In een studie gepubliceerd in februari in Gastro-enterologie , onderzoekers van de Tokyo Medical and Dental University (TMDU) hebben een nieuw ontwikkeld systeem voor kunstmatige intelligentie (AI) onthuld dat endoscopische bevindingen van UC kan evalueren met een nauwkeurigheid die gelijk is aan die van deskundige endoscopisten.
Nauwkeurige evaluaties zijn van cruciaal belang bij het bieden van optimale zorg aan patiënten met CU. Eerdere studies hebben aangetoond dat zowel endoscopische remissie, geëvalueerd via beoordeling van endoscopische procedure, en histologische remissie, zoals aangegeven door de mate van microscopische ontsteking, kan patiëntuitkomsten voorspellen, en worden daarom vaak gebruikt als behandeldoelen. Echter, variaties binnen en tussen waarnemers komen voor in zowel endoscopische als histologische analyses, en histologische analyse vereist vaak het verzamelen van weefsel via biopsieën, die invasief en kostbaar zijn.
De interpretatie van endoscopische beelden is subjectief en gebaseerd op de ervaring van individuele endoscopisten, waardoor de standaardisatie van evaluatie en real-time karakterisering uitdagend wordt. Dit behandelen, we probeerden een diep neuraal netwerk (DNN) systeem te ontwikkelen voor consistente, doelstelling, en real-time analyse van endoscopische beelden van patiënten met UC (DNUC)."
Kento Takenaka, hoofdauteur van de studie
Om dit te doen, de onderzoekers ontwikkelden een systeem met DNN's om endoscopische beelden van patiënten met UC te evalueren. DNN's zijn een soort AI-machine learning-methode die is gebaseerd op de constructie van kunstmatige neurale netwerken.
"We hebben het DNUC-algoritme geconstrueerd, met behulp van 40, 758 afbeeldingen van colonoscopieën en 6885 biopsieresultaten van 2012-patiënten met UC, ", zegt senior auteur Mamoru Watanabe. "Dit omvatte de trainingsset voor machinaal leren, waardoor het algoritme de gegevens nauwkeurig kon evalueren en classificeren".
De onderzoekers valideerden vervolgens de nauwkeurigheid van het DNUC-algoritme met behulp van 4187 endoscopische beelden en 4104 biopsiespecimens van 875 patiënten met UC.
"We ontdekten dat de DNUC een nauwkeurigheidsniveau bereikte dat gelijkwaardig was aan dat van deskundige endoscopisten, "zegt Takenaka. "Dus, ons systeem was in staat om histologische remissie van UC te voorspellen met alleen endoscopische beelden, in tegenstelling tot zowel histologische als endoscopische gegevens. Dit is een belangrijke ontwikkeling gezien de kosten en risico's van biopsieën."
De DNUC kan mogelijk UC-patiënten identificeren die in remissie zijn zonder dat ze een biopsieverzameling en -analyse moeten ondergaan. Dit kan tijd en geld besparen voor medische instellingen, en de blootstelling aan invasieve medische procedures voor personen met CU te beperken.