Mesterséges intelligencia a colitis fellángolásának előrejelzésében

A mesterséges intelligencián alapuló (AI) eszköz 89%-os pontossággal jelezte előre az colitis ulcerosa (UC) aktivitását és 80%-os pontossággal a gyulladást a biopszia helyén. Az UC fellángolásának kockázat szerinti stratifikációs képessége megegyezett a humán patológusokéval.

A mesterséges intelligencia-alapú, számítógéppel segített észlelési eszközt kifejlesztői a Gastroenterology folyóiratban online közzétett tanulmányban ismertették.

Az eszköz kifejlesztéséhez és teszteléséhez 273 UC-s betegtől (átlagéletkor, 48 év; 41% nők) vett 535 digitalizált biopsziát használtak fel. Ebből 118-at használtak a remisszió és az aktivitás megkülönböztetésére, 42-őt a kalibrálására és 375-öt a tesztelésre. Az eszköz külső validálásához további 58 beteg 154 biopsziáját használták fel.

12 hónapon át tesztelték, hogy a modell mennyire képes előre jelezni az endoszkópos értékelést és a fellángolásokat.

Az UC-betegség aktivitását három különböző szövettani index segítségével határozták meg: a Robarts hisztopatológiai index (RHI), a Nancy szövettani index (NHI) és az újonnan kifejlesztett PICASSO hisztológiai remissziós index (PHRI).

Az AI eszköz meglehetős pontossággal diagnosztizálta a betegségaktivitást kimutatására" (PHRI > 0), az általános AUROC (area under the receiver operating characteristic curve) 0,87, érzékenysége és specificitása pedig 89%, illetve 85% volt. Bár az AI-t a PHRI-alapján tanították, az RHI és NHI szövettani remisszió/aktivitás érzékenysége is magas volt (94%, illetve 89%). Az AI modell az igen különböző súlyossági fokozatú esetek ellenére "megőrizte jó diagnosztikai teljesítményét, bizonyítva, hogy az eredeti fejlesztési beállításokon kívül is alkalmazható". Az AI eszköz körülbelül 80%-os pontossággal megjósolta az endoszkópos gyulladás jelenlétét a biopsziás területen. A modell az UCEIS és a PICASSO szerint 79%-os, illetve 82%-os pontossággal jelezte előre a megfelelő endoszkópos remissziót/aktivitást.

A betegség fellángolásának PHRI szerinti kockázati aránya az AI-rendszer és a patológusok értékelése szerint hasonló volt (4,64, illetve 3,56), bizonyítva, hogy a számítógép képes a patológusokhoz hasonlóan jól osztályozni a fellángolások kockázatát. Mind a szövettan, mind a kimenetel előrejelzését külső validációs kohorsz segítségével erősítették meg. Az AI-rendszer metszetenként átlagosan 9,8 másodperc alatt adott eredményt.

Az UC komplex állapot, a remisszió és aktivitás előrejelzéshez használható, és a gépi tanuláson alapuló rendszerek fejlesztése gyorsabbá és pontosabbá tehetik ezt a diagnosztikai munkát. A klinikai gyakorlatban a szövettani jelentés továbbra is nagyrészt leíró jellegű és nem szabványos, így nagy igen hasznos lenne a gyors és objektív értékelés, és UC-ben végzett klinikai vizsgálatok is hatékonyabbá válhatnának. A betegek egyéves kimenetelének előrejelzése révén pedig a mesterséges intelligencia segíthet annak eldöntésében, hogy módosítanunk vagy változtatnunk kell-e a terápiákat, vagy változatlan formában folytathatjuk az addig alkalmazottakat.

Forrás:

Marietta Iacucci M, Parigi TL, del Amor R: Artificial Intelligence enabled histological prediction of remission or activity and clinical outcomes in ulcerative colitis. Gastroenterology. March 03, 2023. DOI:https://doi.org/10.1053/j.gastro.2023.02.031