Nyt AI -system kan evaluere endoskopiske fund af ulcerøs colitis med nøjagtighed

Vurdering af patienter med ulcerøs colitis (UC), som er en type inflammatorisk tarmsygdom, udføres normalt via endoskopi og histologi. Men nu, forskere fra Japan har udviklet et system, der kan være mere præcist end eksisterende metoder og kan reducere behovet for, at disse patienter skal gennemgå invasive medicinske procedurer.

I en undersøgelse offentliggjort i februar i Gastroenterologi , forskere fra Tokyo Medical and Dental University (TMDU) har afsløret et nyudviklet system for kunstig intelligens (AI), der kan evaluere endoskopiske fund af UC med en nøjagtighed svarende til ekspertendoskopers.

Nøjagtige evalueringer er afgørende for at give optimal pleje til patienter med UC. Tidligere undersøgelser har vist, at både endoskopisk remission, evalueret via vurdering af endoskopisk procedure, og histologisk remission, som angivet ved graden af ​​mikroskopisk betændelse, kan forudsige patientresultater, og bruges således ofte som behandlingsmål. Imidlertid, intra- og inter-observatør variationer forekommer i både endoskopiske og histologiske analyser, og histologisk analyse kræver ofte opsamling af væv via biopsier, som er invasive og dyre.

Fortolkningen af ​​endoskopiske billeder er subjektiv og baseret på erfaringer fra individuelle endoskopister, derved gør standardisering af evaluering og karakterisering i realtid udfordrende. For at løse dette, vi forsøgte at udvikle et dybt neuralt netværk (DNN) system for konsekvent, objektiv, og realtidsanalyse af endoskopiske billeder fra patienter med UC (DNUC). "

Kento Takenaka, hovedforfatter af undersøgelsen

At gøre dette, forskerne udviklede et system med DNN'er til at evaluere endoskopiske billeder fra patienter med UC. DNN'er er en type AI-maskinlæringsmetode, der er baseret på konstruktionen af ​​kunstige neurale netværk.

"Vi konstruerede DNUC -algoritmen, ved hjælp af 40, 758 billeder af koloskopier og 6885 biopsieresultater fra 2012 patienter med UC, "siger seniorforfatter Mamoru Watanabe." Dette omfattede træningssættet til maskinlæring, som gjorde algoritmen i stand til at lære at evaluere og klassificere data nøjagtigt ".

Forskerne validerede derefter nøjagtigheden af ​​DNUC -algoritmen ved hjælp af 4187 endoskopiske billeder og 4104 biopsiprøver fra 875 patienter med UC.

"Vi fandt ud af, at DNUC opnåede et nøjagtighedsniveau, der svarede til ekspertens endoskopers, "siger Takenaka." Således vores system var i stand til at forudsige histologisk remission fra UC kun ved hjælp af endoskopiske billeder, i modsætning til både histologiske og endoskopiske data. Dette repræsenterer en vigtig udvikling i betragtning af omkostninger og risici forbundet med biopsier. "

DNUC kan muligvis identificere UC -patienter, der er i remission, uden at de skal gennemgå biopsiindsamling og -analyse. Dette kan spare tid og penge til medicinske institutioner, og begrænse eksponeringen for invasive medicinske procedurer for personer med UC.

• Tarmbakterier kan øge effektiviteten af ​​kræftimmunterapi,
• Gastrointestinale manifestationer og fækal-oral overførsel af ny coronavirus