Dr.X陪您读的第篇文章

利用人工智能深度神经网络准确评估溃疡性结肠炎的内镜图像

文献来源:Gastroenterology.Jun;(8):-

客观评估疾病严重程度，对于提高溃疡性结肠炎（UC）患者的治疗水平非常重要。

之前的研究表明，内镜评估结果可预测UC患者的临床结局。因此内镜缓解被认为是UC的治疗目标，而且内镜检查已经越来越多地用于UC的疾病评估。

但是，操作内镜需要接受培训，而且不同内镜医师之间的评估结果也常常存在差异。

此外，近年来组织学缓解被证实可以预测UC的临床结果，已经逐渐成为了UC更高的治疗目标。

有研究显示，存在显微镜下残留细微炎症的UC患者更容易复发。因此组织学缓解可能代表了UC的终极治疗目标。

尽管组织学评估对UC很重要，但需要黏膜活检标本，而且不同病理医生对黏膜炎症特征的判断也可能不同。

最近的研究表明，在多种医学和内镜研究领域中，人工智能（AI）和深度学习具有潜在的应用价值。

深度神经网络（deepneuralnetwork,DNN）是一种AI机器学习方法，可以创建人工智能的深度学习架构。

存在的问题：

内镜图像虽然是客观的，但对内镜图像的解释是主观的，依赖于不同内镜医生的经验。因此，标准化内镜评估和报告具有挑战性。

基于UC内镜图像，使用深度神经网络（DNN）技术有可能建立一个人工智能的UC内镜评估辅助工具，达到与专业内镜医师同等的准确评估水平。

此外，如果该AI系统可以通过内镜图像来预测组织学缓解，有可能大幅降低组织活检的需求、成本和风险。

这项研究有什么新发现：

这是一项来自日本的研究，纳入东京MedicalandDentalUniversity医院自年1月至年3月接受结肠镜检查的例UC患者。

基于上述患者的40,例结肠镜检查图像和份活检病理报告，成功建立了用于评估UC的深度神经网络（DNUC）。

之后，研究者通过一项前瞻性研究，验证DNUC评估UC内镜和组织学严重程度的准确性。

该前瞻性验证研究，纳入年4月至年4月接受结肠镜检查的例UC患者，分析了例内镜图像和例活检病理标本。

内镜缓解定义为：UC内镜严重程度指数（UCEIS）评分=0分；

组织学缓解定义为：Geboes评分＜3分。

前瞻性验证研究中，以内镜医师的报告为标准，深度神经网络（DNUC）识别UC内镜缓解的准确度为90.1％（95％CI:89.2％–90.9％），kappa系数为0.（95％CI，0.–0.）。

DNUC与内镜医师UCEIS评分之间的类内相关系数为0.（95％CI:0.-0.）。

以病理医生Geboes评分为标准，DNUC识别UC组织学缓解的准确率为92.9％的（95％CI：92.1％-93.7％），kappa系数为0.（95％CI:0.–0.）。

总之，这项研究开发了一个用于评估UC内镜图像的深度神经网络（DNUC）。使用内镜图像可以准确识别内镜缓解（准确率90.1％）和组织学缓解（92.9％）。

这一人工智能深度神经网络，仅需要内镜图像而无需黏膜活检，即可识别出达到内镜和组织学缓解的UC患者。

启示和影响：

基于内镜和组织学评估相结合的UC客观评估，对于制定UC治疗策略，监测UC药物疗效都非常重要。

这项研究构建了一个人工智能的深度神经网络，可以通过UC的内镜图像评估黏膜病变严重程度，并预测组织学炎症活动。

通过前瞻性队列研究验证DNUC的评估能力，这对于未来将DNUC纳入临床实践和临床试验是非常重要的。

对于内镜检查图像结果，研究者评估了DNUC判断UC患者内镜缓解的准确性和一致性。

结果显示，DNUC和内镜医师在UCEIS评分之间的一致性为0.，相对于Travis等人先前研究的结果，这一准确性被认为足够达到临床实践的要求。

人工智能(AI)医学分析系统的特点，包括评估时间短且不会疲劳，可以在内镜检查后立即收到结果。

这项研究的结果说明，DNUC可以为UC患者提供客观、一致和实时的内镜评估结果。DNUC还可以解决不同内镜医师之间观察和报告不一致的问题。

例如内镜检查的评估结果可能会受个别专家的经验影响，即使同一个专家也可能存在前后不一致。此外，很多临床试验需要对内镜检查结果进行独立的“中央阅片”。

这一人工智能DNUC在上述场景都有非常好的应用前景。此外，DNUC高度的内镜评估一致性，可能对初级肠胃病医师的培训很有帮助。

既往的研究表明，达到症状和内镜缓解的UC患者仍可能存在组织学疾病活动，复发风险较高。

内镜缓解和组织学缓解之间具有中等的一致性水平，这表明如果要评估组织学缓解，重复活检的重要性。

评估组织学缓解，需要结肠镜检查过程中对结肠黏膜活检取样来进行。但活检只能评估有限的部位，而本文中基于内镜图像的AI系统可以评估结肠黏膜的任何区域。

事实上，这项研究中，DNUC根据内镜图像预测组织学缓解，具有很高的准确性和一致性。

如果使用DNUC，则无需活检即可判断UC患者是否达到组织学正常，这是一个创新性的发现。

而这项研究的结果表明，DNUC可以仅通过内镜图像就预测组织学缓解（UC治疗的重要目标）。

有理由相信，如果该人工智能系统在日常临床实践中应用，可以避免不必要的或常规活检，从而降低了医疗花费和与活检相关的风险。

尤其值得一提的是，这项研究使用UCEIS来构建人工智能的系统，而UCEIS开发的初衷就是解决不同内镜观察者评分一致性不高，相比Mayo内镜评分更加客观准确。

之前也有研究报道了使用人工智能评估内镜图像，预测组织学缓解。但这些研究使用的是共聚焦激光内镜检查，这很少用于真正的临床实践。

相反，这项研究仅使用了OlympusMedicalSystems高清内镜，这在临床实践中很常见，易于操作。未来可以进一步研究DNUC对其他内镜系统的图像的判断。

总之，在评估UC患者的黏膜炎症方面，人工智能神经网络工具DNUC的准确性与内镜医师相当，并且无需黏膜活检标本即可预测组织学缓解。

这一人工智能技术是一种新型的、客观的、一致的较好评估方法，可用于UC诊断和治疗中的多种场景。

（本文仅供个人学习）

• 上一篇文章： 病理诊断的故事1有肠道出血症状的肠腺癌真
• 下一篇文章： 专家讲座你真的会吃火锅吗