研究人員使用人工智能 (AI) 工具模擬人類如何可視化并接受訓練以識別和分類圖像，構建了一個模型，該模型通過評估組織學圖像以高精度預測克羅恩病的術后復發(fā)。人工智能工具還揭示了以前未被識別的脂肪細胞差異以及漿膜下或腸道外層肥大細胞浸潤程度的顯著差異，比較了有和沒有疾病復發(fā)的患者。研究結果發(fā)表在美國病理學雜志上。
克羅恩病是一種慢性炎癥性胃腸道疾病，術后 10 年的癥狀復發(fā)率估計為 40%。盡管有評估克羅恩病活動性和術后復發(fā)存在的評分系統(tǒng)，但尚未開發(fā)出評分系統(tǒng)來預測克羅恩病是否可能復發(fā)。
“過去，大多數(shù)使用 AI 對組織病理學圖像進行的分析都針對惡性腫瘤，”主要研究人員 Takahiro Matsui 醫(yī)學博士和 Eiichi Morii 醫(yī)學博士解釋說，醫(yī)學博士，大阪大學研究生大阪醫(yī)學院。“我們的目標是通過使用人工智能分析組織病理學圖像來獲得對更廣泛疾病的臨床有用信息。我們專注于克羅恩病，其中術后復發(fā)是一個臨床問題。”
該研究納入了 2007 年 1 月至 2018 年 7 月期間接受腸切除術的 68 名克羅恩病患者。根據(jù)術后兩年內有無術后疾病復發(fā)將他們分為兩組。每組被分為兩個子組，一個用于訓練 AI 模型，另一個用于驗證。對于訓練，手術標本的整個幻燈片圖像被裁剪成平鋪圖像，標記是否存在術后復發(fā)，然后由 EfficientNet-b5 處理，EfficientNet-b5 是一種用于執(zhí)行圖像分類的商用 AI 模型。當用未標記的圖像對模型進行測試時，結果表明深度學習模型根據(jù)有無疾病發(fā)生對未標記圖像進行準確分類。
接下來，生成預測熱圖以識別機器學習模型可以高精度預測復發(fā)的區(qū)域和組織學特征。圖像包括腸壁的所有層。熱圖顯示機器學習模型在漿膜下脂肪組織層產生了正確的預測。然而，在其他區(qū)域，例如黏膜和適當?shù)募∪鈱?，該模型不太準確。從非復發(fā)組和復發(fā)組的測試數(shù)據(jù)集中提取具有最準確預測的圖像。在這些圖像中，最好的預測結果都包含脂肪組織。
由于機器學習模型從漿膜下組織的圖像中獲得了準確的預測，研究人員假設復發(fā)組和非復發(fā)組之間的漿膜下脂肪細胞形態(tài)不同。與非復發(fā)組相比，復發(fā)組的脂肪細胞具有明顯更小的細胞大小、更高的扁平化和更小的中心到中心細胞距離值。
標簽：
免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！