基于潰瘍性結腸炎內窺鏡圖像的DNUC開發及其準確性得到前瞻性驗證

東京醫科大學11月29日宣布，它已經開發了一個基于潰瘍性結腸炎內窺鏡圖像的計算機圖像支持系統(DNUC;基于內窺鏡圖像的深度神經網絡系統)。 這項研究是與東京大學胃腸病學系的Kento Takenaka助理教授、該大學高級研究學院的Mamoru Watanabe特聘教授、該大學醫院光學醫學系的Kazuro Otsuka教授以及索尼公司領導的小組合作進行。 這項研究的結果已經發表在《柳葉刀胃腸病學和肝臟病學》上。

潰瘍性結腸炎是一種慢性炎癥性腸病，與頻繁的緩解和加重有關，強烈影響日常生活的質量。 最近的治療進展不僅使控制癥狀成為可能，也使控制炎癥本身成為可能。 然而，為了控制炎癥，不僅要實現癥狀緩解，而且要實現粘膜愈合，通過下消化道內鏡評估內鏡和組織學緩解是非常重要的。

然而，這種評估需要對疾病的知識和經驗，而且是主觀的，會有變化。 此外，內窺鏡粘膜活檢需要進行組織學緩解評估，這既費錢又復雜。

人工智能(AI)技術的進步已經導致了醫療領域一系列計算機輔助設備的發展。 在這項研究中，我們旨在通過使用一種稱為深度學習的人工智能技術，開發一個基于潰瘍性結腸炎內窺鏡圖像的計算機化圖像支持系統(DNUC)，并前瞻性地測試其準確性。

內窺鏡緩解的準確率為90.1%，組織學緩解的準確率為92.9

首先，我們回顧了2014年1月至2018年3月期間在東京醫科大學醫院對潰瘍性結腸炎患者進行的下消化道內窺鏡圖像和粘膜活檢，并收集了被認為適合AI學習的數據(2,012名患者，40,758張圖像，6,885份粘膜活檢)。 然后由專科醫生對所有數據進行UCEIS和Geboes的評分。 該研究將UCEIS評分為0定義為 "內鏡緩解"，將Geboes評分為3.0或以下定義為 "組織學緩解"。 使用這個數據集作為訓練數據，在索尼的幫助下開發了DNUC。

根據輸入的圖像，DNUC輸出UCEIS評分以及 "內鏡緩解 "和 "組織學緩解"。 2018年4月至2019年4月，在東京醫科大學醫院就診的875名患者中前瞻性地驗證了所開發的DNUC的準確性。 結果顯示，DNUC對 "內窺鏡緩解 "的準確性為90.1%，對 "組織學緩解 "的準確性為92.9%。

對875名患者進行了為期一年的下消化道內鏡檢查后的臨床過程(預后)的研究。 他們發現，經DNUC評估為內鏡或組織學緩解的患者，其復發、使用類固醇、住院和手術的發生率明顯較低。 當用危險比計算DNUC的預后能力時，它與潰瘍性結腸炎專家對所有預后的預測相當。

病理結果的預測靈敏度為97.9%，特異性為94.6

接下來，開發的人工智能系統被調整為內窺鏡視頻。 從視頻中實時選擇適當靜止圖像的算法是與索尼公司合作開發的。 因此，現在可以通過將內窺鏡設備連接到配備DNUC的PC上，進行 "實時組織學評估 "和 "恒定內窺鏡分數計算"。 此外，從2019年4月到2020年3月，將在東京醫科大學醫院和四家附屬醫院進行一項多中心前瞻性研究，以驗證該系統的準確性。 在 "實時組織學評估 "方面，DNUC的結果與180名臨床緩解期的潰瘍性結腸炎患者的活檢組織的病理學結果進行了比較。

結果顯示，DNUC能夠預測81.0%的活檢的病理情況，其敏感性和特異性分別為97.9%和94.6%。 對于 "恒定內鏡評分計算"，在590名潰瘍性結腸炎患者中比較了潰瘍性結腸炎專家計算的UCEIS評分和DNUC。 對于分數的計算，專家和DNUC之間的相關性為0.927，根據該研究，這是一個非常高的一致性。

DNUC計劃研究DNUC在臨床應用中的實際可行性

DNUC不僅可以高度準確地評估 "內鏡緩解"，還可以計算內鏡評分以及潰瘍性結腸炎專家。 研究人員說，由于內窺鏡評估是主觀的，而且在不同的醫生之間會有差異，與以前公布的潰瘍性結腸炎的內窺鏡評估結果相比，該系統的準確性足夠高。 此外，由于DNUC總是從同一視頻中輸出相同的內窺鏡評估結果，所以同一內窺鏡評估可以 "隨時"、"隨地 "和 "由任何人 "進行。 因此，在未來，DNUC將成為評估疾病嚴重程度和治療效果的一個標準。

此外，DNUC可以通過內窺鏡視頻進行實時組織學評估。 以前，組織評估需要收集粘膜活檢，但DNUC能在內窺鏡手術中進行組織評估，有可能減少所需的粘膜活檢次數，并消除與活檢相關的成本和風險。

該研究小組說："我們堅信DNUC將在臨床實踐中被需要，我們的目標是使其在臨床上適用。 我們將繼續探索它在臨床實踐中的可行性，并希望將來它能改變全世界潰瘍性結腸炎內鏡評估的方法和標準。