Nytt AI -system kan utvärdera endoskopiska fynd av ulcerös kolit med noggrannhet

Bedömningar av patienter med ulcerös kolit (UC), som är en typ av inflammatorisk tarmsjukdom, utförs vanligtvis via endoskopi och histologi. Men nu, forskare från Japan har utvecklat ett system som kan vara mer exakt än befintliga metoder och kan minska behovet för dessa patienter att genomgå invasiva medicinska ingrepp.

I en studie som publicerades i februari i Gastroenterologi , forskare från Tokyo Medical and Dental University (TMDU) har avslöjat ett nyutvecklat system för artificiell intelligens (AI) som kan utvärdera endoskopiska fynd av UC med en noggrannhet som motsvarar experten hos endoskopister.

Noggranna utvärderingar är avgörande för att ge optimal vård till patienter med UC. Tidigare studier har visat att både endoskopisk remission, utvärderas via bedömning av endoskopisk procedur, och histologisk remission, som indikeras av graden av mikroskopisk inflammation, kan förutsäga patientens resultat, och används därför ofta som behandlingsmål. Dock, intra- och inter-observatörsvariationer förekommer i både endoskopiska och histologiska analyser, och histologisk analys kräver ofta insamling av vävnad via biopsier, som är invasiva och kostsamma.

Tolkningen av endoskopiska bilder är subjektiv och baseras på erfarenheten från enskilda endoskopister, vilket gör standardiseringen av utvärdering och realtidskarakterisering utmanande. För att ta itu med detta, vi försökte utveckla ett djupt neuralt nätverk (DNN) system för konsekvent, mål, och analys i realtid av endoskopiska bilder från patienter med UC (DNUC). "

Kento Takenaka, huvudförfattare till studien

Att göra detta, forskarna utvecklade ett system med DNN för att utvärdera endoskopiska bilder från patienter med UC. DNN är en typ av AI-maskininlärningsmetod som bygger på konstruktionen av artificiella neurala nätverk.

"Vi konstruerade DNUC -algoritmen, med 40, 758 bilder av koloskopi och 6885 biopsiresultat från 2012 -patienter med UC, "säger seniorförfattaren Mamoru Watanabe." Detta omfattade utbildningssatsen för maskininlärning, vilket gjorde det möjligt för algoritmen att lära sig att exakt utvärdera och klassificera data ".

Forskarna validerade sedan noggrannheten för DNUC -algoritmen med hjälp av 4187 endoskopiska bilder och 4104 biopsiprover från 875 patienter med UC.

"Vi fann att DNUC uppnådde en noggrannhet som var ekvivalent med experten för endoskopister, "säger Takenaka." Således, vårt system kunde förutsäga histologisk remission från UC endast med hjälp av endoskopiska bilder, till skillnad från både histologiska och endoskopiska data. Detta representerar en viktig utveckling med tanke på de kostnader och risker som är förknippade med biopsier. "

DNUC kan kanske identifiera UC -patienter som är i remission utan att behöva genomgå biopsiinsamling och analys. Detta kan spara tid och pengar för medicinska institutioner, och begränsa exponeringen för invasiva medicinska ingrepp för personer med UC.

• Tarmbakterier kan öka effektiviteten av cancerimmunterapi,
• Gastrointestinala manifestationer och fekal-oral överföring av nytt coronavirus