ا استفاده از یک ابزار هوش مصنوعی (AI) که نحوه تجسم انسان را تقلید می کند و برای تشخیص و طبقه بندی تصاویر آموزش دیده است، محققان مدلی ساختند که عود بیماری کرون را با دقت بالا با ارزیابی تصاویر بافت شناسی پیش بینی می کند. ابزار هوش مصنوعی همچنین تفاوتهای ناشناخته قبلی را در سلولهای چربی و تفاوتهای قابلتوجهی در میزان نفوذ سلولهای ماست در زیر سروزا یا پوشش خارجی روده نشان داد و بیماران با و بدون عود بیماری را مقایسه کرد. اگرچه سیستم های امتیازدهی برای ارزیابی فعالیت بیماری کرون و وجود عود بعد از عمل وجود دارد، هیچ سیستم امتیازدهی برای پیش بینی احتمال عود بیماری کرون ایجاد نشده بود.
بیشتر تجزیه و تحلیل تصاویر هیستوپاتولوژیک با استفاده از هوش مصنوعی در گذشته تومورهای بدخیم را هدف قرار داده است. هدف این بود که با تجزیه و تحلیل تصاویر هیستوپاتولوژی با استفاده از هوش مصنوعی، اطلاعات مفید بالینی برای طیف وسیع تری از بیماری ها به دست آید. ما روی بیماری کرون تمرکز کردیم که در آن عود بعد از عمل یک مشکل بالینی است.
شصت و هشت بیمار مبتلا به بیماری کرون در این مطالعه وارد شدند. آنها بر اساس وجود یا عدم عود بیماری پس از عمل در طی دو سال پس از جراحی به دو گروه طبقه بندی شدند. هر گروه به دو زیر گروه، یکی برای آموزش یک مدل هوش مصنوعی و دیگری برای اعتبار سنجی طبقه بندی شدند. برای آموزش، تصاویر اسلاید کامل نمونههای جراحی در تصاویر کاشی برش داده شدند، با برچسب وجود یا عدم وجود عود پس از جراحی، و سپس توسط EfficientNet-b5، یک مدل هوش مصنوعی تجاری موجود که برای انجام طبقهبندی تصاویر طراحی شده است، پردازش شدند. هنگامی که مدل با تصاویر بدون برچسب آزمایش شد، نتایج نشان داد که مدل یادگیری عمیق تصاویر بدون برچسب را بر اساس وجود یا عدم وجود بیماری به دقت طبقهبندی میکند.
در مرحله بعد، نقشههای حرارتی پیشبینیکننده برای شناسایی مناطق و ویژگیهای بافتشناسی که مدل یادگیری ماشینی میتواند عود را با دقت بالا پیشبینی کند،تولیدشد. تصاویر شامل تمام لایه های دیواره روده بود. نقشههای حرارتی نشان داد که مدل یادگیری ماشینی پیشبینیهای درستی را در لایه بافت چربی زیرسروزال ارائه میدهد. با این حال، در مناطق دیگر، مانند لایه های مخاطی و ماهیچه ای مناسب، مدل دقت کمتری داشت. تصاویر با دقیق ترین پیش بینی ها از مجموعه داده های آزمایشی گروه های بدون عود و عود استخراج شد. در میان این تصاویر، بهترین نتایج پیشبینیکننده همگی حاوی بافت چربی بود.