Исследователи из Токийского медицинского и стоматологического университета (TMDU) разработали систему искусственного интеллекта, которая эффективно оценивает эндоскопические данные слизистой оболочки у пациентов с язвенным колитом без необходимости взятия биопсии.
Оценка пациентов с язвенным колитом (ЯК), который является типом воспалительного заболевания кишечника, обычно проводится с помощью эндоскопии и гистологии. Но теперь исследователи из Японии разработали систему, которая может быть более точной, чем существующие методы, и может снизить потребность этих пациентов в инвазивных медицинских процедурах.
В исследовании, опубликованном в феврале этого года в журнале Gastroenterology, исследователи из Токийского медицинского и стоматологического университета (TMDU) обнаружили недавно разработанную систему искусственного интеллекта (AI), которая может оценивать эндоскопические данные о ЯК с точностью, эквивалентной точности экспертов-эндоскопистов.
Точная оценка имеет решающее значение для обеспечения оптимального ухода за пациентами с ЯК. Предыдущие исследования показали, что как эндоскопическая ремиссия, оцениваемая с помощью оценки эндоскопической процедуры, так и гистологическая ремиссия, на которую указывает степень микроскопического воспаления, могут прогнозировать исходы пациента и поэтому часто используются в качестве целей лечения. Тем не менее, вариации внутри и между наблюдателями возникают как в эндоскопическом, так и в гистологическом анализе, а гистологический анализ часто требует сбора ткани с помощью биопсии, что является инвазивным и дорогостоящим.
"Интерпретация эндоскопических изображений является субъективной и основана на опыте отдельных эндоскопистов, что затрудняет стандартизацию оценки и характеристики в реальном времени," говорит ведущий автор исследования Кенто Такенака. "Чтобы решить эту проблему, мы стремились разработать систему глубокой нейронной сети (DNN) для последовательного, объективного анализа в реальном времени эндоскопических изображений пациентов с UC (DNUC)."
Для этого исследователи разработали систему с DNN для оценки эндоскопических изображений пациентов с ЯК. DNN – это метод машинного обучения искусственного интеллекта, основанный на построении искусственных нейронных сетей.
"Мы построили алгоритм DNUC, используя 40758 изображений колоноскопии и 6885 результатов биопсии от 2012 пациентов с ЯК," говорит старший автор Мамору Ватанабе. "Он включал обучающий набор для машинного обучения, который позволил алгоритму научиться точно оценивать и классифицировать данные."
Затем исследователи подтвердили точность алгоритма DNUC с использованием 4187 эндоскопических изображений и 4104 образцов биопсии от 875 пациентов с ЯК.
"Мы обнаружили, что DNUC достиг уровня точности, эквивалентного уровню точности экспертов-эндоскопистов," говорит Такенака. "Таким образом, наша система смогла предсказать гистологическую ремиссию ЯК, используя только эндоскопические изображения, в отличие от гистологических и эндоскопических данных. Это представляет собой важное событие, учитывая затраты и риски, связанные с биопсией."
DNUC может быть в состоянии идентифицировать пациентов с ЯК, находящихся в стадии ремиссии, не требуя от них прохождения биопсии и анализа. Это может сэкономить время и деньги для медицинских учреждений и ограничить воздействие инвазивных медицинских процедур на людей с ЯК.