潰瘍性結腸炎(UC)是一種炎癥性腸病，通常通過內窺鏡檢查和組織學進行評估。但是現在，日本的研究人員開發(fā)了一種系統(tǒng)，該系統(tǒng)可能比現有方法更準確，并且可以減少這些患者接受侵入性醫(yī)療程序的需要。

在今年2月發(fā)表于胃腸病學的一項研究中，東京醫(yī)科牙科大學(TMDU)的研究人員揭示了一種新開發(fā)的人工智能(AI)系統(tǒng)，該系統(tǒng)可以評估UC的內窺鏡檢查結果，其準確性與專家內窺鏡檢查人員相當。

準確的評估對于為UC患者提供最佳護理至關重要。先前的研究表明，通過評估內窺鏡檢查程序評估的內窺鏡檢查緩解率和顯微炎癥程度表明的組織學緩解率均可以預測患者的預后，因此經常被用作治療目標。然而，在內窺鏡和組織學分析中觀察者之間和觀察者之間的變化均發(fā)生，并且組織學分析經常需要通過活檢來收集組織，這是侵入性的且昂貴的。

內窺鏡圖像的解釋是主觀的，并且基于各個內鏡醫(yī)師的經驗，因此使評估和實時表征的標準化具有挑戰(zhàn)性。為了解決這個問題，我們尋求開發(fā)一種深度神經網絡(DNN)系統(tǒng)，以對來自UC(DNUC)病人的內窺鏡圖像進行一致，客觀和實時的分析。”為此，研究人員開發(fā)了具有DNN的系統(tǒng)，以評估來自UC患者的內窺鏡圖像。DNN是一種基于人工神經網絡構建的AI機器學習方法。

高級作者渡邊茂(Mamoru Watanabe)說：“我們使用40,758張結腸鏡檢查的圖像和2012年UC患者的6885份活檢結果構建了DNUC算法，”“這包括用于機器學習的訓練集，這使算法能夠學會準確地評估和分類數據”。

研究人員隨后使用來自875例UC患者的4187幅內窺鏡圖像和4104份活檢標本驗證了DNUC算法的準確性。

竹中說：“我們發(fā)現DNUC的準確度與專業(yè)內鏡醫(yī)師相當。”“因此，我們的系統(tǒng)僅能使用內窺鏡圖像預測UC的組織學緩解，而不是組織學和內窺鏡數據。鑒于活檢的成本和風險，這代表了重要的發(fā)展。”

DNUC可能能夠識別緩解的UC患者，而無需進行活檢和分析。這可以為醫(yī)療機構節(jié)省時間和金錢，并限制患有UC的個體接觸侵入性醫(yī)療程序的機會。