人工智能用于计量累积小肠疾病严重程度在克罗恩氏病CT-输入图上

科学领域:

• 胃肠病学 胃肠病学
• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在伊莱尔克罗恩病 (CD) 中评估累积肠损伤是具有挑战性的.
• 在计算机断层扫描-肠道扫描 (CTE) 上估计大肠损伤的自动化方法的开发可以帮助预测未来的肠道手术.
• 机器学习 (ML) 为客观和可重复的伤害评估提供了一个潜在的解决方案.

研究的目的:

• 开发和验证机器学习 (ML) 方法,用于自动估计CTE累积骨损伤.
• 评估这些ML衍生指标预测未来小肠切除在患有大肠CD的患者的能力.
• 为了比较基于ML的空间肠道分析的预测性能与传统的临床和成像测量.

主要方法:

• 接受生物治疗的成年患有乳腺CD的患者接受了CTE扫描分析.
• 两位放射科医生对肠道损伤的严重程度进行了分级,沿着大肠沿着1厘米的增量 (迷你细分) 进行了分级.
• ML细分模型被训练在放射科医生分级上,并将其空间地映射到大肠.
• 累积伤害的计算使用总和 (S-CIDSS) 和平均严重程度等级.
• 多变量模型预测了未来的小肠切除,将累积空间指标与传统措施进行比较.

主要成果:

• ML和放射科医生的伤害分级显示出强烈的一致性 (κ = 0.80).
• 在未来接受手术的患者中,累积的阴茎损伤得分 (S-CIDSS和平均等级) 显着更高.
• 基于ML的空间肠道学模型 (AUC = 0.76) 在预测未来手术方面表现优于传统措施 (AUC = 0.62).

结论:

• 从CTE获得的自动累积叶损伤得分显示,改善小肠CD的结果预测具有显著的希望.
• 通过ML增强的空间肠道图分析,可以复制专家的判断,并增强个人化肠道评估在CD.
• 这种方法可能会导致更准确的预后和针对CD患者的量身定制治疗策略.