AI模型开发与训练
开发并训练基于深度学习的QUAD算法，量化炎症严重程度与范围。
使用VGG16架构的卷积神经网络，在84743张来自998名UC患者的结肠镜图像上训练，每张图像分为四个象限，由内镜医师标注改良MES评分，最终QUAD评分为四个象限评分之和（0-12）。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于人工智能的炎症范围量化用于溃疡性结肠炎复发预测：一项前瞻性队列研究
AI-based quantification of inflammatory extent for relapse prediction in ulcerative colitis: a prospective cohort study
实验完整度
高研究包含多中心AI模型开发、前瞻性队列验证（静态图像与全视频分析）、相关性与生存分析等多个独立证据层级，并进行了功能验证（复发预测）和机制探索（炎症范围）。
主要模型
溃疡性结肠炎患者临床缓解队列 结肠镜静态图像 全结肠镜退镜视频
重点核对
QUAD评分阈值≥4用于复发风险分层 远端10%视频节段的AUC为0.73 临床复发定义：部分Mayo评分>2 纳入标准：临床缓解（部分Mayo评分≤2）
摘要
背景与目的：内镜下缓解是溃疡性结肠炎（UC）的一个关键治疗目标；然而，传统指标关注最严重部位的严重程度，而未考虑炎症的空间范围。我们开发了一种基于深度学习的评分系统——使用深度学习的溃疡性结肠炎定量评估（QUAD），并评估在临床缓解的UC患者中，结合炎症范围是否能改善复发预测。据我们所知，尚无研究检验人工智能（AI）衍生的炎症范围评估是否能预测临床复发。方法：这项前瞻性队列研究评估了临床缓解UC患者24个月内的复发预测。QUAD模型对每个图像象限分配0-3的评分，总分为0-12。该模型在来自三个中心的998名UC患者的84743张图像上进行了训练。进行了基于静态图像的验证和自动全长度视频分析，以评估炎症范围对复发预测的影响。结果：QUAD≥4的患者临床复发率为19.4%，而QUAD<4的患者为5.2%（P=.01），曲线下面积（AUC）为0.67（95%置信区间[CI]：0.57-0.76）。值得注意的是，基于自动视频的分析显示，远端炎症负荷的预测性能最高，远端10%节段的分析达到AUC为0.73（95%CI：0.62-0.85），与全结肠评估（AUC，0.62；95%CI：0.48-0.76）和基于静态图像的评估相比。结论：结合炎症严重程度和范围的AI增强评估可能提供超越仅基于严重程度评估的补充预后信息。关键词：深度学习，内镜缓解，复发预测
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 在临床缓解的溃疡性结肠炎患者中，结合炎症严重程度和范围的AI评估（QUAD）是否能改善临床复发的预测？
- 核心机制
- 远端结肠（特别是远端乙状结肠和直肠）的残余炎症可能代表不完全黏膜愈合的敏感标志，而全结肠的平均炎症活动可能稀释与后续复发相关的局部信号。
- 主要证据
- 前瞻性队列中，静态图像QUAD≥4的患者复发率显著高于QUAD<4（19.4% vs 5.2%），AUC为0.67；视频分析显示远端10%节段AUC最高（0.73），优于全结肠和静态图像评估。
- 研究意义
- 结合炎症范围的AI评估可能提供超越传统严重程度评估的补充预后信息，并代表常规结肠镜检查中AI辅助分析的一个临床相关目标，但需进一步大型独立队列验证后才能广泛临床应用。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
第一阶段：相关性评估
初步评估QUAD评分与内镜下疾病活动的相关性。
2022年7月前瞻性收集46名患者的2272张静态图像，1009张高质量图像用于分析，计算QUAD评分与MES的相关性。
第二阶段：静态图像复发预测
评估基于静态图像的QUAD评分能否预测临床复发。
单组、开放标签、前瞻性研究，纳入156名临床缓解的UC患者，结肠镜检查时由内镜医师在5个结直肠节段采集最严重病变的静态图像，AI输出QUAD评分，以最差节段的QUAD评分（<4 vs ≥4）分组，随访24个月观察临床复发。
第三阶段：自动视频分析
评估全结肠镜退镜视频的自动分析，量化炎症范围并改善复发预测。
对同一队列的全长度退镜视频进行自动分析，提取每秒一帧，排除低质量帧，计算患者平均QUAD评分，并定义远端各节段（50%-5%），比较不同节段评分的预测性能。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 结肠镜检查 | CF-HQ290ZI | Olympus Medical Systems | -- |
| PCF-H290ZI | Olympus Medical Systems | -- | |
| PCF-PQ260I/L | Olympus Medical Systems | -- | |
| CF-XZ1200I | Olympus Medical Systems | -- | |
| CF-EZ1500DI | Olympus Medical Systems | -- | |
| 肠道准备 | 聚乙二醇溶液 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| AI模型训练 | 训练数据集来自三个中心的84743张图像，标注采用改良MES评分，模型架构为VGG16。 阅读提示：Methods 2.1 System description |
| 前瞻性队列纳入标准 | 纳入临床缓解（部分Mayo评分≤2）的UC患者，排除活动期、结肠手术史或近期全身性泼尼松使用。 阅读提示：Methods 2.2.2.1 包含与排除标准 |
| 静态图像采集与QUAD评分 | 每个节段至少一张最严重病变图像，AI输出QUAD评分，使用最频繁评分代表节段，最差节段进行分组。 阅读提示：Methods 2.2.2.1 |
| 视频分析 | 每秒一帧提取，低质量帧排除，计算平均QUAD评分，定义远端节段。 阅读提示：Methods 2.2.2.2 |
| 复发预测与统计 | 主要终点：24个月内临床复发（部分Mayo评分>2）；统计方法：AUC、Kaplan-Meier、Cox回归。 阅读提示：Methods 2.3 和 Results 3.3 |