide Klassifizierungen helfen dem Endoskopiker bei der Behandlung und Entscheidung über den erkannten Polypen. Die Schlüsselalgorithmen der Dissertation erreichen eine Leistung, die dem neuesten Stand der Technik entspricht. Herausragend ist, dass das auf einem anspruchsvollen Videodatensatz getestete Polypenerkennungssystem einen F1-Wert von 90,25 % aufweist, während es in Echtzeit arbeitet. Die Ergebnisse übertreffen alle Echtzeitsysteme für Polypenerkennung in der Literatur. Darüber hinaus deuten die ersten vorläufigen Ergebnisse einer klinischen Studie des Polypenerkennungssystems auf eine hohe Adenomdetektionsrate ADR hin. In dieser Studie wurden alle Polypen durch das Polypenerkennungssystem erkannt, und das System erreichte einen hohe Nutzerfreundlichkeit von 96,3 (maximal 100). Bei der automatischen Klassifikation von Polypen basierend auf der Paris Klassifikations erreichte das in dieser Arbeit entwickelte System einen F1-Wert von 89,35 %, was dem neuesten Stand der Technik entspricht. Das NICE-Klassifikationsmodell erreichte eine F1- Wert von 81,13 %. Darüber hinaus wurde im Rahmen dieser Arbeit ein großer Datensatz zur Polypenerkennung und -klassifizierung erstellt. Dafür wurde ein schnelles und robustes Annotationssystem namens FastCAT entwickelt. Das System vereinfacht den Annotationsprozess für Gastroenterologen. Die Gastroenterologen annotieren dabei nur die wichtigsten Teile des endoskopischen Videos. Anschließend werden diese Videoteile von einer Polypenerkennungs-KI vorverarbeitet, um den Prozess zu beschleunigen. Nachdem die KI die Bilder vorbeschriftet hat, korrigieren und vervollständigen Nicht-Experten die Annotationen. Dieser Annotationsprozess ist schnell und gewährleistet eine hohe Qualität. FastCAT reduziert die Gesamtarbeitsbelastung des Gastroenterologen im Durchschnitt um den Faktor 20 im Vergleich zu einem Open-Source-Annotationstool auf dem neuesten Stand der Technik.