人工智能使内窥镜评估和预测预后等同于溃疡性结肠炎专家的评估 - 东京医科大学等

基于溃疡性结肠炎内窥镜图像的DNUC开发及其准确性得到前瞻性验证

东京医科大学11月29日宣布，它已经开发了一个基于溃疡性结肠炎内窥镜图像的计算机图像支持系统(DNUC;基于内窥镜图像的深度神经网络系统)。 这项研究是与东京大学胃肠病学系的Kento Takenaka助理教授、该大学高级研究学院的Mamoru Watanabe特聘教授、该大学医院光学医学系的Kazuro Otsuka教授以及索尼公司领导的小组合作进行。 该研究结果已发表在《柳叶刀胃肠病学和肝脏病学》上。

溃疡性结肠炎是一种慢性炎症性肠病，与频繁的缓解和加重有关，强烈影响日常生活的质量。 最近的治疗进展不仅使控制症状成为可能，也使控制炎症本身成为可能。 然而，为了控制炎症，不仅要实现症状缓解，而且要实现粘膜愈合，通过下消化道内镜评估内镜和组织学缓解是非常重要的。

然而，这种评估需要对疾病的知识和经验，而且是主观的，会有变化。 此外，内镜下的粘膜活检需要进行组织学缓解评估，这既费钱又复杂。

人工智能(AI)技术的进步已经导致了医疗领域一系列计算机辅助设备的发展。 在这项研究中，我们旨在通过使用一种称为深度学习的人工智能技术，开发一个基于溃疡性结肠炎内窥镜图像的计算机化图像支持系统(DNUC)，并前瞻性地测试其准确性。

内窥镜缓解的准确率为90.1%，组织学缓解的准确率为92.9

首先，我们回顾了2014年1月至2018年3月期间在东京医科大学医院对溃疡性结肠炎患者进行的下消化道内窥镜图像和粘膜活检，并收集了被认为适合AI学习的数据(2,012名患者，40,758张图像，6,885份粘膜活检)。 然后由专科医生对所有数据进行UCEIS和Geboes的评分。 该研究将UCEIS评分为0定义为 "内镜缓解"，将Geboes评分为3.0或以下定义为 "组织学缓解"。 使用这个数据集作为训练数据，在索尼的帮助下开发了DNUC。

根据输入的图像，DNUC输出UCEIS评分以及 "内镜缓解 "和 "组织学缓解"。 2018年4月至2019年4月，在东京医科大学医院就诊的875名患者中前瞻性地验证了所开发的DNUC的准确性。 结果显示，DNUC对 "内窥镜缓解 "的准确性为90.1%，对 "组织学缓解 "的准确性为92.9%。

对875名患者进行了为期一年的下消化道内镜检查后的临床过程(预后)的研究。 他们发现，经DNUC评估为内镜或组织学缓解的患者，其复发、使用类固醇、住院和手术的发生率明显较低。 当用危险比计算DNUC的预后能力时，它与溃疡性结肠炎专家对所有预后的预测相当。

病理结果的预测灵敏度为97.9%，特异性为94.6

接下来，开发的人工智能系统被调整为内窥镜视频。 从视频中实时选择适当静止图像的算法是与索尼公司合作开发的。 因此，现在可以通过将内窥镜设备连接到配备DNUC的PC上，进行 "实时组织学评估 "和 "恒定内窥镜分数计算"。 此外，从2019年4月到2020年3月，将在东京医科大学医院和四家附属医院进行一项多中心前瞻性研究，以验证该系统的准确性。 在 "实时组织学评估 "方面，DNUC的结果与180名临床缓解期的溃疡性结肠炎患者的活检组织的病理学结果进行了比较。

结果显示，DNUC能够预测81.0%的活检的病理情况，其敏感性和特异性分别为97.9%和94.6%。 对于 "恒定内镜评分计算"，在590名溃疡性结肠炎患者中比较了溃疡性结肠炎专家计算的UCEIS评分和DNUC。 对于分数的计算，专家和DNUC之间的相关性为0.927，根据该研究，这是一个非常高的一致性。

DNUC计划研究DNUC在临床应用中的实际可行性

DNUC不仅可以高度准确地评估 "内镜缓解"，还可以计算内镜评分以及溃疡性结肠炎专家。 研究人员说，由于内窥镜评估是主观的，而且在不同的医生之间会有差异，与以前公布的溃疡性结肠炎的内窥镜评估结果相比，该系统的准确性足够高。 此外，由于DNUC总是从同一视频中输出相同的内窥镜评估结果，所以同一内窥镜评估可以 "随时"、"随地 "和 "由任何人 "进行。 因此，在未来，DNUC将成为评估疾病严重程度和治疗效果的一个标准。

此外，DNUC可以通过内窥镜视频进行实时组织学评估。 以前，组织评估需要收集粘膜活检，但DNUC能在内窥镜手术中进行组织评估，有可能减少所需的粘膜活检数量，并消除与活检相关的成本和风险。

该研究小组说："我们坚信DNUC将在临床实践中被需要，我们的目标是使其在临床上适用。 我们将继续探索它在临床实践中的可行性，并希望将来它能改变全世界溃疡性结肠炎内镜评估的方法和标准。