人工智能自动评估成人炎症性肠病肠壁厚度的开发与临床验证
该研究开发并验证了基于深度学习的BowelAssist系统,用于肠道超声中检测肠壁层次并测量肠壁厚度。系统在9000张图像上训练和测试,外部验证显示与手动测量高度一致,检测病理肠壁厚度的敏感度83.6%、特异度95.7%。结论认为该AI模型可提供准确、可重复的肠壁厚度评估,支持整合到临床和科研流程中。
要点
- BowelAssist系统测量肠壁厚度与手动测量相关性高(横切r=0.88,纵切r=0.77),平均绝对误差小于0.45mm。
- 检测病理肠壁厚度的敏感度为83.6%,特异度为95.7%。
- 系统分析可行性为94.7%,内部重复性大于0.90,但专家与培训操作者间重复性仅0.53-0.57。
核心结论
- 基于AI的模型能准确、可重复地评估肠壁厚度,支持将其整合到炎症性肠病活动度客观评估的临床和科研流程中。
研究设计与样本
- 开发并验证深度学习系统BowelAssist,基于预训练卷积神经网络,使用9000张图像(711例患者,其中421例IBD)按80%训练、10%验证、10%测试划分。
- 由一名专家超声医师提供3000个肠段的肠壁层次 ground-truth 标注。
- 外部验证为前瞻性 live 评估35例患者(67个肠段),并由一名培训操作者对19例患者(30个肠段)进行额外盲法评估。
诊断标准与关键数值
- BowelAssist测量肠壁厚度与手动测量的一致性:横切面r=0.88,纵切面r=0.77,平均绝对误差小于0.45mm。
- 检测病理肠壁厚度的敏感度为83.6%,特异度为95.7%。
- 肠壁分层识别(stratifiation recognition)的敏感度为90.1%,特异度为83.8%。
- BowelAssist测量的内部观察者重复性大于0.90;专家与培训操作者间的观察者间重复性横切面为0.53,纵切面为0.57。
- BowelAssist分析可行性为94.7%。
临床应用与阅片要点
- 日常阅片时可借助AI系统辅助测量肠壁厚度,减少操作者依赖性,但需注意专家与培训操作者间的重复性仅中等(0.53-0.57)。
- 系统对病理肠壁厚度检测特异度高(95.7%),敏感度83.6%,可作为筛查或辅助诊断工具,但阴性结果仍需结合临床判断。
局限性
- 外部验证样本量较小(35例患者,67个肠段),盲法评估仅19例患者(30个肠段)。
- 研究为单中心开发与验证,未报告多中心外部验证结果。
- 专家与培训操作者间的观察者间重复性仅为中等(0.53-0.57),提示AI辅助下不同经验水平操作者间一致性仍有提升空间。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
英文原文(摘要)· 点击展开
PURPOSE: Intestinal ultrasound (IUS) is used to assess and monitor inflammatory bowel disease (IBD). Bowel wall thickness (BWT) is its key marker, but accurate measurement is operator-dependent and requires expertise. Artificial intelligence (AI) may reduce variability and support IUS implementation. We developed and validated an AI model to detect bowel wall layers and measure BWT.
MATERIALS AND METHODS: We developed a deep learning system (BowelAssist, BA) based on a pretrained convolutional neural network. A dataset of 9000 images (711 patients, 421 IBD) was used for training (80%), validation (10%), and testing (10%). Ground-truth annotations of bowel wall layers for 3000 segments were provided by an expert sonographer. External validation was performed live in 35 patients (67 bowel segments), with additional blinded evaluation by a trained operator in 19 (30 segments). BA performance, including BWT measurement, wall-layer recognition, and intra- and inter-observer agreement, was compared with manual measurements using Pearson's correlation and Bland-Altman analysis.
RESULTS: BA analysis was feasible in 94.7% of measurements. It showed excellent agreement with manual BWT measurements (r=0.88 for cross-sectional and r=0.77 for longitudinal scans), and low mean absolute errors (<0.45mm). The sensitivity and specificity for detecting pathological BWT were 83.6% and 95.7%, respectively. The intra-observer reproducibility of BA measurements was >0.90 and the inter-observer reproducibility between expert and trained operators was 0.53 for cross-sectional and 0.57 for longitudinal scans. Stratification recognition showed sensitivity of 90.1% and specificity of 83.8%.
CONCLUSION: An AI-based model provides accurate, reproducible assessment of BWT supporting its integration into clinical and research workflows for objective evaluation of IBD activity.
Der intestinale Ultraschall (IUS) wird zur Beurteilung und Überwachung von entzündlichen Darmerkrankungen (IBD) eingesetzt. Die Darmwanddicke (BWT) ist der zentrale Marker, doch eine präzise Messung ist anwenderabhängig und erfordert Expertise. Künstliche Intelligenz (KI) könnte diese Variabilität verringern und die Implementierung des IUS unterstützen. Wir haben ein KI-Modell entwickelt und validiert, um Darmwandschichten zu erkennen und die BWT zu messen.Wir haben ein Deep-Learning-System (BowelAssist, BA) auf Basis eines vortrainierten Convolutional Neural Network entwickelt. Ein Datensatz mit 9000 Bildern (711 Patienten, 421 IBD) wurde für das Training (80%), die Validierung (10%) und die Austestung (10%) verwendet. Die Ground-Truth-Annotationen der Darmwandschichten für 3000 Segmente wurden von einem erfahrenen Sonografen bereitgestellt. Die externe Validierung wurde live bei 35 Patienten (67 Darmsegmente) durchgeführt, mit zusätzlicher verblindeter Evaluierung durch einen geschulten Anwender bei 19 Patienten (30 Segmente). Die Leistungsfähigkeit des BA, einschließlich der BWT-Messung, der Erkennung der Wandschichten sowie der Intra- und Interobserver-Übereinstimmung, wurde mittels Pearson-Korrelation und Bland-Altman-Analyse mit manuellen Messungen verglichen.Die Analyse mittels BA war bei 94,7% der Messungen durchführbar. Sie zeigte eine ausgezeichnete Übereinstimmung mit den manuellen BWT-Messungen (r=0,88 bei Transversalschnitten und r = 0,77 bei Longitudinalschnitten) sowie geringe mittlere absolute Fehler (<0,45 mm). Die Sensitivität und Spezifität für die Erkennung pathologischer BWT betrugen 83,6% bzw. 95,7%. Die Intraobserver-Reproduzierbarkeit der BA-Messungen lag bei >0,90, und die Interobserver-Reproduzierbarkeit zwischen Experten und geschulten Anwendern betrug 0,53 für Transversalschnitte und 0,57 für Longitudinalschnitte. Die Erkennung der Stratifizierung zeigte eine Sensitivität von 90,1% und eine Spezifität von 83,8%.Ein KI-basiertes Modell ermöglicht eine präzise, reproduzierbare Beurteilung der BWT und unterstützt damit dessen Integration in klinische und wissenschaftliche Arbeitsabläufe für eine objektive Evaluierung der IBD-Aktivität.
引用
- Maconi G, Cassella DG, Natalello G, et al. Development and Clinical Validation of an Automated Artificial Intelligence System for Bowel Wall Thickness Assessment in Adult Inflammatory Bowel Diseases. Ultraschall Med. 2026. PMID: 42097166. doi:10.1055/a-2870-0924
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。