Nytt AI -system kan evaluere endoskopiske funn av ulcerøs kolitt med nøyaktighet

Vurderinger av pasienter med ulcerøs kolitt (UC), som er en type inflammatorisk tarmsykdom, utføres vanligvis via endoskopi og histologi. Men nå, forskere fra Japan har utviklet et system som kan være mer nøyaktig enn eksisterende metoder og kan redusere behovet for disse pasientene å gjennomgå invasive medisinske prosedyrer.

I en studie publisert i februar i Gastroenterologi , forskere fra Tokyo Medical and Dental University (TMDU) har avslørt et nyutviklet system for kunstig intelligens (AI) som kan evaluere endoskopiske funn av UC med en nøyaktighet som tilsvarer ekspertendoskopers.

Nøyaktige evalueringer er kritiske for å gi optimal omsorg for pasienter med UC. Tidligere studier har indikert at både endoskopisk remisjon, evaluert via vurdering av endoskopisk prosedyre, og histologisk remisjon, som indikert av graden av mikroskopisk betennelse, kan forutsi pasientens utfall, og blir dermed ofte brukt som behandlingsmål. Derimot, intra- og inter-observatørvariasjoner forekommer i både endoskopiske og histologiske analyser, og histologisk analyse krever ofte innsamling av vev via biopsier, som er invasive og kostbare.

Tolkningen av endoskopiske bilder er subjektiv og basert på erfaringen fra individuelle endoskopister, derved gjør standardisering av evaluering og sanntidskarakterisering utfordrende. For å løse dette, vi søkte å utvikle et dypt neuralt nettverk (DNN) system for konsekvent, objektiv, og sanntidsanalyse av endoskopiske bilder fra pasienter med UC (DNUC). "

Kento Takenaka, hovedforfatter av studien

Å gjøre dette, forskerne utviklet et system med DNN for å evaluere endoskopiske bilder fra pasienter med UC. DNN er en type AI-maskinlæringsmetode som er basert på konstruksjon av kunstige nevrale nettverk.

"Vi konstruerte DNUC -algoritmen, bruker 40, 758 bilder av koloskopier og 6885 biopsiresultater fra 2012 pasienter med UC, "sier seniorforfatter Mamoru Watanabe." Dette omfattet opplæringssett for maskinlæring, som gjorde algoritmen i stand til å lære å evaluere og klassifisere dataene nøyaktig ".

Forskerne validerte deretter nøyaktigheten til DNUC -algoritmen ved å bruke 4187 endoskopiske bilder og 4104 biopsiprøver fra 875 pasienter med UC.

"Vi fant ut at DNUC oppnådde et nøyaktighetsnivå som var ekvivalent med ekspertendoskopers, "sier Takenaka." Dermed, vårt system var i stand til å forutsi histologisk remisjon fra UC bare ved hjelp av endoskopiske bilder, i motsetning til både histologiske og endoskopiske data. Dette representerer en viktig utvikling gitt kostnadene og risikoene forbundet med biopsier. "

DNUC kan kanskje identifisere UC -pasienter som er i remisjon uten at de må gjennomgå biopsiinnsamling og analyse. Dette kan spare tid og penger for medisinske institusjoner, og begrense eksponering for invasive medisinske prosedyrer for personer med UC.

• Tarmbakterier kan øke effektiviteten av immunterapi mot kreft,
• Gastrointestinale manifestasjoner og fekal-oral overføring av nytt koronavirus