AJG：使用粪便图片的深度学习模型预测溃疡性结肠炎患者的内镜黏膜炎症

溃疡性结肠炎(UC)以结肠黏膜张力性炎症为特征，引起血性腹泻、里急后重、尿急等慢性症状，严重影响患者的生活质量。炎症性肠病治疗共识强调了疾病监测中客观指标的重要性，包括C反应蛋白(CRP)、粪便钙卫蛋白(Fcal)和内镜检查，而不仅仅是评估症状。粪便特征可能会根据UC的内镜活动性发生变化。人工智能(AI)和深度学习(DL)技术已被应用于医疗领域，以改善患者的护理和结局。这些技术在医学影像分析、诊断、治疗和预测患者预后等方面显示出良好的应用前景，使医生能够做出更准确的诊断并提供更好的治疗方案。这项研究利用UC患者的粪便照片(DLSUC)开发了一个深度学习模型，用于预测内镜下黏膜炎症。

该研究为前瞻性多中心研究，在6家三级医院开展。研究人员要求计划接受内镜检查以监测黏膜炎症的患者在内镜检查日前1周内使用智能手机拍摄粪便照片。使用306例患者的2161张粪便图像开发了DLSUC，并使用126例患者的1047张粪便图像进行了测试。采用UC内镜严重程度指数定义内镜活动度。比较DLSUC与Fcal在内镜活动性预测中的效能。

DLSUC预测内镜活动性的受试者工作特征曲线下面积(AUC)为0.801，与Fcal的AUC差异无统计学意义。剔除保留直肠的病例(23/ 126，18.2%)后，DLSUC的AUC增至0.849。在所有患者中，DLSUC预测内镜下活动性的准确度、灵敏度和特异度分别为0.746、0.662和0.877;在不保留直肠患者中，DLSUC预测内镜下活动性的准确度、灵敏度和特异度分别为0.845、0.745和0.958。DLSUC分类的活动性患者在中位8个月随访期间更易出现疾病复发。

这项研究的结果表明，在预测内镜下活动性方面，DLSUC显示出与Fcal相似的良好区分能力，在不保留直肠的患者中提高了准确性。粪便照片是典型UC的有用监测工具。

原文出处：

Lee JW, Woo D, Kim KO, Kim ES, Kim SK, Lee HS, Kang B, Lee YJ, Kim J, Jang BI, Kim EY, Jo HH, Chung YJ, Ryu H, Park SK, Park DI, Yu H, Jeong S; IBD Research Group of KASID and Crohn's and Colitis Association in Daegu-Gyeongbuk (CCAiD). Deep Learning Model Using Stool Pictures for Predicting Endoscopic Mucosal Inflammation in Patients With Ulcerative Colitis. Am J Gastroenterol. 2024 Jul 25. doi: 10.14309/ajg.0000000000002978. Epub ahead of print. PMID: 39051648.