结合基于白光成像和基于窄带成像的人工智能模型在性结肠炎患者的结肠镜检查期间

科学领域:

• 胃肠病学 胃肠病学
• 医疗人工智能 医疗人工智能
• 炎症性肠道疾病研究研究

背景情况:

• 在性结肠炎 (UC) 中,治疗到标 (T2T) 方法旨在获得内镜缓解,但由于内镜变异性和不精确的复发预测,它面临着挑战.
• 现有的白光成像 (WLI) 人工智能 (AI) 模型有助于诊断,但存在局限性.
• 窄带成像 (NBI) 提供了互补的可视化,促使对结合AI模型进行调查.

研究的目的:

• 评估结合人工智能辅助的WLI和NBI模型在预测UC患者临床复发中的有效性.
• 确定双AI模型是否可以克服UC复发预测中单模型方法的局限性.
• 评估UC管理中改善风险分层和个性化治疗强化潜力.

主要方法:

• 一项前性研究的后期分析,涉及102名UC患者临床缓解.
• 在结肠镜检查期间利用人工智能辅助的WLI和NBI模型来评估复发风险.
• 在12个月的随访期内评估预测准确性.

主要成果:

• 血管活动患者的复发率高于血管愈合患者,在相同的基于AI的内镜评分范围内.
• 联合WLI和NBIAI模型显著提高了复发预测的特异性 (61.5%),而不是单独使用WLI (42.2%).
• 灵敏度保持不变,但特异性有所改善,这表明诊断准确度提高.

结论:

• 顺序使用WLI和NBIAI模型在UC中提供了优越的复发风险分层,与单个模型相比.
• 这种双AI方法可以实现更准确和个性化的治疗强化策略.
• 综合人工智能模型支持治疗性结肠炎的治疗目标 (T2T) 范式.