教育新闻网溃疡性结肠炎(UC)是一种炎症性肠病，通常通过内窥镜检查和组织学进行评估。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。
在今年2月发表于胃肠病学的一项研究中，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人员相当。
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均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之间的变化均发生，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。
内窥镜图像的解释是主观的，并且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。为了解决这个问题，我们寻求开发一种深度神经网络(DNN)系统，以对来自UC(DNUC)病人的内窥镜图像进行一致，客观和实时的分析。”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。
高级作者渡边茂(Mamoru Watanabe)说：“我们使用40,758张结肠镜检查的图像和2012年UC患者的6885份活检结果构建了DNUC算法，”“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875例UC患者的4187幅内窥镜图像和4104份活检标本验证了DNUC算法的准确性。
竹中说：“我们发现DNUC的准确度与专业内镜医师相当。”“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，而不是组织学和内窥镜数据。鉴于活检的成本和风险，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。
