東京醫科齒科大學 (TMDU) 的研究人員開發了一種人工智能系統，可以有效評估潰瘍性結腸炎患者的內窺鏡粘膜發現，而無需進行活檢。

潰瘍性結腸炎(UC)患者的評估是一種炎癥性腸病，通常通過內窺鏡檢查和組織學進行。但現在，來自日本的研究人員已經開發出一種系統，該系統可能比現有方法更準確，并可能減少這些患者接受侵入性醫療程序的需要。

在今年 2 月發表在《胃腸病學》雜志上的一項研究中，東京醫科齒科大學 (TMDU) 的研究人員揭示了一種新開發的人工智能 (AI) 系統，該系統可以評估 UC 的內窺鏡檢查結果，準確度與內窺鏡專家相當。

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，通過評估內窺鏡手術評估的內窺鏡緩解和組織學緩解(如微觀炎癥程度所示)都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都會發生觀察者內部和觀察者之間的差異，并且組織學分析經常需要通過活檢收集組織，這是侵入性和昂貴的。

“內窺鏡圖像的解釋是主觀的，并且基于個體內窺鏡醫師的經驗，因此使評估和實時表征的標準化具有挑戰性，”該研究的主要作者 Kento Takenaka 說。“為了解決這個問題，我們尋求開發一種深度神經網絡 (DNN) 系統，以對 UC (DNUC) 患者的內窺鏡圖像進行一致、客觀和實時的分析。”

為此，研究人員開發了一個帶有 DNN 的系統來評估 UC 患者的內窺鏡圖像。DNN 是一種基于人工神經網絡構建的人工智能機器學習方法。

“我們構建了 DNUC 算法，使用來自 2012 名 UC 患者的40,758 張結腸鏡檢查圖像和 6885 個活檢結果，”資深作者渡邊守說。“這包括機器學習的訓練集，使算法能夠學習準確地評估和分類數據。”

然后，研究人員使用來自 875 名 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。