2023人工智能在炎症性肠病中的应用进展.docx

《2023人工智能在炎症性肠病中的应用进展.docx》由会员分享，可在线阅读，更多相关《2023人工智能在炎症性肠病中的应用进展.docx（7页珍藏版）》请在第一文库网上搜索。

1、2023人工智能在炎症性肠病中的应用进展炎症性肠病（IBD）包括溃疡性结肠炎（UC）和克罗恩病（CD）,是一组慢性、免疫介导的胃肠道疾病，其发病机制尚不明确。IBD主要累及青壮年，临床表现差异大，缺乏特异性治疗手段，病程迁延不愈，并发症发生率高，给患者及其家庭和社会带来沉重的经济负担。近年来，IBD发病率有明显升高的趋势，已成为日常临床工作中不容忽视的问题。IBD的准确诊断依赖于临床表现、内镜检查、组织学诊断、实验室检查和影像学检查相结合。这些关键诊断结果的质量及其后续的解释都存在着显著的异质性和复杂性，存在混杂因素的干扰，如检查者技术技能和经验。因此，IBD的诊断和管理在临床医生间可能有较大

2、差异。最近，来自大型临床试验、电子健康记录、医学影像、生物样本库和多组学（基因组学、转录组学、代谢组学和蛋白质组学）数据库的“大数据”被越来越多地使用以提高IBD诊断的准确性和治疗反应的可预测性。然而，在使用大数据开发预测模型时会被临床和非临床因素的高维性所混淆。为了克服这一局限性，机器学习（machine1earning）被越来越多地用于组织和解释这些大型数据集，以尽量识别有临床意义的数据，并将其转化为能够帮助改善患者预后的有价值的信息。本文对人工智能在IBD领域应用现状及未来的发展趋势进行综述。一、人工智能、机器学习与深度学习人工智能（A1）是计算机科学的一个跨学科的广泛领域,专注于制造能

3、够执行通常需要人类智能任务的智能机器，这些机器可以通过编程来执行模仿人类智能行为的任务。机器学习是计算机科学家亚瑟塞缪尔在1959年引入的一个用来描述A1技术的术语，是AI的一个子集。机器学习利用算法来识别目标或从输入的数据集“学习“后生成预测模型。机器学习提供一个能够自动学习和改进经验而无需显式编程的系统。这是通过有监督学习的和无监督学习来实现的。在有监督学习中，一种算法在一个标记的训练数据集上进行训练，以识别与特定群体（健康与患病）相关的模式。然后，该算法利用它从训练数据集中学到的权重，将看不见的权重数据放到特定的类别中。最常用的有监督机器学习模型是随机森林、神经网络和支持向量机。无监督学

4、习可以在没有标记数据的情况下以无监督的方式进行训练,该算法在相似特征的指导下识别数据中的不同类别，而不知道相关的诊断或结果。深度学习（deep1earning）是基于人工神经网络的表示学习，是更广泛的机器学习方法家族的一部分。深度学习通过学习大量数据，通过神经网络自动提取数据集中的共同特征，然后可以根据情况做出灵活的决策。深度学习可以简单地看作是连续地、分层地应用单层传统的机器学习方法，从而产生具有更深维度的计算体系结构。机器学习算法（尤其是深度学习算法可以提供一个方法来识别IBD中以往未发现的模式的特征，为我们在IBD领域的研究带来了新的思路。二、诊断和鉴别诊断不论是基础研究还是临床研究A1

5、在辅助IBD的诊断与鉴别诊断方面均取得一定成果。全基因组关联研究已经确定超过240个与IBD发病风险增加相关的基因位点,并有助于区分CD和UCoC1eynen等通过结合49个中心共34819例IBD患者的疾病相关基因信息来生成遗传风险评分,通过使用遗传风险评分来鉴别CD与UC,发现遗传风险评分显示出与IBD的亚型具有强相关性。Jeong等结合基因组序列数据和生物学特征，开发出用来区分CD患者和健康个体的矩阵分解机器学习模型(AUC=O.816),且不需要组织学数据。此外，机器学习辅助的宏基因组学、蛋白质组学和微生物预测模型已被用于区分CD和UC1从而提高IBD亚型的特征和有助于风险分层。See

6、1ey等通过分析结肠组织的蛋白质特征，使用支持向量机学习模型，能够以76.9%的准确率识别CD和UCoKhorasani等采用一种支持向量机选择算法，并基于结肠组织样本中表达的32个基因来区分UC患者和健康受试者，结果显示所建立的机器学习模型检测到所有活动性病例,在非活动性病例中的检测平均精度为62.0%。1ee等开发了一个MD14微生物组深度学习模型,利用从微生物组测序数据中提取的特征对疾病状态进行分类,在预测IBD准确性达98.0%,这种方法的准确性比经典的机器学习方法更高。内镜检查与黏膜活检仍然是IBD诊断的一个关键组成部分，但仍有一些局限性。除了有创性外，内镜下对疾病严重程度的评估仍然

7、是主观的，尽管使用内镜下Mayo评分等评分系统，但仍具有高度的观察者间变异性。此外，内镜检查无法充分区分各种IBD表型的细微重叠特征，从而使得诊断陷入一定的困境。近期研究显示,机器学习和深度学习应用到IBD诊断中，可以克服这些限制，允许在没有活检的情况下进行组织学推断。Ruan等研究发现，深度学习模型在内窥镜图像中识别UC和CD的准确率要显著高于经验丰富的内镜医生（99.1%vs.92.2%）,而且平均检测时间可以由内镜医生的2425.00秒减少到深度学习模型的6.20秒。还有研究发现，在对UC的内镜严重程度进行分级时，深度学习模型的表现与经验丰富的医生相似。A1辅助内镜检测是一个快速发展的领

8、域，尽管在临床试验检测中具有良好结果，但仍然需要大型前瞻性队列研究。目前，大量研究证实深度学习在静态图像识别中的准确性，并发布了开源程序。这些研究为有效的AI工具的开发和应用奠定基础。然而，回顾性研究往往受到选择偏倚的影响，医生的主观判断可能会影响所纳入数据的客观性。例如，医生可能会排除部分病变不典型的图像，只保留位于视觉中心的病变的最典型图像，这导致在实际应用中数据信息的遗漏和报告的不准确。三、评估疾病严重程度AI也用于增强对内镜图像的解释，以评估疾病严重程度。例如，卷积神经网络能够将缓解期（Mayo评分0或1）与中度至重度疾病（Mayo评分2或3）区分开，灵敏度83.0%,特异度96.0%

9、o一项对875例IBD患者的40758幅内镜图像的前瞻性研究结果显示，深度神经网络能够以92.9%的准确性识别出UC缓解期患者，这类患者可以免遭黏膜活检的痛苦。另一种卷积神经网络模型能够以91.0%的准确性鉴别CD的1级和3级溃疡。AI辅助诊断系统也被证明可以可靠地预测细胞学内镜检查期间的持续性组织学炎症，其灵敏度为74.0%,特异度为97.0%,准确性为91.0%o此外，卷积神经网络模型还可以自动检测胶囊内镜图像中的小肠黏膜中的糜烂和溃疡程度,准确性、灵敏度和特异度分别为95.6%、90.8%和97.1%,这有助于判定IBD黏膜病变发生出血的风险。四、治疗效果预测尽管在过去的10年药理学取得

10、许多进展，但是临床医生还不能预测IBD的治疗反应。现行的试错方法已经导致对IBD治疗反应率的巨大差异。低效及失败的治疗方法所产生巨大的药物经济学影响，导致医护人员对开发个性化的IBD管理方法越来越感兴趣。为此,已有研究者开发机器学习算法来预测几种IBD药物的反应指标。一项研究显示，机器学习算法在预测药物反应方面是优于传统的硫瞟岭代谢物检测。Wa1jee等对维得利珠单克隆抗体治疗UC和CD的I期和期临床随机对照试验数据进行研究,发现机器学习模型是可以用于预测UC和CD患者的皮质类固醇缓解，这可以帮助临床医师对治疗效果做出早期和准确预测。在另一项研究中，机器学习模型通过分子和临床数据来预测难治性U

11、C对英夫利西单克隆抗体反应的生物标志物，准确性为70.0%,并且作者确定了肿瘤坏死因子、干扰素和脂多糖是英夫利西单克隆抗体反应的潜在调节因子。此外，多组学因子分析也亦被用于预测乌司奴单克隆抗体反应的转录组学和基因组生物标志物。在最新发表的文献中,Pinton等建立了预测IBD治疗的反应多尺度AI模型，认为对白细胞介素-6生物学进行建模和生成”数字双胞胎”，可以进一步增强AI预测的可信度。这提示可以通过建立复杂的AI模型来预测IBD的治疗反应，从而提高治疗效果。五、炎症-癌症的监测与筛选由于慢性炎症，IBD患者患不典型增生和结直肠癌的风险增加。最新文献资料显示，长期存在的UC和CD（除局限性直肠

12、炎外）患者的结直肠癌风险增加约23倍，根据研究、时间段和个体危险因素的不同,风险也有所不同。IBD相关结直肠癌是其严重的并发症之一,虽然只有1%2%IBD患者发展为IBD相关结直肠癌，但约占IBD相关病死率的15%尽管引入高清内镜和色素内镜，IBD肿瘤的发病率和病死率依然引起人们将AI辅助检测系统整合到传统内镜中的极大兴趣。多种A1算法已经开发出来，在结肠镜检查中使用视觉或听觉线索实时提醒内镜医生存在肠道息肉。卷积神经网络已成功用于改善对一般人群中的腺瘤检测，灵敏度和特异度分别达到90.0%以上。机器学习也有助于鉴别结肠炎相关性肿瘤、散发性结直肠腺瘤和非肿瘤性病变。在结肠镜筛查中实施AI检测工

13、具不仅是一种节省成本的策略，还可以进一步降低结直肠癌的发病率和死亡率。文献报道，部署在内窥镜系统的AI还能够检测发生于UC早期的不典型增生。这对减少IBD患者结直肠恶性肿瘤发生有着深远的影响。六、IBD病程中涉及的精神状态的评估IBD患者易出现强迫症、人际敏感、抑郁、敌意等异常心理症状，生活质量明显下降。影响IBD患者的共病心理因素是广泛的，不仅在生活质量方面，而且还在腹痛、睡眠障碍、精神药物使用、药物不依从性方面。Bao等设计一个双向长短期记忆（1STM）模型，对159例IBD患者和89例健康人的一般状态问卷和90项症状检查表的心理评估资料进行学习，发现IBD患者生活质量主要受疾病状况、抑郁

14、、人际敏感、偏执的影响，重度抑郁、偏执、人际敏感的患者生活质量较低。这为进一步探讨IBD患者的心理症状特征，研究心理症状与生活质量之间的关系，从而对伴有精神异常的IBD患者进行相应的心理治疗提供一定的理论依据。七、局限性与展望AI存在局限性。第一，虽然AI能够为IBD治疗决策提供有价值的信息，但在临床实施中仍存在一些障碍；第二，AI对大数据集的分析已经产生一些观察结果，但这些并不一定会转化为临床应用；第三，机器学习或深度学习所依赖的数据集可能是不完整的或质量较差的，这会导致训练出来的模型泛化能力较差；第四，临床数据保密性以及格式不统一性使其难以自由共享，还需要坚持统一的数据格式，并开发安全的云存储设施，以便于提取更大量的数据。其他挑战包括临床数据的高维性、深度学习或机器学习模型的过拟合、数据安全问题以及要推广到目标人群的模型的可靠性等。克服这些障碍将需要临床医生、计算机专家、统计学家和生物信息学家之间的通力合作，以开发能够具有临床意义算法和模型。综上所述，随着AI的发展，为我们在IBD领域的研究带来新思路。AI具有很大的潜力来辅助临床改善对IBD的诊断、治疗、疗效预测以及对患者的身心关爱。但是在AI辅助决策真正转化到IBD患者之前，还需要进行前瞻性随机试验来确认其有效性和安全性。