Stomach Health > skrandžio sveikatos >  > Q and A > skrandžio klausimas

Nauja AI sistema gali tiksliai įvertinti endoskopinius opinio kolito radinius

Pacientų, sergančių opiniu kolitu (UC), įvertinimas, kuri yra uždegiminė žarnyno liga, Paprastai jie atliekami naudojant endoskopiją ir histologiją. Bet dabar, tyrėjai iš Japonijos sukūrė sistemą, kuri gali būti tikslesnė už esamus metodus ir gali sumažinti šių pacientų poreikį atlikti invazines medicinines procedūras.

Šį vasarį paskelbtame tyrime Gastroenterologija , Tokijo medicinos ir odontologijos universiteto (TMDU) mokslininkai atskleidė naujai sukurtą dirbtinio intelekto (AI) sistemą, galinčią įvertinti UC endoskopines išvadas tokiu pat tikslumu, kaip ir ekspertai endoskopuotojai.

Tikslūs įvertinimai yra labai svarbūs teikiant optimalią UC sergančių pacientų priežiūrą. Ankstesni tyrimai parodė, kad tiek endoskopinė remisija, įvertinama atliekant endoskopinę procedūrą, ir histologinė remisija, kaip rodo mikroskopinio uždegimo laipsnis, gali numatyti paciento rezultatus, ir todėl dažnai naudojami kaip gydymo tikslai. Tačiau, endoskopinės ir histologinės analizės metu pastebimi skirtumai tarp stebėtojų ir tarp stebėtojų, ir histologinei analizei dažnai reikia surinkti audinius per biopsiją, kurie yra invaziniai ir brangūs.

Endoskopinių vaizdų aiškinimas yra subjektyvus ir pagrįstas atskirų endoskopuotojų patirtimi, todėl sudėtinga atlikti vertinimo standartizavimą ir apibūdinimą realiuoju laiku. Norėdami tai išspręsti, siekėme sukurti gilaus neuroninio tinklo (DNN) sistemą, kad ji būtų nuosekli, objektyvus, ir realiu laiku atlikta UC (DNUC) pacientų endoskopinių vaizdų analizė. "

Kento Takenaka, pagrindinis tyrimo autorius

Padaryti tai, tyrėjai sukūrė sistemą su DNN, kad įvertintų pacientų, sergančių UC, endoskopinius vaizdus. DNN yra AI mašininio mokymosi metodo tipas, pagrįstas dirbtinių neuronų tinklų kūrimu.

"Mes sukūrėme DNUC algoritmą, naudojant 40, 758 kolonoskopijos vaizdai ir 6885 biopsijos rezultatai iš 2012 m. "sako vyresnysis autorius Mamoru Watanabe." Tai sudarė mašinų mokymosi mokymo rinkinį, tai leido algoritmui išmokti tiksliai įvertinti ir klasifikuoti duomenis “.

Tada tyrėjai patvirtino DNUC algoritmo tikslumą, naudodami 4187 endoskopinius vaizdus ir 4104 biopsijos mėginius iš 875 pacientų, sergančių UC.

"Mes nustatėme, kad DNUC pasiekė tokį tikslumo lygį, kuris buvo lygus ekspertų endoskopų tikslui, "sako Takenaka." Taigi, mūsų sistema sugebėjo numatyti histologinę remisiją iš UC, naudojant tik endoskopinius vaizdus, priešingai nei histologiniams, nei endoskopiniams duomenims. Tai yra svarbus įvykis, atsižvelgiant į išlaidas ir riziką, susijusią su biopsijomis. "

DNUC gali atpažinti UC pacientus, kuriems yra remisija, nereikalaujant jiems atlikti biopsijos surinkimo ir analizės. Tai galėtų sutaupyti laiko ir pinigų gydymo įstaigoms, ir apriboti invazinių medicininių procedūrų poveikį asmenims, sergantiems UC.

Other Languages