文摘
炎症性肠病(IBD)是一个复杂的慢性免疫疾病与两个亚型:克罗恩病和溃疡性结肠炎。考虑不同的发病机制、病因、临床表现、和对治疗的反应患者中,肠胃科主要依靠内镜诊断和治疗IBD临床实践。然而,随着以日益全面的溃疡性结肠炎内镜评分系统内窥镜诊断、评估和治疗IBD仍然依靠英国的主观操作和判断。近年来,人工智能(AI)的使用在各种医疗领域,得到了充分的发展,越来越多的研究已经研究这个领域的新兴技术的使用胃肠病学。临床应用人工智能的集中在IBD发病机制,病因,诊断和患者预后。大规模数据集在小说的发展提供巨大的实用工具来解决未满足的治疗IBD患者临床和实践需要。然而,人工智能方法之间的显著差异,数据集,和临床结果限制人工智能技术的结合到临床实践。在这次审查中,我们讨论实际人工智能应用程序通过gastroenteroscopy炎症性肠病的诊断和推测未来的人工智能技术提供了IBD患者的诊断和治疗的价值。
1。介绍
人工智能(AI)代表机器模仿人类智慧的能力。人工智能在医学应用的主要方面包括计算智能,基因测序,智能诊断和医疗机器人。目前,人工智能技术的应用胃肠内镜正在迅速增加。与专业的英国相比,人工智能技术已发现有优越的精度分析和处理大量的医疗数据。机器学习(ML),在人工智能的实现是至关重要的,就是使用算法的过程指导计算机使用已知的数据得到一个合适的模型。这个模型可以用来评估新的情况。作为现代统计学的一个分支,毫升分析复杂的数据(尤其有用1]。有四种类型的ML:监督学习、无监督学习,semi-supervised学习,强化学习。在监督学习中,一个算法是给定一个数据集,包括问题和正确的答案,和机器学习如何正确预测未来问题的答案通过分析数据。深度学习(DL)的一个子集毫升(2)已收到注意医学成像领域的科学完全自动化,快速、准确的成像分析的解决方案。DL的一个典型的例子是卷积神经网络(CNN),可用于解决基于图像的医学问题。考虑到他们伟大的效用,cnn已经成为广泛应用于医学影像(2]。
炎症性肠病(IBD)是一种慢性炎性疾病复杂与全球发病率增加。炎症性肠病预后密切相关的医疗保健系统(3]。炎症性肠病的两个亚型,溃疡性结肠炎(UC)和克罗恩病(CD),是典型的复杂疾病的特点是慢性和异构演示。所诱导的基因之间的相互作用、环境微生物和免疫学因素(4]。炎症性肠病的准确诊断一直肠胃科的一个挑战。然而,新的炎症性肠病诊断技术包括组合的方法,如胃肠道内窥镜,分子病理,表观遗传学,代谢组学,蛋白质组学5]。最先进的内窥镜成像技术和新型生物标志物为炎症性肠病的鉴别诊断提供新方法。在过去的几年中,内镜诊断的重要性,建立了IBD治疗和监测。例如,dye-chromo内镜(DCE)和虚拟色内镜(VCE)通常用于炎症性肠病的内镜监测6]。在DCE中,结肠局部染料喷在墙上,增强粘膜形态的可视化。这种技术是现在公认的金标准诊断增生并已包含在国际诊断准则的建议。VCE也包含在国际准则,包括内窥镜图像的数字化,使组织与高精度增强的表面细节。因此,它可以作为一个替代DCE。尽管这些技术的效用,差异的具体方法以及诊断组件的质量和随后的解释可以显著影响肠胃科之间的炎症性肠病的诊断和治疗结果。
今天,人工智能技术的进步大大提高了临床医生和研究人员的分析能力、操作、解释,并应用大型数据集。从临床试验的数据量,医学成像,和遗传研究(基因组、转录组和蛋白质组)迅速增加(7]。没有合适的方法来解释,很难把大量的临床数据和基因数据的详细分析在临床实践中。AI和毫升可以用来快速分析这些数据集,使临床医生能够实现分层管理的患者而言,风险评估、诊断、治疗和预后。因此,人工智能和ML使得更准确和标准化的内镜治疗措施。增强应用程序的AI在IBD治疗和诊断,内镜程序变得越来越专业,目前包括内窥镜的评估疾病活动,癌变组织,监控和胶囊内镜(CE)的诊断CD [8]。本综述的目的是总结当前应用人工智能技术炎症性肠病的诊断和治疗反应预测,并讨论未来的发展方向在炎症性肠病内镜AI的应用。
2。人工智能的分类
兴趣作为一个热门研究课题,人工智能在医学界近年来快速增长。因此,人工智能的应用IBD治疗导致了重大进展在计算机辅助诊断和治疗9]。许多计算机算法开发协助胃镜检查。ML,作为人工智能的一种形式,可以用来促进算法基于经验和自我完善在没有人监督。具体来说,ML算法可以从输入数据集,并识别行为模式或生成预测模型10]。毫升的应用内镜IBD监测可以通过分析实现静态图像。DL,毫升的子集,可以用来处理复杂的学习算法。作为一个类型的DL, cnn是成为图像处理的主要技术。
2.1。机器学习
在不久的将来,ML-based模型预计将采用大量的临床医生对图像识别和分析。IBD研究领域的ML被用来确定粘膜治疗UC患者(11和分类亚型的小儿结肠炎症性肠病(12]。黄等人发明了一种计算机辅助诊断系统基于ML和DL (DLML-CAD)。背后的概念系统转移有关学习、分类器的训练来提取所需的特性的图像使用网络pre-trained使用数以百万计的非医学图像。研究人员选择了深层神经网络(款),支持向量机,并再DLML-CAD网络模型作为分类器,梅奥和分类数以百计的图像作为“内窥镜”的得分(MES) 0 - 1或MES 2 - 3。DLML-CAD达到甚至略超过IBD英国的诊断水平。系统可以识别和分析结肠内窥镜图像准确地确定粘膜愈合的程度(ML)。它也可以被用来评估结肠的粘膜不同地区在结肠镜检查患者的加州大学(11]。达利瓦等人收集的临床、内镜、影像学和组织学的数据从74年结肠炎症性肠病的患者,训练随机森林分类器的完整的数据集,并使用毫升识别三个组织学特征和四个内镜检查,可以用来区分结肠溃疡性结肠炎和CD [12]。根据现有的数据,毫升模型领域的执行很好炎症性肠病诊断和治疗。然而,它仍然是不确定的,因为它广泛应用在临床治疗中仍处于临床试验阶段。
2.2。深度学习
考虑到严格的训练要求准确评估内镜炎症和专门培训的有限数量的英国,DL可以提供许多优势在IBD患者的临床评估。根据相关研究,小肠溃疡患者CD,通过视频揭示了CE, DL模型可以有效地监控当接受者操作特征曲线下的面积在0.94和0.99之间(13]。竹中平藏等人也验证了使用DL算法评估疾病活动使用加州大学内窥镜严重度评分(14),和DL算法似乎世代意义在内镜图像的快速采集和分析。
2.3。卷积神经网络
cnn是一种DL算法,对计算机视觉领域的一个巨大的影响,与图像分析准确度的专业医生。cnn在大脑中模拟神经网络结合许多数据输入,重量和偏见。这些系统是非常有用的在检测肠道溃疡、糜烂,和狭窄(15,16]。丁等人验证的能力CNN-based毫升模型来有效地识别和分析小肠胶囊内窥镜图像(SB-CE),得出的结论是,它可能是一个强大的工具来帮助有经验的英国快速、准确地分析和分类小肠病变(17),而巴生等人监视内窥镜溃疡视频胶囊内镜图像并成功确认CD患者通过一个基于cnn的AI系统(13]。但是,没有算法优越的方式表现专业的英国。此外,人工智能算法IBD患者的长期监测尚未开发。许多这样的模型是在临床试验阶段,因此,并没有广泛应用于大规模的临床实践。
3所示。人工智能在炎症性肠病的诊断
炎症性肠病的诊断是一个高度复杂的过程,因为它必须仔细歧视其他疾病。临床医生必须考虑病人的病史和临床表现,并进行一系列的内镜和组织学检查。内镜技术是炎症性肠病诊断的基石,英国使用各种方法分类和分析粘膜糜烂、炎症和溃疡。这些包括组织学检查,如显微活检结合一系列的成像检查,如计算机断层扫描(CT)和磁共振成像(MRI)。炎症性肠病的内镜诊断需要高度专业化的操作员提供广泛的培训和经验。然而,在内窥镜inter-operator可变性评价是不可避免的。这样的变化可能是由基于ai的计算机辅助系统。
3.1。人工智能诊断UC
作为内窥镜治疗目标是缓解UC患者内镜已被广泛用于评估活动和功效的治疗(18]。组织学缓解也已成为一个日益重要的治疗目标为加州大学(19]。然而,确定组织学缓解目标的状态,病理学家必须评估粘膜炎症。这会导致观察者变异,因此数据的异质性。计算机辅助系统可以帮助医生确定炎症和ML的程度在UC内窥镜检查,导致更准确的评估组织学缓解。
一项研究表明,基于DL算法的预测模型对加州大学在内窥镜的严重程度在很大程度上符合那些经验丰富的人类评价者(20.]。因此,这种算法可以改善UC的评估和治疗根据内镜数据。萨顿等人研究了使用DL算法区分从其他肠道疾病和加州大学评估的严重性UC内窥镜溃疡(21]。他们使用一个数据集包含851张图片的UC患者标记和分级由专业英国使用MES。其他UC内窥镜图像的自动分级的研究也表明DL模型的优势。例如,竹中平藏等人评估内镜图像的UC患者使用一个模型基于DL网络(14]。他们的模型是高度准确(90.1%)在评估内镜图像40758年加州大学内窥镜缓解患者获得了加州大学内窥镜严重性指数评分(UCEIS) 0。同样,姚明等人修改了传统的全动态视频操作模式通过将内窥镜视频分割到1-frame-per-second图像栈,然后自动旋转,破碎,预处理的图像符合标准范围内(22]。由此产生的模型能够自动生成混乱的病人。Gottlieb等人利用cnn整理795年长篇内窥镜视频,并收集和清洗数据,梅奥分数和内窥镜UCEIS分数可以用于预测和分析(23]。减少operator-assessed内窥镜图像的主体性活动得分,Bossuyt等人开发了一个non-operator-dependent客观内窥镜评分系统来评估UC疾病活动。系统是基于红、绿、蓝色像素值和内窥镜图像识别,它执行的加州大学活动评估具有较高可操作性和客观性24]。更多细节可以清楚的显示在表中1。
加州大学的款模型评估可以得分内窥镜图像具有很高的准确性。事实上,许多研究表明,款可以评估的活动,缓解肠道粘膜炎症仅通过内窥镜图像,消除需要活检和减少病理的必要性。这种系统的客观性和一致性与专业的英国。然而,许多挑战之前必须解决人工智能可以被正式应用于大规模的临床实践。例如,数据用于训练款定义,组织,和结构化人类基于收集的图片,从而导致人类的评估差异等问题。
3.2。人工智能诊断光盘
因为肠道炎症渗透在CD包括小肠、尤其是回肠末端,CE常被用来检测CD当常规结肠镜检查的应用程序是有限的。然而,CE可以生成视频8 - 10个小时的长度,使帧检测和分析非常耗费时间和劳动密集型的英国(17]。作为回应,CNN算法开发。
2019年,丁等人验证的能力CNN-based算法来分析SB-CE图像精度和灵敏度比常规方法和报告显著减少阅读时间与肠胃科(常规分析相比17]。事实上,这种技术已经大量有益于肠胃科的组织和分析图像信息带来的便利和效率。2019年,青木等人开发了一个CNN-based算法能够自动检测糜烂和溃疡胶囊内窥镜图像。使用10440个测试图像,发现他们测试模型的敏感性,特异性,和准确性为88.2%,90.9%,和90.8%,分别为(25]。2019年,巴生等人设计和训练有素的CNN随机段17640胶囊内窥镜CD映像(13]。他们取得了良好结果的曲线下面积0.99和95.4 - -96.7%的准确性。2021年,巴生等人进一步评估CNN-based AI系统。他们探索系统的准确性比较CD狭窄和不同程度的溃疡,发现这样的系统可能是能够自动识别和分级的CD在不久的将来26]。2021年,Barash CE等人成功地开发了DL算法可以自动年级CD溃疡,证明CNN-assisted CE读数有很高的效用在CD患者的诊断和监测27]。更多细节可以清楚的显示在表中2。
鉴于上述研究结果,基于ai DL算法,特别是cnn,似乎强烈提高CE分析的准确性,大大减少所需的时间英国检查图片和视频。然而,这些DL-based检测算法执行层面的个人图片而不是整个视频的水平。这意味着这些实验的样本回顾性研究和不完全像视频CE的性能。与人工智能技术未来的研究人员有可能开发算法,可以自动评估CE视频,导致准确的评分系统,可广泛应用于临床实践。随着技术的不断进步,人工智能的结合内镜和CE预计将显著的影响。在未来,AI-assisted CE可以执行快速和系统的检查整个肠道病变在不到30分钟。同时,CE系统,促进病人诊断、治疗和活检似乎驾驶内镜技术的一场革命。
3.3。人工智能在癌症炎症性肠病的监测
鉴于炎症性肠病是一个长期的慢性疾病,患者有一个大大增加结直肠癌的风险与普通人群相比。一项研究显示,低级的存在发育不良(乐金显示器)在IBD患者的肠作为高危因素发展到高档发育不良(HGD)甚至结直肠癌。因此,一旦发现乐金显示器,病人应该接受小心内镜筛查(28]。在IBD患者中,内镜筛查大肠癌,乐金显示器,HGD目前执行主要是通过染色内镜和内镜切除或活组织检查29日]。到目前为止,没有发达的AI系统炎症性肠病结肠炎患者的长期监测。2020年,Maeda等人报道了第一例AI-assisted检测colitis-associated肿瘤(30.]。患者72岁,拥有18年的历史结肠炎。2021年,Maeda等人设计了一个自动化的人工智能算法息肉切除术在监视监测系统用于结肠镜检查。他们的系统能够清晰而有效地识别non-IBD结肠病变的患者中,证实了系统的可行性,为帮助non-endoscopic专家识别和检测IBD患者长期异构增生。
4所示。人工智能在炎症性肠病的治疗
组织学缓解已逐渐成为UC的治疗目标,取代之前的目标,如内窥镜和缓解症状。准确评估组织学缓解的程度和肠道炎症活动可能允许更精确的和有效的治疗以及减少多个重复的胃肠道检查(9]。不幸的是,临床实践目前缺乏一个简单和容易的标准来评估组织学缓解。2022年,Villanacci等人开发了半监督学习人工智能感应传输系统由两个模块组成。他们的目标是应用简化neutrophil-only帕丁顿国际虚拟组织学缓解ChromoendoScopy分数指数(PHRI)开发和验证的计算机辅助诊断系统的病理学家。当比较评价结果由病理学家,所产生的人工智能与人工智能模型被发现高度敏感和具体确定中性粒细胞的存在,表明它可能是一个优秀的支持在决定病人是否取得组织学缓解(31日]。Gui等人还发明了一种CNN-based加州大学组织学诊断和评分系统计算机辅助识别疾病活动在UC患者基于PHRI条目分数。他们的系统不仅是为了避免主观性的病理学家在确定炎症活动程度也减少病人状况判断的难度。PHRI是一个简单的和可再生的评分系统,非常适合大规模应用在临床实践中。加州大学内窥镜活动和有效的评估也可以让医生更准确结论组织学缓解的状态(32]。然而,尽管上面的研究综述中提出使用PHRI分数作为加州大学组织学诊断和分级的工具,他们的工作包含了一定的局限性。例如,在研究Gui et al .,后续协议排除内镜和组织学评估,后续阶段的持续时间相对较短,调查人员并没有计算整体PHRI分数肠道的不同地区。
给定的复杂性和长期性IBD免疫肠道疾病,以及多种因素影响病人的结果,目前很多疗法的目的是减轻症状和毫升。为此,各种靶向药物和生物制剂已用于临床实践。维持肠上皮屏障的完整性已成为一个研究热点,在生物医学领域一个新兴的治疗目标。Sahoo等人用毫升的方法来构建一个网络,识别途径丰富的基因簇,维持肠上皮屏障的完整性,导致识别顶级肠道屏障保护治疗炎症性肠病(33]。该领域的专家预计使用类似的方法来创造额外的药物和疗法,维护或修复肠道上皮屏障,这很可能成为一个令人兴奋的研究领域。
多年来,微创技术已经用于治疗炎症性肠病。目前,机器人手术成为一个高效和精确的补充,和潜在的未来的替代,微创手术。有越来越多的证据表明手术机器人有显著优于腹腔镜手术等微创技术,包括更好的患者安全,减少手术并发症,缩短预后[34]。2020年,Hota等人调查了围手术期和治疗结果的差异之间的开放、腹腔镜,机器人手术治疗CD [35]。他们选择一个数据库包含数据从5158年CD患者,利用卷积点变压器(CPT)编码来确定程序用于患者回肠切除,相比吻合口瘘的发生率之间的三种手术方法,并应用多变量分析获得优势比率的95%置信区间。他们发现,机器人手术在加州大学非劣治疗结肠切除接受者和CD患者回肠造口术34,35]。
5。风险和新视野
人工智能应用程序集中在疾病预测和癌症监测、和炎症性肠病的诊断和治疗已经被发现非常可靠和有效的。在不久的将来,人工智能技术可以完全取代英国的决策和治疗,或者,英国可能充当助手的人工智能系统。发生,先决条件的大规模使用人工智能算法必须满足在临床实践中,和伦理准则关于患者安全必须到位。内窥镜检查诊所和学校还需要制定故障应急措施在AI治疗和药物治疗错误。除了上述之外,从开发人员的偏见基于ai算法必须考虑,因为大多数human-trained数据集。最后,不同的数据类型和分析的影响必须准确预测相比,人工智能算法的地位和价值在IBD临床实践。
这些上述风险因素不应该阻止我们继续研究人工智能算法,完善系统功能,实现AI-assisted医学的全部潜力。AI和DL在胃肠病学的积极影响是巨大的,和许多公开的数据集可用于进一步比较和分析研究。在未来的发展方面,新的人工智能算法的长期监测大肠癌在IBD患者迫切需要提高癌症风险的预测和治疗的时间进程。此外,随机对照试验是必要的调查的优点和可行性在IBD患者的临床管理使用人工智能与一般临床管理相比,特别是在治疗措施的变化,结果,和治疗费用。目前,英国与算法开发人员合作,目的是为医学影像AI使用大型数据集。实际上,创建数据集收集和培训AI捕捉新类型的图像需要英国的专业知识和经验。
6。结论
人工智能的应用进行综述在炎症性肠病的内镜检查和治疗和预测未来可能的方向使用人工智能在治疗IBD患者。我们预计,人工智能将很快成为一个内窥镜和炎症性肠病治疗的基石。此外,它将需要大量的当前探索性数据转化为证据,可以应用于临床实践之前AI可以广泛应用于临床。这将需要不仅人工智能的快速发展,而且英国的合作和承诺,专家和社会。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
Yu Chang和智王同样这项工作。通榆唐宋Yu-Qin李指导本文的概念,和海博阳光检查错误的手稿和固定。
确认
本研究由科技部支持吉林省机构(批准号吉林省20210402013 gh)和财政部(批准号jlsczd2019 - 035)。