克罗恩病黏膜愈合的预测：基于肠道超声的深度学习方法

预测克罗恩病（CD）的治疗反应仍然是一个重大挑战，阻碍了治疗方案的优化。本研究提出了一种新型深度学习模型的开发和验证，该模型旨在根据治疗前的肠道超声（IUS）图像和临床数据预测CD患者的粘膜愈合。患者对药物反应的固有变异性需要更精确的预测工具，而这项研究为CD的个体化医疗提供了潜在的进步。

这项回顾性研究利用了一组来自三级医院的190名CD患者（68.9%为男性，平均年龄32.3 ± 14.1岁）。总共分析了1548张IUS图像，包括表现出粘膜愈合和未表现出粘膜愈合的纵向病变肠段。这些图像被分为训练组和测试组，以开发和验证一个旨在预测标准化治疗一年后粘膜愈合的卷积神经网络（CNN）模型。使用五倍交叉验证进行了严格的内部验证。

深度学习模型的性能使用几个关键指标进行评估。在测试组中，模型的平均曲线下面积（AUC）为0.73（95% CI：0.68-0.78）。灵敏度为68.1%（95% CI：60.5-77.4%），特异性为69.5%（95% CI：60.1-77.2%），阳性预测值为80.0%（95% CI：74.5-84.9%），阴性预测值为54.8%（95% CI：48.0-63.7%）。对模型生成的热图的分析表明，决策过程主要考虑了从肠壁、浆膜表面和周围系膜获得的信息，突出了模型从IUS图像中提取细微、临床相关特征的能力。

这项研究证明了深度学习在使用IUS影像预测CD粘膜愈合方面的潜力。该模型的显著准确性，尽管需要进一步验证和改进，代表着朝着个性化治疗策略迈出的重要一步。未来的研究将集中于多中心研究和更大规模的真实世界数据集的整合，这对于改进模型的预测能力和增强其临床适用性至关重要。准确预测治疗反应的能力为优化患者护理和改善克罗恩病管理的预后带来了巨大的希望。

Read the English version (阅读英文版)

免责声明：本文内容来自互联网公开信息，请仔细甄别，如有侵权请联系我们删除。