Stomach Health > gyomor egészség >  > Q and A > gyomor kérdés

Az új AI rendszer pontosan tudja értékelni a fekélyes vastagbélgyulladás endoszkópos leleteit

A fekélyes vastagbélgyulladásban (UC) szenvedő betegek értékelése, amely a gyulladásos bélbetegségek egy fajtája, Ezeket általában endoszkópiával és szövettani vizsgálatokkal végzik. De most, Japán kutatók kifejlesztettek egy rendszert, amely pontosabb lehet a meglévő módszereknél, és csökkentheti ezen betegek invazív orvosi eljárásokon való részvételének szükségességét.

A februárban közzétett tanulmányban Gasztroenterológia , a Tokiói Orvosi és Fogászati ​​Egyetem (TMDU) kutatói egy újonnan kifejlesztett mesterséges intelligencia (AI) rendszert fedeztek fel, amely az UC endoszkópos leleteit a szakértő endoszkóposokéval egyenértékű pontossággal tudja értékelni.

A pontos értékelések elengedhetetlenek az UC -s betegek optimális ellátásához. Korábbi vizsgálatok azt mutatták, hogy mindkét endoszkópos remisszió, az endoszkópos eljárás értékelésével értékelik, és szövettani remisszió, amint azt a mikroszkopikus gyulladás mértéke jelzi, megjósolhatja a beteg kimenetelét, és ezért gyakran használják kezelési célként. Azonban, az endoszkópos és szövettani elemzések során megfigyelőkön belüli és megfigyelők közötti eltérések fordulnak elő, és a szövettani elemzés gyakran megköveteli a szövetek biopsziával történő összegyűjtését, amelyek invazívak és költségesek.

Az endoszkópos képek értelmezése szubjektív, és az egyes endoszkóposok tapasztalatain alapul, ezáltal az értékelés és a valós idejű jellemzés szabványosítása kihívást jelent. Ennek kezelésére, törekedtünk egy mély ideghálózati (DNN) rendszer kifejlesztésére a következetes, célkitűzés, és az UC-ben (DNUC) szenvedő betegek endoszkópos képeinek valós idejű elemzése. "

Kento Takenaka, a tanulmány vezető szerzője

Ezt csináld meg, a kutatók DNN -ekkel rendelkező rendszert dolgoztak ki UC -s betegek endoszkópos képeinek értékelésére. A DNN-ek egy AI típusú gépi tanulási módszer, amely mesterséges neurális hálózatok építésén alapul.

"Megalkottuk a DNUC algoritmust, 40 -et használva, 758 kép a kolonoszkópiáról és 6885 biopszia eredménye 2012 UC -s betegtől, "mondja Mamoru Watanabe vezető szerző." Ez tartalmazta a gépi tanulás képzési készletét, amely lehetővé tette az algoritmus számára, hogy megtanulja pontosan értékelni és osztályozni az adatokat ".

A kutatók ezt követően validálták a DNUC algoritmus pontosságát 4175 endoszkópos kép és 4104 biopsziás minta felhasználásával 875 UC -s betegtől.

"Azt találtuk, hogy a DNUC olyan pontosságot ért el, amely egyenértékű volt a szakértő endoszkóposokkal, - mondja Takenaka. - Így rendszerünk képes volt megjósolni az UC szövettani remisszióját csak endoszkópos képek segítségével, szemben mind a szövettani, mind az endoszkópos adatokkal. Ez a biopsziákkal kapcsolatos költségek és kockázatok miatt fontos fejlemény. "

A DNUC képes lehet azonosítani a remissziós UC -betegeket anélkül, hogy biopsziás gyűjtésre és elemzésre lenne szükségük. Ez időt és pénzt takaríthat meg az egészségügyi intézmények számára, és korlátozzák az invazív orvosi eljárásoknak való kitettséget az UC -ben szenvedő személyek számára.

Other Languages