در ابتدا، در مجموع 535 نمونه برای توسعه و آزمایش مدل استفاده شد. این نمونه ها از 273 نفر که 7/40 درصد آن ها زن و میانگین سنی 1/48 سال بود، به دست آمد. بسته به معیارهای مورد استفاده برای ارزیابی آنها، بین دو سوم تا سه چهارم بیوپسی ها از نظر بافت شناسی در حال بهبودی بودند. از 535 بیوپسی اولیه، تقریباً 118 نمونه برای آموزش مدل، 42 نمونه برای کالیبراسیون مدل و 375 مورد برای اعتبار سنجی استفاده شد. پس از آن، 154 نمونه دیگر از 58 بیمار UC برای اعتبار سنجی خارجی مورد استفاده قرار گرفت. در یک مجموعه اعتبارسنجی از 375 بیوپسی، تیم متذکر شد که سیستم CAD بهبودی بافت‌شناسی را از فعالیت مرتبط با بیماری، همانطور که توسط PHRI تعریف شده است، با 89٪ حساسیت، 85٪ ویژگی، 75٪ PPV، 94٪ NPV، 87٪ دقت، و AUROC 87٪.
در مطالعه حاضر، محققان به دنبال ساخت و تایید یک سیستم CAD با کمک هوش مصنوعی برای ارزیابی نمونه‌های UC و پیش‌بینی پیش آگهی بودند.
برای ارزیابی پیش آگهی، پیامدهای بالینی مرتبط با بستری شدن در بیمارستان مربوط به UC، جراحی مرتبط با UC، و افزایش یا تغییرات در شروع درمان UC، مانند استروئیدها، عوامل بیولوژیکی، و تعدیل کننده‌های ایمنی، به عنوان جایگزین برای شعله‌ور شدن بیماری انتخاب شدند. این پروکسی‌ها از طریق بازدیدهای تلفنی یا تماس‌هایی که 12 ماه پس از آندوسکوپی در گروه اولیه یا حداکثر تا 33 ماه در گروه اعتبارسنجی خارجی انجام شد، ثبت شدند.
هنگامی که بیماران در فعالیت بافت شناسی یا بهبودی بر اساس ارزیابی پاتولوژیست ها طبقه بندی شدند، تیم مشاهده کرد که نسبت خطر بین گروهی که هر گونه رویداد نامطلوب بالینی از پیش تعیین شده را تجربه می کند و گروهی که یک جایگزین برای شعله ور شدن داشت، 3.56 بر اساس PHRI بود. 4.28 بر اساس RHI و 3.56 بر اساس NHI. با این حال، زمانی که همان ارزیابی توسط سیستم CAD انجام شد که برای تمایز بین فعالیت PHRI و بهبودی آموزش دیده بود، نسبت خطر 4.64 بود که با در نظر گرفتن هر یک از امتیازات تجزیه و تحلیل شده توسط متخصصان انسانی قابل مقایسه و از نظر عددی بیشتر بود. .
شاخص بهبود بافت شناسی پیکاسو در سیستم CAD با ابداع یک چارچوب ساخته شده بر اساس یادگیری چند نمونه ای با محدودیت اجرا شد. پیش‌بینی نهایی کل بیوپسی با استفاده از یک استراتژی یادگیری چند نمونه‌ای استخراج شد که معاینه هر پچ بیوپسی را ارزیابی می‌کرد و ارزیابی را به یک نتیجه نهایی، فعالیت یا بهبودی مطابق با PHRI ترکیب می‌کرد. عملکرد تشخیصی CAD به صورت حساسیت (SE)، ارزش اخباری منفی (NPV)، ارزش اخباری مثبت (PPV)، ویژگی (SP)، امتیاز F1 (F1S)، سطح زیر منحنی مشخصه عملکرد گیرنده (AUROC) برآورد شد. ، و دقت (ACC).
نتایج
همان روشی که برای شناسایی نوتروفیل‌ها و پیش‌بینی PHRI آموزش داده شده بود، سپس با ارزیابی‌های انسانی از بهبودی/فعالیت بر اساس شاخص هیستوپاتولوژی روبارت (RHI) و شاخص بافت‌شناسی نانسی (NHI) مقایسه شد. تیم مشاهده کردند که سیستم بهبودی بافتی و فعالیت را با حساسیت 94 درصد، ویژگی 76 درصد، PPV 53 درصد، NPV 98 درصد، دقت 80 درصد و AUROC 85 درصد متمایز می کند. از سوی دیگر، سیستم CAD حساسیت 89٪، ویژگی 79٪، PPV 60٪، NPV 95٪، دقت 81٪ و AUROC 86٪ را نشان داد. قابل ذکر است، تفاوت AUROC از نظر آماری معنی دار نبود.
از سپتامبر 2016 تا نوامبر 2019، این تیم بیمارانی را از 11 مرکز برای آنالیز اولیه انتخاب کرد. شرکت کنندگان واجد شرایط، بدون توجه به فعالیت بیماری و اندیکاسیون کولونوسکوپی، UC را برای بیش از یک سال تایید کرده بودند. حداقل دو نمونه بافت هدف از معمول‌ترین محل‌های بهبود یا التهاب موجود در رکتوم و سیگموئید، که همان مناطقی بودند که ارزیابی آندوسکوپی ثبت شد، به‌دست آمد.
کولیت اولسراتیو (UC) یک بیماری التهابی مزمن روده (IBD) در حال بهبود و عود کننده است. برای جلوگیری از عوارض، درمان UC با هدف از بین بردن التهاب، با هیستوپاتولوژی دقیق ترین راه برای تشخیص التهاب و تشخیص آن از بهبودی است. بهبود بافت شناسی (HR) با نتایج بالینی بهتر همراه است و بنابراین به یک هدف درمانی تبدیل شده است. سیستم‌های تشخیصی مبتنی بر هوش مصنوعی (AI) به کمک رایانه (CAD) به طور گسترده برای ساده‌سازی و استاندارد کردن تفسیر تصویربرداری پزشکی استفاده می‌شوند. این ابزارها به طور بالقوه می توانند معاینه را بهبود بخشند، تفسیر را تسهیل کنند و اختلاف نظر میان آسیب شناسان را از بین ببرند.
در مورد مطالعه
مرجع مجله:
- یاکوچی ام، پاریگی تی ال، دل آمور آر، مسگوئر پی، ماندلی جی، بوزولا آ، بازارووا آ، باندری پی، بیشاپس آر، دانمارکی اس، دی هرتوگ جی، فراز جی جی، گوتز ام، گریسان ای، گی ایکس، های بی، Kiesslich R، Lazarev M، Panaccione R، Parra-Blanco A، Pastorelli L، Rath T، Røyset ES، Tontini GE، Vieth M، Zardo D، Ghosh S، Naranjo V، Villanacci V. (2023). هوش مصنوعی پیش‌بینی بافت‌شناسی بهبودی یا فعالیت و نتایج بالینی در کولیت اولسراتیو را امکان‌پذیر کرد. گوارش (2023). doi: https://doi.org/10.1053/j.gastro.2023.02.031 https://www.gastrojournal.org/article/S0016-5085(23)00216-0/fulltext
منبع
