溃疡性结肠炎(UC)是一种炎症性肠病,对其患者的评估通常是通过内窥镜检查和组织学。但现在,来自日本的研究人员开发了一种系统,它可能比现有方法更精确,并可能减少这些患者接受侵入性医疗程序的需求。来自东京医学和牙科大学(TMDU)的研究人员揭示了一种新开发的人工智能系统可以评估UC的内窥镜表现,其准确性与内窥镜专家相当。
准确的评估在为UC患者提供最佳护理方面是至关重要的。以往的研究表明,内镜下缓解(通过内镜手术评估)和组织学缓解(通过显微镜下炎症程度评估)都可以预测患者的预后,因此经常被用作治疗目标。然而,在内窥镜和组织学分析中,观察者内部和内部都存在差异,组织学分析经常需要通过活组织检查这是侵入性的,而且代价高昂。
该研究的主要作者Kento Takenaka说:“对内窥镜图像的解释是主观的,基于个体内窥镜医生的经验,因此使评价和实时表征的标准化具有挑战性。”“为了解决这个问题,我们试图开发一个深层的神经网络(DNN)系统对UC (DNUC)患者的内窥镜图像进行一致、客观和实时的分析。”
为了做到这一点,研究人员开发了一个dnn系统来评估UC患者的内窥镜图像。dnn是一种基于人工神经网络构建的人工智能机器学习方法。资深作者Mamoru Watanabe说:“我们构建了DNUC算法,使用了来自2012年UC患者的40,758张结肠镜检查图像和6885个活检结果。”“这包括机器学习的训练集,这使得算法能够学习准确评估和分类数据”。
研究人员随后利用875名UC患者的4187幅内镜图像和4104个活检标本验证了DNUC算法的准确性。竹中说:“我们发现,DNUC达到了与内窥镜专家相当的准确性水平。”“因此,我们的系统能够仅通过内镜图像预测UC的组织学缓解,而不是组织学和内镜数据。考虑到活检的成本和风险,这是一个重要的进展。”
DNUC可以识别处于缓解期的UC患者,而不需要他们进行活检收集和分析。这可以为医疗机构节省时间和金钱,并限制UC患者接触侵入性医疗程序。
来源:东京医科和牙科大学