Universität zu Köln

Xu, Yinan ORCID: 0000-0002-2013-8803 (2025). Research on Artificial Intelligence Technology and Its Reliability in Esophageal Cancer and Robotic Assisted Minimally Invasive Esophagectomy. PhD thesis, Universität zu Köln.

PDF Dissertation_YinanXu_KUPS.pdf Restricted to Repository staff only Download (5MB)

Abstract

Focusing on esophageal cancer, this dissertation conducted a meta-analysis to evaluate the general performance of Artificial Intelligence (AI) methods on the diagnosis of Esophageal Squamous Cell Carcinoma (ESCC) in endoscopic images and videos. The results indicated the qualified performance of AI methods in image-based ESCC diagnosis. However, there is still room for improvement of AI methods on video-based ESCC diagnosis. Then a pipeline was proposed and implemented in the University Hospital of Cologne to collect and preprocess Robotic Assisted Minimally Invasive Esophagectomy (RAMIE) video data for data analysis and AI modeling research. Over 200 cases were successfully enrolled and collected by the pipeline in the past three years. For AI modeling research, a Relation Laparoscopic Cholecystectomy Surgical Object Detector (Relation-LCSOD) model was developed to enhance the reliability and accuracy of AI methods in surgical object detection. A series of comparative experiments were performed to validate and test the performance of the proposed model based on two public datasets. The comparison results with baseline models on two datasets demonstrate significant performance improvements of the proposed models, especially for anatomically relevant objects detection. The proposed model can utilize position relation information among surgical objects and effectively reduce redundant bounding boxes. The AI modeling research in this dissertation can promote the trust integration of AI into esophageal cancer research and support AI applications in more clinical practice in the future.

Item Type:	Thesis (PhD thesis)
Translated abstract:	Abstract Language In dieser Dissertation wurde eine Meta-Analyse zur Bewertung der Leistungsfähigkeit von Künstlicher Intelligenz (KI) bei der Diagnose von Esophageal Squamous Cell Carcinoma (ESCC) in endoskopischen Bildern und Videos durchgeführt. Die Ergebnisse zeigten eine zuverlässige Leistung der KI-Methoden bei der bildbasierten Diagnose von ESCC. Allerdings besteht bei der videobasierten Diagnose von ESCC weiterhin Verbesserungsbedarf bei den KI-Methoden. Am Universitätsklinikum Köln wurde eine Pipeline zur Erfassung und Vorverarbeitung von RAMIE-Videodaten für die Datenanalyse und KI-Forschung entwickelt. In den vergangenen drei Jahren wurden über 200 Fälle erfolgreich über die Pipeline erfasst und gesammelt. Für die KI-Modellforschung wurde ein Modell namens Relation Laparoscopic Cholecystectomy Surgical Object Detector (Relation-LCSOD) entwickelt. Zur Validierung und Evaluierung des vorgeschlagenen Modells wurden vergleichende Experimente mit zwei öffentlichen Datensätzen durchgeführt. Die Vergleichsergebnisse mit Basismodellen auf zwei Datensätzen zeigen erhebliche Leistungsverbesserungen der vorgeschlagenen Modelle, insbesondere bei der Erkennung anatomisch relevanter Objekte. Das Modell kann Positionsbeziehungsinformationen zwischen chirurgischen Objekten nutzen und redundant Begrenzungsrahmen effektiv reduzieren. Die KI-Modellforschung in dieser Dissertation kann das Vertrauen in die Integration von KI in die Speiseröhrenkrebsforschung fördern und die Anwendung von KI in der klinischen Praxis künftig weiter unterstützen. German
Creators:	Creators Email ORCID ORCID Put Code Xu, Yinan yinanxucsu@gmail.com orcid.org/0000-0002-2013-8803 UNSPECIFIED
URN:	urn:nbn:de:hbz:38-789252
Date:	2025
Language:	English
Faculty:	Faculty of Medicine
Divisions:	Faculty of Medicine > Chirurgie > Klinik und Poliklinik für Allgemein-, Viszeral- und Tumorchirurgie
Subjects:	Data processing Computer science English Technology (Applied sciences) Medical sciences Medicine
Uncontrolled Keywords:	Keywords Language esophageal cancer English robotic assisted minimally invasive surgery English AI in diagnosis English surgical object detection English transformer English position relation modeling English
Date of oral exam:	11 September 2025
Referee:	Name Academic Title Caldeira, Liliana Dr. Hartmann, Florian Dr. Zander, Thomas Prof. Dr.
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/78925