摘要
东京医科牙科大学（TMDU）的研究人员已经开发了一种具有深度神经网络的人工智能系统，可以有效地评估溃疡性结肠炎（一种炎症性肠病）患者的内窥镜数据，而无需进行活检。该系统能够以与专家相当的准确性来识别内镜缓解和组织学缓解的患者，这代表了效率和成本的提高。
东京医科牙科大学（TMDU）的研究人员开发了一种人工智能系统，该系统可以有效地评估溃疡性结肠炎患者的内镜黏膜发现而无需进行活检收集。
TMDU:TokyoMedicalandDentalUniversity
图片来源eurekalert日本东京–溃疡性结肠炎（UC）患者的评估炎症性肠病通常通过内窥镜检查和组织学检查进行。但是现在，日本的研究人员开发了一种系统，该系统可能比现有方法更准确，并且可以减少这些患者接受侵入性医疗程序的需要。
UCulcerativecolitis内窥镜检查是由体外经过人体自然腔道送入体内，对体内疾病进行检查的一种光学仪器检查。组织性检查，又称“活检”，活检是“活体组织检查”简称，亦称外科病理学检查，是指应诊断、治疗的需要，从患者体内切取、钳取或穿刺等取出病变组织，进行病理学检查的技术。
在今年2月发表的胃肠病学研究中东京医科牙科大学（TMDU）的研究人员揭示了一种新开发的人工智能（AI）系统，该系统可以评估UC的内窥镜检查结果，其准确性与专家内窥镜检查员的准确性相当。
AIartificialintelligence
准确的评估对于为UC患者提供最佳护理至关重要。先前的研究表明，通过评估内窥镜检查程序评估的内窥镜检查缓解率和显微炎症程度表明的组织学缓解率都可以预测患者的预后，因此经常被用作治疗目标。然而，在内窥镜和组织学分析中观察者之间和观察者间的差异均发生，并且组织学分析经常需要通过活检来收集组织，这是侵入性的且昂贵的。
这项研究的主要作者肯托·竹中（KentoTakenaka）说：“对内窥镜图像的解释是主观的，并基于各个内镜医师的经验，因此使评估和实时表征的标准化具有挑战性。”“为解决这个问题，我们寻求开发一种深度神经网络（DNN）系统，用于对来自UC（DNUC）病人的内窥镜图像进行一致，客观和实时的分析。”
DNNdeepneuralnetwork
为此，研究人员开发了具有DNN的系统，以评估来自UC患者的内窥镜图像。DNN是一种基于人工神经网络构建的AI机器学习方法。
“我们使用来自年UC病人的40,例结肠镜检查图像和份活检结果构建了DNUC算法，”资深作者渡边MamoruWatanabe说。“这包括用于机器学习的训练集，这使算法能够学会准确地评估和分类数据”。
研究人员随后使用来自例UC患者的幅内窥镜图像和份活检标本验证了DNUC算法的准确性。
竹中说：“我们发现DNUC达到了与专业内镜医师相同的精确度。”因此，我们的系统仅能使用内窥镜图像预测UC的组织学缓解，与组织学和内窥镜数据相反。考虑到活检的成本和风险，这代表了重要的发展。”
DNUC可能能够识别缓解的UC患者，而无需进行活检和分析。这可以为医疗机构节省时间和金钱，并限制患有UC的个体接触侵入性医疗程序的机会。
将捕获的内窥镜图像转移到DNUC。通过用特定的半透明颜色填充瓷砖，从原始的内窥镜图像创建叠加图像。确定填充颜色和透射率，使其与结果和得分的可能性相对应。
此外，我们设计了DNUC以输出以下结果：（1）内镜缓解（是/否），（2）组织学缓解（是/否）和（3）UCEIS评分。在确定内镜缓解率时，DNUC表现出很高的诊断准确性（90.1％）。
关于组织学缓解的预测，DNUC显示出较高的诊断准确性（92.9％）。
以上是肖杨老师跟大家分享的，关于东京医科牙科大学使用人工智能评估溃疡性结肠炎最新研究，有意向从事AI领域或医学领域的小伙伴可以了解，对于知识如何应用有个初步的了解。