Stomach Health > Vatsa terveys >  > Q and A > vatsa kysymys

Uusi tekoälyjärjestelmä voi arvioida haavaisen paksusuolitulehduksen endoskooppiset löydökset tarkasti

Arviot potilaista, joilla on haavainen paksusuolitulehdus (UC), joka on eräänlainen tulehduksellinen suolistosairaus, tehdään yleensä endoskopian ja histologian avulla. Mutta nyt, japanilaiset tutkijat ovat kehittäneet järjestelmän, joka voi olla tarkempi kuin nykyiset menetelmät ja saattaa vähentää näiden potilaiden tarvetta suorittaa invasiivisia lääketieteellisiä toimenpiteitä.

Helmikuussa julkaistussa tutkimuksessa Gastroenterologia , Tokion lääketieteen ja hammaslääketieteen yliopiston (TMDU) tutkijat ovat paljastaneet äskettäin kehitetyn tekoälyjärjestelmän (AI), joka voi arvioida UC:n endoskooppisia löydöksiä tarkasti kuin asiantuntija -endoskoopit.

Tarkat arvioinnit ovat kriittisiä tarjotessaan optimaalista hoitoa UC -potilaille. Aiemmat tutkimukset ovat osoittaneet, että molemmat endoskooppinen remissio, arvioidaan arvioimalla endoskooppista menettelyä, ja histologinen remissio, kuten mikroskooppisen tulehduksen aste osoittaa, voi ennustaa potilaan tuloksia, ja siksi niitä käytetään usein hoitotavoitteina. Kuitenkin, tarkkailijoiden sisäisiä ja havaintojen välisiä vaihteluita esiintyy sekä endoskooppisissa että histologisissa analyyseissä, ja histologinen analyysi vaatii usein kudoksen keräämistä biopsioiden avulla, jotka ovat invasiivisia ja kalliita.

Endoskooppisten kuvien tulkinta on subjektiivista ja perustuu yksittäisten endoskooppien kokemuksiin, mikä tekee arvioinnin ja reaaliaikaisen karakterisoinnin standardoinnista haastavaa. Tämän ratkaisemiseksi pyrimme kehittämään syvän hermoverkon (DNN) järjestelmän johdonmukaiseksi, tavoite, ja reaaliaikainen analyysi endoskooppisista kuvista potilailta, joilla on UC (DNUC). "

Kento Takenaka, tutkimuksen pääkirjailija

Tehdä tämä, tutkijat kehittivät DNN -järjestelmän sisältävän järjestelmän UC -potilaiden endoskooppisten kuvien arvioimiseksi. DNN:t ovat eräänlainen tekoälyn koneoppimismenetelmä, joka perustuu keinotekoisten hermoverkkojen rakentamiseen.

"Rakensimme DNUC -algoritmin, käyttäen 40, 758 kuvaa kolonoskopioista ja 6885 biopsiatulosta 2012 UC -potilaalta, "sanoo vanhempi kirjailija Mamoru Watanabe." Tämä koostui koneoppimisen harjoittelusarjasta, jonka avulla algoritmi oppi arvioimaan ja luokittelemaan tiedot tarkasti ".

Tämän jälkeen tutkijat vahvistivat DNUC -algoritmin tarkkuuden käyttämällä 4187 endoskooppista kuvaa ja 4104 biopsianäytettä 875 potilaalta, joilla oli UC.

"Havaitsimme, että DNUC saavutti tarkkuustason, joka vastasi kokeneiden endoskooppien tarkkuutta, "sanoo Takenaka." Näin järjestelmämme pystyi ennustamaan histologisen remission UC:stä käyttämällä vain endoskooppisia kuvia, toisin kuin histologiset ja endoskooppiset tiedot. Tämä on tärkeä kehitys, kun otetaan huomioon biopsioihin liittyvät kustannukset ja riskit. "

DNUC voi pystyä tunnistamaan remissiossa olevat UC -potilaat ilman, että he tarvitsevat biopsian keräämistä ja analysointia. Tämä voi säästää aikaa ja rahaa hoitolaitoksille, ja rajoittaa altistumista invasiivisille lääketieteellisille toimenpiteille henkilöille, joilla on UC.

Other Languages