Stomach Health > žalúdok zdravie >  > Q and A > žalúdok otázka

Nový systém AI dokáže s presnosťou vyhodnotiť endoskopické nálezy ulceróznej kolitídy

Hodnotenia pacientov s ulceróznou kolitídou (UC), čo je typ zápalového ochorenia čriev, sa zvyčajne vykonávajú pomocou endoskopie a histológie. Ale teraz, Vedci z Japonska vyvinuli systém, ktorý môže byť presnejší než existujúce metódy a môže znížiť potrebu týchto pacientov podstupovať invazívne lekárske zákroky.

V štúdii publikovanej tento rok vo februári v Gastroenterológia , vedci z Tokijskej lekárskej a zubnej univerzity (TMDU) odhalili novovyvinutý systém umelej inteligencie (AI), ktorý dokáže vyhodnotiť endoskopické nálezy UC s presnosťou ekvivalentnou odborným endoskopistom.

Presné hodnotenia sú rozhodujúce pri poskytovaní optimálnej starostlivosti o pacientov s UC. Predchádzajúce štúdie ukázali, že endoskopická remisia hodnotené prostredníctvom hodnotenia endoskopického postupu, a histologická remisia, ako naznačuje stupeň mikroskopického zápalu, dokáže predpovedať výsledky pacienta, a preto sa často používajú ako liečebné ciele. Avšak, variácie medzi pozorovateľmi a medzi pozorovateľmi sa vyskytujú v endoskopických aj histologických analýzach, a histologická analýza často vyžaduje odber tkaniva prostredníctvom biopsií, ktoré sú invazívne a nákladné.

Interpretácia endoskopických obrazov je subjektívna a vychádza zo skúseností jednotlivých endoskopistov, čím je štandardizácia hodnotenia a charakterizácia v reálnom čase náročná. Aby sme to vyriešili, snažili sme sa vyvinúť systém hlbokých neurónových sietí (DNN) pre konzistentné, cieľ, a analýzu endoskopických obrazov od pacientov s UC (DNUC) v reálnom čase. “

Kento Takenaka, vedúci autor štúdie

Robiť to, vedci vyvinuli systém s DNN na hodnotenie endoskopických obrazov od pacientov s UC. DNN sú typom metódy strojového učenia AI, ktorá je založená na konštrukcii umelých neurónových sietí.

„Skonštruovali sme algoritmus DNUC, pomocou 40, 758 snímok kolonoskopií a 6885 výsledkov biopsie od 2012 pacientov s UC, "hovorí starší autor Mamoru Watanabe." To obsahovalo sadu školení pre strojové učenie, čo umožnilo algoritmu naučiť sa presne vyhodnotiť a klasifikovať údaje “.

Vedci potom validovali presnosť algoritmu DNUC pomocou 4187 endoskopických snímok a 4104 vzoriek biopsie od 875 pacientov s UC.

„Zistili sme, že DNUC dosiahla úroveň presnosti, ktorá je rovnaká ako presnosť odborných endoskopistov, "hovorí Takenaka." Tak, náš systém bol schopný predpovedať histologickú remisiu z UC iba pomocou endoskopických obrazov, na rozdiel od histologických aj endoskopických údajov. Vzhľadom na náklady a riziká spojené s biopsiami to predstavuje dôležitý vývoj. “

DNUC môže byť schopný identifikovať pacientov s UC, ktorí sú v remisii, bez toho, aby museli podstúpiť odber a analýzu biopsie. Lekárskym inštitúciám by to mohlo ušetriť čas a peniaze, a obmedziť expozíciu invazívnym lekárskym postupom pre osoby s UC.

Other Languages