陳 壘,李德春

陳壘,蚌埠醫(yī)學(xué)院研究生院 安徽省蚌埠市 233030

李德春,徐州市中心醫(yī)院放射科 江蘇省徐州市 221009

0 引言

炎癥性腸病(inflammatory bowel disease,IBD)是一種病因尚不十分清楚的慢性非特異性腸道炎癥性疾病,包括潰瘍性結(jié)腸炎(ulcerative colitis,UC)和克羅恩病(crohn’s disease,CD).近20余年來國內(nèi)就診人數(shù)呈快速上升趨勢(shì)[1],根據(jù)2014年中國疾病預(yù)防控制中心數(shù)據(jù)統(tǒng)計(jì):中國2005-2014年間IBD總病例約為35萬,到2025年預(yù)計(jì)中國的IBD患者將達(dá)到150萬例[2].UC最常發(fā)生于青壯年期,根據(jù)我國統(tǒng)計(jì)資料,發(fā)病高峰為20-49歲,男女性別差別不大[3],CD最常發(fā)生于青年期,發(fā)病高峰年齡為18-35歲,男性略多于女性[4],UC和CD發(fā)病率大致相等[5],其診斷相對(duì)困難,缺乏金標(biāo)準(zhǔn)[3],且兩種疾病的臨床表現(xiàn)非常相似,如粘液膿血便、腹痛和不同程度的全身癥狀,臨床主要結(jié)合其臨床表現(xiàn)、實(shí)驗(yàn)室檢查、內(nèi)鏡檢查、影像學(xué)檢查和組織病理學(xué)檢查進(jìn)行綜合分析,在排除感染性和其他非感染性結(jié)腸炎的基礎(chǔ)上作出診斷[6].

AI是當(dāng)下學(xué)術(shù)界和產(chǎn)業(yè)界的一個(gè)熱點(diǎn),AI是計(jì)算機(jī)科學(xué)的一個(gè)分支,是讓計(jì)算機(jī)去行使通常情況下具備智能生命才可能行使的活動(dòng).廣義的AI涵蓋機(jī)器學(xué)習(xí)和機(jī)器人等.機(jī)器學(xué)習(xí)(machine learning,ML)是讓計(jì)算機(jī)通過學(xué)習(xí)大數(shù)據(jù),開發(fā)出一種算法,讓計(jì)算機(jī)去完成對(duì)未知事件的預(yù)判,ML依據(jù)訓(xùn)練方式的不同分為監(jiān)督性學(xué)習(xí)、非監(jiān)督性學(xué)習(xí)和強(qiáng)化學(xué)習(xí)三種[7].伴隨著AI的方興未艾,醫(yī)學(xué)影像與AI的結(jié)合被認(rèn)為是最具發(fā)展前景的領(lǐng)域[8].在過去十年中,AI已被應(yīng)用于多項(xiàng)臨床研究,以改善胃腸疾病患者的醫(yī)療保健,準(zhǔn)確檢測息肉和早期癌癥病變,促進(jìn)炎癥病變的分析,并預(yù)測藥物的反應(yīng)和臨床結(jié)果[9].尤其在病理界,AI被認(rèn)為掀起了新一代工業(yè)革命,診斷更快、更精準(zhǔn),節(jié)約醫(yī)療成本,使得醫(yī)生將更多的時(shí)間用于疑難病例的分析[10].

由于IBD的診療目前存在困難,AI在基于大數(shù)據(jù)的基礎(chǔ)上能夠?qū)BD進(jìn)行很好的應(yīng)用,本文就AI目前在IBD中的應(yīng)用及進(jìn)展進(jìn)行簡要綜述,旨在引起讀者對(duì)AI在IBD中的應(yīng)用研究產(chǎn)生興趣.

1 AI模型在IBD中的應(yīng)用

作為AI的一種主要形式,ML是一種應(yīng)用程序,它通過采用幾種方法(包括隨機(jī)森林(random forests,RF)、支持向量機(jī)(support vector machine,SVM)、縱向回歸(longitudinal regression,LR)等來執(zhí)行模型的重復(fù)迭代,從而逐步提高特定任務(wù)的性能.ML已用于包括IBD患者在內(nèi)的多項(xiàng)臨床研究,以確定IBD的鑒別診斷,評(píng)估IBD,并預(yù)測用于治療IBD的藥物的反應(yīng)和臨床結(jié)果.統(tǒng)計(jì)建模的進(jìn)步與獲得和生成基因表達(dá)數(shù)據(jù)的容易性相結(jié)合,導(dǎo)致了多種方法來建立回歸和分類模型,以幫助診斷、預(yù)后、疾病預(yù)測、患者分層和治療選擇[11].

對(duì)于分類來說,最常見的方法是使用基因子集來獲得感興趣的表型特征[12].HAN[13]在研究中提出了一種新的、可推廣的基于個(gè)體化路徑的分類方法,概率路徑評(píng)分(probabilistic pathway score,PROPS),它使用高斯貝葉斯網(wǎng)絡(luò)來創(chuàng)建反映路徑活動(dòng)的個(gè)性化特征,應(yīng)用這些基于路徑的特征來區(qū)分慢性疾病和潰瘍性結(jié)腸炎,這種方法在區(qū)分UC和CD方面表現(xiàn)優(yōu)異,并提供了關(guān)于驅(qū)動(dòng)這些疾病的重要途徑和潛在分子機(jī)制的生物學(xué)見解,結(jié)果顯示PROPS在性能上優(yōu)于現(xiàn)有的IBD分類器和替代方法,并且即使是已知由UC和CD共享的途徑顯示出不同的活性,這對(duì)于區(qū)分兩者仍是有用的.由于基于完全監(jiān)督學(xué)習(xí)(fully supervised learning,FSL)的分類器需要大量不同疾病嚴(yán)重程度的標(biāo)記數(shù)據(jù),獲取此類數(shù)據(jù)非常耗時(shí),需要大量專業(yè)知識(shí),Mahapatra[14]提出了一種新的主動(dòng)學(xué)習(xí)框架,并將其與半監(jiān)督學(xué)習(xí)(semi-supervised learning,SSL)相結(jié)合,用于從腹部磁共振圖像中分割克羅恩病組織,SSL方法使用幾個(gè)標(biāo)記樣本,并利用來自許多未標(biāo)記樣本的信息來訓(xùn)練精確的分類器,得出了結(jié)合SSL和AI給出了一種分割方法,這種方法可以優(yōu)化使用少量的標(biāo)記樣本和大量的未標(biāo)記樣本、需要較少的訓(xùn)練時(shí)間,其實(shí)驗(yàn)結(jié)果表明,與FSL方法相比,該方法具有更少的樣本和更少的訓(xùn)練工作量,分割精度更高.最近一種新近開發(fā)的特征選擇算法(doubly randomized preferece trial,DRPT)結(jié)合SVM分類器,根據(jù)結(jié)腸樣本中32個(gè)基因的表達(dá)值生成一個(gè)模型來區(qū)分健康受試者和UC受試者,模型完美地檢測出所有活動(dòng)病例,在最終檢測UC的模型表現(xiàn)出良好的性能[15].

2 AI結(jié)合內(nèi)窺鏡在IBD中的應(yīng)用

AI現(xiàn)在是臨床醫(yī)學(xué)尤其是胃腸道(gastrointestinal,GI)內(nèi)窺鏡檢查中的新趨勢(shì).人工智能有潛力在各個(gè)層面上改善胃腸道內(nèi)窺鏡檢查的質(zhì)量.它通過帶來更高的準(zhǔn)確性,一致性和更高的速度,使內(nèi)窺鏡檢查過程更高效,更高質(zhì)量,來彌補(bǔ)人類的錯(cuò)誤和有限的能力.AI在胃腸道的所有部分的診斷和治療性內(nèi)窺鏡檢查中均顯示了出色的結(jié)果.它有可能在所有級(jí)別上顯著改善胃腸道內(nèi)窺鏡檢查[9,16].內(nèi)窺鏡檢查對(duì)評(píng)估IBD非常重要,一項(xiàng)研究集中在無線膠囊內(nèi)鏡(wireless capsule endoscope,WCE)在使用SVM或卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)評(píng)估潰瘍性結(jié)腸炎患者的腸道潰瘍病變中的應(yīng)用,并且這些算法模型的準(zhǔn)確率都相對(duì)較高,從89.3%到93.8%不等[17].Charisis等[18]亦介紹了一種基于WCE圖像處理技術(shù)的新特征提取技術(shù),該技術(shù)可用于檢測克羅恩病粘膜炎癥產(chǎn)生的病變,更具體地說,開發(fā)了一種新穎的濾波過程,即混合自適應(yīng)濾波(hybrid adaptive filtering,HAF),可以從WCE圖像中高效提取與病變相關(guān)的結(jié)構(gòu)/紋理特征.

此外,差分腔隙分析(differential lacunarity,DLac)被用于從HAF濾波圖像中提取特征,即HAF-DLac方案,結(jié)合了SVM,可實(shí)現(xiàn)強(qiáng)大的病變識(shí)別性能,對(duì)于HAFDLac的訓(xùn)練和測試,研究使用了800幅圖像數(shù)據(jù)庫,該數(shù)據(jù)庫是從13位接受WCE檢查的患者中獲得的,根據(jù)所描繪病變的嚴(yán)重程度,將異常病例分為輕度和重度.實(shí)驗(yàn)結(jié)果表明,在用于自動(dòng)病變檢測的WCE圖像分析領(lǐng)域中,HAF-DLac方法分別高達(dá)93.8%(準(zhǔn)確性),95.2%(靈敏度),92.4%(特異性)和92.6%(精度).Ozawa等[19]已經(jīng)開發(fā)了一種用于IBD標(biāo)準(zhǔn)化內(nèi)窺鏡評(píng)估的AI系統(tǒng),并取得了初步成功,他們應(yīng)用CNN構(gòu)建了計(jì)算機(jī)輔助診斷(computer aided diagnosis,CAD)系統(tǒng),并使用來自UC患者的大量內(nèi)窺鏡圖像數(shù)據(jù)集評(píng)估了其性能.這是一個(gè)有效區(qū)分正常粘膜(梅奧0)和“粘膜愈合狀態(tài)”(梅奧0-1)的系統(tǒng),在這項(xiàng)研究中,研究招募了952名潰瘍性結(jié)腸炎患者和30322張結(jié)腸鏡檢查圖像,并構(gòu)建了卷積網(wǎng)絡(luò)模型,在梅奧0-1和梅奧2-3之間的高極光值為0.94-0.99,基于CNN的CAD系統(tǒng)用于識(shí)別UC患者的內(nèi)鏡炎癥嚴(yán)重性時(shí),其性能十分強(qiáng)大,其在支持經(jīng)驗(yàn)不足的內(nèi)鏡醫(yī)師有著重要作用.

Hwang等[20]亦使用CNN算法用于自動(dòng)檢測各種小腸病變,可提高對(duì)小腸病變的診斷敏感性和分類能力.UC的內(nèi)窺鏡疾病活動(dòng)評(píng)分在臨床實(shí)踐中很有用,Gottlieb等[21]收集了947份全長內(nèi)窺鏡錄像,分別來自14個(gè)國家的249例患者,共拍攝了1950萬幅圖像,研究發(fā)現(xiàn)可以訓(xùn)練深度學(xué)習(xí)算法來預(yù)測UC嚴(yán)重程度,在此項(xiàng)研究中,他們的數(shù)據(jù)集是在多國臨床試驗(yàn)中前瞻性收集的,使用了視頻而非靜態(tài)圖像,并且機(jī)器學(xué)習(xí)算法的性能指標(biāo)達(dá)到或超過了先前針對(duì)UC嚴(yán)重性評(píng)分發(fā)布的指標(biāo).Maeda等[22]開發(fā)并評(píng)估了一種CAD系統(tǒng),使用內(nèi)窺鏡檢查預(yù)測組織學(xué)炎癥,回顧性獲得187例內(nèi)鏡檢查后獲得活檢樣本的UC患者的數(shù)據(jù),包括從盲腸,升結(jié)腸,橫結(jié)腸,降結(jié)腸,乙狀結(jié)腸和直腸的6個(gè)結(jié)直腸部位收集每位患者的內(nèi)鏡圖像和活檢樣本,參照活檢樣本的組織學(xué)活性標(biāo)記所有內(nèi)鏡圖像,對(duì)于驗(yàn)證樣本,從100位患者中收集了525個(gè)驗(yàn)證集(共525個(gè)獨(dú)立段),并將其余87位患者的12900張內(nèi)鏡圖像用于機(jī)器學(xué)習(xí)以構(gòu)建CAD,主要結(jié)果指標(biāo)是CAD預(yù)測持續(xù)性組織學(xué)炎癥的診斷能力,結(jié)果表明CAD系統(tǒng)對(duì)潰瘍性結(jié)腸炎患者準(zhǔn)確率高達(dá)91.0%,可以完全自動(dòng)識(shí)別與UC相關(guān)的持續(xù)性組織學(xué)炎癥.Tong等[23]通過機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)UC和CD之間的自動(dòng)差異診斷,納入2008-01/2018-11在北京協(xié)和醫(yī)院進(jìn)行結(jié)腸鏡檢查的5128例 UC患者,875例CD患者,采用RF和CNN方法通過機(jī)器學(xué)習(xí)的人工智能在幫助沒有經(jīng)驗(yàn)的內(nèi)鏡醫(yī)師區(qū)分炎癥性腸道疾病方面非常有前途.在對(duì)UC的內(nèi)鏡嚴(yán)重程度進(jìn)行分級(jí)時(shí),深度學(xué)習(xí)模型具有良好的性能,鑒于其可擴(kuò)展性,可以改善結(jié)腸鏡檢查在UC研究和常規(guī)實(shí)踐中的使用[24].最近一項(xiàng)前瞻性研究中驗(yàn)證了用于UC評(píng)估的深度神經(jīng)網(wǎng)絡(luò)(deep neural network or evaluation of UC,DNUC)算法的準(zhǔn)確性,其識(shí)別出內(nèi)鏡緩解和組織學(xué)緩解的準(zhǔn)確性分別為90.1%和92.9%,DNUC可以識(shí)別緩解期患者,而不需要粘膜活檢收集和分析[25].

3 AI對(duì)IBD患者的預(yù)測和治療評(píng)估

Ruffle等[26]對(duì)其在消化領(lǐng)域的應(yīng)用作了一個(gè)綜述分析,包括指導(dǎo)用藥、預(yù)測療效、胃腸鏡下檢測病灶等,結(jié)果顯示其前景不可小覷.在對(duì)機(jī)器學(xué)習(xí)應(yīng)用兒童炎癥性腸病分類項(xiàng)研究中,對(duì)內(nèi)窺鏡和組織學(xué)數(shù)據(jù)進(jìn)行了數(shù)學(xué)建模,以幫助對(duì)兒科患者的IBD診斷進(jìn)行分類,所得到的模型顯示了在區(qū)分慢性疾病和潰瘍性結(jié)腸炎患者方面的高準(zhǔn)確性,對(duì)未知數(shù)據(jù)具有高診斷準(zhǔn)確性的模型診斷率達(dá)83.3%,并且還提供了這兩種疾病亞型的復(fù)雜重疊的有效可視化[27].Waljee等[28]使用邏輯回歸和RF構(gòu)建了模型,該模型被認(rèn)為有利于根據(jù)不同的住院風(fēng)險(xiǎn)對(duì)IBD患者進(jìn)行分類,并對(duì)每個(gè)患者進(jìn)行個(gè)性化藥物治療.LE等[29]應(yīng)用AI在膠囊內(nèi)窺鏡檢查過程中分析炎癥性病變,確定患者的預(yù)后或預(yù)測其對(duì)治療的反應(yīng).明確某些藥物的預(yù)測因子和臨床結(jié)果對(duì)于準(zhǔn)確確定用于治療IBD的有效藥物非常重要,印度團(tuán)隊(duì)使用射頻構(gòu)建了一種算法,用于預(yù)測嚴(yán)重結(jié)腸炎患者的結(jié)腸切除術(shù),準(zhǔn)確率達(dá)77%[30].

基于機(jī)器學(xué)習(xí)的基因優(yōu)先排序方法,以識(shí)別新型IBD風(fēng)險(xiǎn)基因近年來被提出,在從全基因組關(guān)聯(lián)研究中收集已知的IBD基因,訓(xùn)練一個(gè)模型來識(shí)別IBD風(fēng)險(xiǎn)基因,然后對(duì)16390個(gè)基因的完整列表進(jìn)行了評(píng)分和分類,IBD基因的預(yù)測得分顯著高于非IBD基因的得分,這種方法通過利用來自表達(dá)數(shù)據(jù)和大量基因注釋的信息成功地將IBD風(fēng)險(xiǎn)基因與非IBD基因區(qū)分開,同時(shí)能夠檢測出IBD的新型候選風(fēng)險(xiǎn)基因,這些發(fā)現(xiàn)可能有助于檢測新的IBD風(fēng)險(xiǎn)基因,并增進(jìn)對(duì)IBD發(fā)病機(jī)制的了解,同時(shí)也是一種對(duì)IBD基因方面的個(gè)性化評(píng)估[31].從宏基因組學(xué)數(shù)據(jù)中可靠地識(shí)別炎癥生物標(biāo)志物是開發(fā)無創(chuàng)、經(jīng)濟(jì)、快速的IBD早期診斷臨床試驗(yàn)的一個(gè)有前途的方向,一種基于網(wǎng)絡(luò)的生物標(biāo)記發(fā)現(xiàn)(network-based biomarker discovery,NBBD)的綜合方法集成了對(duì)潛在生物標(biāo)記進(jìn)行優(yōu)先排序的網(wǎng)絡(luò)分析方法和評(píng)估優(yōu)先排序的生物標(biāo)記的判別能力的機(jī)器學(xué)習(xí)技術(shù),結(jié)果表明NBBD在可靠地識(shí)別IBD生物標(biāo)志物方面特別有效[32].

早期預(yù)測反應(yīng)可能有助于治療團(tuán)隊(duì)以及患者及其家人為替代治療選擇做準(zhǔn)備,Ghoshal等[33]在對(duì)AI預(yù)測急性重癥潰瘍性結(jié)腸炎的治療結(jié)果中,采用單因素分析,多元線性主成分分析(principal component analysis,PCA)和非線性人工神經(jīng)網(wǎng)絡(luò)(nonlinear artificial neural network,ANN)方法,對(duì)12年間入院的263例急性重癥UC患者的數(shù)據(jù)進(jìn)行研究,結(jié)果顯示使用線性和非線性建模技術(shù)可以預(yù)測UC患者的藥物治療反應(yīng).Waljee等[34]在優(yōu)化硫代嘌呤治療IBD患者中,利用實(shí)驗(yàn)室值和年齡來開發(fā)機(jī)器學(xué)習(xí)算法,以識(shí)別客觀上可降低硫代嘌呤治療的患者,機(jī)器學(xué)習(xí)算法能夠通過算法預(yù)測的客觀緩解識(shí)別出硫代嘌呤類IBD患者,該狀態(tài)與明顯的臨床益處相關(guān),包括減少類固醇處方,住院和手術(shù).Wei等[35]在基于大樣本的基礎(chǔ)上,應(yīng)用先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)可提高IBD的風(fēng)險(xiǎn)預(yù)測,該數(shù)據(jù)集包含來自15個(gè)歐洲國家/地區(qū)的大約17000個(gè)CD病例,大約13000個(gè)UC病例和大約22000個(gè)作為對(duì)照,鑒于這種大樣本量和廣泛的變化范圍,采用了最新的機(jī)器學(xué)習(xí)技術(shù)來構(gòu)建最佳的預(yù)測模型,最終預(yù)測模型在獨(dú)立評(píng)估中得出CD和UC的曲線下面積(area under curve,AUC)分別為0.86和0.83,在當(dāng)時(shí),這是CD和UC所報(bào)告的最佳預(yù)測性能.后來,在基于機(jī)器學(xué)習(xí)的分析方法(例如梯度增強(qiáng)機(jī)器)可以非常高精度地預(yù)測CD患者的炎癥嚴(yán)重程度(AUC=0.93)[36],對(duì)于UC患者,生物療法是一種有前途的治療選擇,但是,相對(duì)較高的成本和潛在的毒性已經(jīng)引發(fā)了人們的關(guān)注,停止和管理生物制劑的最適當(dāng)標(biāo)準(zhǔn)引起人們激烈爭論,為此,Popa等[37]建立一種ML模型,以預(yù)測接受抗腫瘤壞死因子藥物治療的UC患者一年的疾病活動(dòng),這是幫助臨床醫(yī)生做出治療決策的有用工具,結(jié)果顯示該分類器在預(yù)測一年內(nèi)的疾病活動(dòng)方面具有出色的性能,在測試組上的準(zhǔn)確度為90%,AUC為0.92,在驗(yàn)證組上的準(zhǔn)確度為100%,AUC為1,這種ML解決方案可能被證明是幫助臨床醫(yī)生決定增加劑量或改用其他生物制劑的有用工具.

同樣,Hardala?等[38]在評(píng)估硫唑嘌呤對(duì)IBD患者黏膜愈合的作用中將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于IBD數(shù)據(jù)以預(yù)測粘膜緩解,取得了較好的結(jié)果.在生物療法治療炎癥性腸病的治療方法中,許多患者對(duì)生物單一療法沒有反應(yīng),如果能夠確定可能的響應(yīng)者可以減少成本和延誤時(shí)間,Waljee等[39]預(yù)測中度至嚴(yán)重克羅恩病患者緩解的機(jī)器學(xué)習(xí)模型的開發(fā)和驗(yàn)證,在患有活動(dòng)性克羅恩病的患者中,治療第8周之前的人口統(tǒng)計(jì)學(xué)和實(shí)驗(yàn)室數(shù)據(jù)似乎可以迅速識(shí)別出對(duì)優(yōu)特克單抗可能無反應(yīng)的患者,而無需進(jìn)行昂貴的藥物水平監(jiān)測,能夠在一定程度上減輕患者的經(jīng)濟(jì)負(fù)擔(dān).

4 AI面臨的問題和挑戰(zhàn)

雖然AI在眾多研究中取得輝煌的成績,但也有部分研究情況并不十分樂觀,陳肖[40]等構(gòu)建結(jié)腸鏡輔助診斷AI深度學(xué)習(xí)模型中,檢測潰瘍性結(jié)腸炎的特異度為67%,尚存在較大不足.有時(shí),差異是影響模型準(zhǔn)確性和有效性的主要混淆偏差,例如,東方和西方在基因型方面存在顯著差異,特別是亞洲CD患者中核苷酸結(jié)合寡聚化結(jié)構(gòu)域蛋白2(nucleotide oligomeric domain protein 2,NOD2)突變的罕見性[41].目前,IBD領(lǐng)域的大多數(shù)AI研究只有72%到96%的可變精度,基于AI系統(tǒng)的誤診或誤分類是不可避免的[42].考慮到AI模型的一般特征以及在計(jì)算進(jìn)度時(shí)的不可用性或透明性,對(duì)人工智能模型進(jìn)行外部驗(yàn)證總是具有挑戰(zhàn)性的.此外,當(dāng)AI模型在臨床實(shí)踐中失敗時(shí),也相對(duì)難以確定它會(huì)有幾個(gè)錯(cuò)誤.因此,我們應(yīng)該發(fā)展人工智能模型的可預(yù)判性,即當(dāng)模型做出運(yùn)算處理時(shí),我們能夠預(yù)測此模型運(yùn)算結(jié)果的能力[43].

5 結(jié)論

炎癥性腸病呈現(xiàn)逐漸增加趨勢(shì),由于沒有診斷金標(biāo)準(zhǔn),給臨床工作帶來挑戰(zhàn).AI在炎癥性腸病中的已嶄露頭角,其在診斷、治療中起到越來越重要的作用,如ML已用于包括IBD患者在內(nèi)的多項(xiàng)臨床研究,以確定IBD的鑒別診斷,評(píng)估IBD,應(yīng)用PROPS方法顯示PROPS在性能上優(yōu)于現(xiàn)有的IBD分類器和替代方法,SSL用于從腹部磁共振圖像中分割克羅恩病組織,該方法分割精度更高,運(yùn)用SVM方法在無線膠囊內(nèi)鏡中評(píng)估UC患者的腸道潰瘍病變中的應(yīng)用,并且這些算法模型的準(zhǔn)確率都相對(duì)較高,同時(shí)AI可以在IBD患者治療過程中起到評(píng)估作用等.隨著人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用和發(fā)展,AI必將能為IBD患者在其診斷及治療中做出貢獻(xiàn).但AI在炎癥性腸病的診療中也有不足之處,這就需要大樣本、合理的模型及方法對(duì)數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí).不過,我們相信隨著AI與醫(yī)學(xué)影像的融合發(fā)展,能夠?yàn)榻鉀Q炎癥性腸病添磚加瓦.同時(shí),AI與醫(yī)學(xué)的結(jié)合在炎癥性腸病的應(yīng)用也是步入信息化、大數(shù)據(jù)化的一種較有前景的發(fā)展前景又充滿挑戰(zhàn)的的行業(yè),需要大家不懈的努力.