人工智能组织学工具使用Nancy评分评估溃疡性结肠炎组织病理学严重程度
文献来源: Inflamm Bowel Dis. 2024 Sep 16
溃疡性结肠炎(UC)是一种慢性、复发性肠道炎症疾病，特征是粘膜炎症，病变通常从直肠远端开始，向近端延伸至整个结肠。
UC的治疗目标是缓解临床症状以维持生活质量，并尽可能实现内镜愈合来避免肠道不可逆的损伤。
组织学缓解目前被认为是UC的理想治疗目标，有助于实现长期患者并避免并发症。此外降低UC结直肠癌变方面，组织学缓解也优于内镜缓解。
尽管临床试验已经将组织学缓解纳入UC疗效评价指标，但尚未能广泛应用于临床实践，主要原因是UC组织学活动评分需要病理科医生较长时间的训练学习，而且评估耗时较长。
病理医生掌握UC组织学评分需要专门的培训，因此在临床实践中难以广泛应用，而且不同病理医生的评估可能还存在差异。
另一方面，数字化技术创新发展大大提高了医疗数据的可用性，病理成像和组织学数据可以被纳入复杂模式识别和数据分析算法，进而发展人工智能（AI）在IBD诊疗中的应用。
基于深度学习方法的新型AI组织学工具，有希望解决UC组织病理学评估的问题，推动实现UC的组织学缓解。
存在的问题:
UC是一种慢性炎症性肠病，其特征是排便频率增加、直肠出血和排便急迫。
为了简化UC组织病理学Nancy评分的使用，基于深度学习的新型人工智能 (AI) 工具是一个有希望的方向。
这项研究有什么新发现:
这项研究旨在开发一个UC组织学评估AI工具，纳入6个国家9家IBD中心参与。
收集成年UC患者的结肠黏膜活检组织病理学标本，切片用苏木精和伊红染色，共获得791张高质量组织病理学图片。
将所有图像分2组: (1)630张用于AI工具训练; (2)161张用于组织病理学专家人工评估。
利用神经网络数据结构，将图像表征为一系列细胞、组织类型和部位的组合，然后使用分类器模块分配进行UC组织学Nancy评分。
人工智能工具开发的流程示意图
分析结果显示，训练出的AI工具对于组织学Nancy评分，每个组织学疾病特征的准确度都有所提高。
对于Nancy评分0分和4分，AI工具评分与专家人工评分的符合度为80%； 专家人工评分为0的情况下，AI工具评分0或1分的符合度为96%； 专家人工评分为2的情况下，AI工具评分2或3分的符合度为100%；
总之，该研究开发了一种改进的AI组织学评分工具，评分结果与组织病理学家高度一致，显示出广泛临床应用的潜力。
启示和影响
这项多中心研究使用深度学习AI技术，评估UC患者的组织病理学切片，并可根据 UC组织学Nancy评分进行UC严重程度评估。
之前的概念验证AI模型基于神经网络结构使用200 张图像进行了训练，按细胞和组织类型组合/部分来表征图像，然后进行Nancy评分。
这项研究在之前验证模型的基础上，扩大了791张病理图像进行AI训练，完善神经网络结构来优化提高Nancy评分的准确度。
结果显示，AI神经网络工具可以很好地识别病理组织切片中的各种细胞类型，与组织病理学家的评估高度一致，使得评分准确率从先前的63%提高到67%。
尤其是Nancy评分的极端值（0分和4分），AI评分与专家人工评分的一致性高达80%。当2个相邻分数组合在一起时，AI评分的准确性能达到96%-100%。
当前AI模型通过混淆矩阵分析，使得模型性能有所提高，实现了更高的准确性，评分结果与组织病理专家的结果高度一致（ICC=92.1%），这表明AI病理评估工具在IBD（如UC）临床实践中具有广阔的应用前景。
其它一些研究也在探索使用AI模型用于UC组织学分级。
之前一项研究开发了一种新的简化组织学评分（PICaSSO组织学缓解指数, PHRI），反映黏膜微观的炎症和愈合，并预测治疗效果。
另一项研究开发和验证了另一种AI模型，同时使用PHRI、Robarts组织病理学指数和 Nancy评分评估UC活检标本。
与所有机器学习应用程序一样，潜在的限制是AI模型只能拾取设定好的细胞特征，因此可能不会发现现有UC组织学评分之外的病理学疾病特征，例如异型增生或巨细胞病毒感染。
标准化和经过验证的组织学人工智能自动评分系统，在日常临床实践中具有巨大潜力，有助于解决IBD组织病理专家缺乏、学习成本高和评估主观的问题，提高IBD病理阅片的效率，提供组织病理学疾病活动的严重程度来帮助临床医生治疗决策。
基于AI的自动化组织学集中读片，也可能在提高临床试验的准确性方面发挥作用。
此外，AI组织学工具也有可能能够识别出人类尚未发现的UC疾病活动的关键组织学特征。
进一步的工作正在进行中，以更好地了解和探索使用该AI工具对IBD组织病理学评估和分级的作用。
来自：IBD学术情报官
