人工智能（AI）有望革新IBD护理，从组织病理学评估到疾病监测。然而，AI在IBD中的应用也面临诸多挑战。
诊断炎症性肠病（IBD）可能是一个复杂的过程。它涉及临床病史和症状的评估、内镜和医学影像检查、组织病理学以及部分主观的疾病严重程度评分系统，如溃疡性结肠炎（UC）的Mayo内镜评分（MES）和克罗恩病（CD）的简单内镜评分。不同的临床医生和病理学家在IBD临床工作和解读中可能存在差异，这在一定程度上反映了他们在经验和培训上的不同。然而，人工智能（AI）的出现有望改善IBD临床护理的各个方面，包括临床评估、诊断内镜和组织病理学以及疾病监测。AI可以帮助减少诊断不一致，加快并改进IBD的诊断、分类、评估、治疗和监测。
AI是计算机科学的一个分支，处理类似于（但不同于）人类思维的算法问题解决。目前还没有像人类一般智商那样的通用人工智能（AGI）；至少目前，AI仍是一系列狭窄、特定领域的工具，旨在高效执行特定任务。AI在IBD中的应用包括分析大量数据、改进内镜评估、增强组织病理学分析和支持治疗决策。
机器学习是AI的一个子集，涉及从复杂数据中提取有用信息的统计模型，通常是在从非常大的标准化训练数据集中学习之后。机器学习系统可以快速识别、分类并确定变量之间的关联。另一个在胃肠病学中使用的AI领域是内镜中的计算机视觉，例如用于帮助临床医生在实时内镜视频中发现息肉的系统。
AI在IBD领域的应用正在迅速发展，有前景的应用不断涌现，同时也在努力将其整合到临床工作流程中。AI算法在快速区分IBD与其他胃肠道疾病（如肠易激综合症）、区分CD和UC、评估疾病活动度和预测患者预后方面显示出潜力。AI工具可以帮助IBD临床医生分析患者数据、实验室测试结果以及诊断和监测成像和内镜检查结果。尽管如此，AI在胃肠病学领域的应用仍处于早期研究阶段，许多发现需要在现实世界环境中进行验证，目前美国食品药品监督管理局（FDA）批准的少数工具主要用于结肠镜检查中的息肉检测和癌症筛查及诊断。
内镜是IBD诊断和评估的主要手段，但标准化评分工具存在固有的主观性，降低了诊断和预测的一致性。AI辅助内镜旨在更好地标准化IBD内镜分级。初步研究表明，AI辅助内镜在IBD诊断、疾病评估和异型增生监测方面非常有用。AI辅助内镜还可以减少对侵入性活检的依赖，同时促进更精确的治疗。越来越多的数据支持了这种希望，即AI可以提供与人类阅片者相似的内镜疾病活动度评分。2024年的一项荟萃分析汇集了12项研究的数据，显示AI在评估UC患者黏膜愈合的静态图像和视频时具有高灵敏度和特异性，尽管重要的是，这12项研究之间存在相当大的异质性，突显了未来研究方法标准化的必要性。
AI对患者整个结肠的内镜视频数据分析已被用于量化一种新的累积疾病评分（CDS），该评分优于MES。AI对黏膜血管修复的评估似乎具有预测价值，能够区分12个月内是否会复发的UC患者和不会复发的患者。AI辅助的红密度指数（RDI）颜色分析通过量化肠道腔内的红色像素数量，与传统的标准化组织学评分相关，甚至可能预测5年的临床缓解。另一项正在进行的研究是使用AI辅助的基于探针的共聚焦激光内镜来评估IBD治疗期间和之后的黏膜愈合情况，包括血管结构等特征。
胶囊内镜是一种评估克罗恩病的非侵入性成像方式，但由于解释上的显著观察者间差异，限制了其更广泛的应用。AI提高了溃疡检测和CD狭窄的准确性，并显示出预测潜力，例如量化患者在未来6个月内是否需要生物疗法的可能性。
CT小肠造影和MRI小肠造影在CD诊断、疾病活动度评分、组织损伤评估和治疗反应评估中越来越重要。AI辅助的MRI数据分析显示出高灵敏度的黏膜炎症检测能力。几项研究表明，AI分析医学影像数据可以绕过观察者间的差异，有效分类IBD疾病的严重程度，实现高度准确的严重疾病检测。
AI还在改进IBD的组织病理学解释和临床试验环境中的组织学评估标准化方面发挥作用，通过自动化的疾病活动度评分和更好的组织学缓解评估。AI评估的简化PICaSSO组织学缓解指数（PHRI）得分反映了中性粒细胞的存在或不存在，这些细胞在UC治疗后的组织修复中起作用。AI自动化的疾病活动度评分比传统IBD组织病理学方法更省时、更客观、更少依赖于人类观察者的专业知识。
内镜黏膜缓解是IBD治疗的关键长期目标。IBD患者面临更高的结直肠癌风险，因此需要进行长期的监测结肠镜检查以在早期阶段发现肿瘤。AI计算机辅助检测有助于此过程，尽管目前尚不清楚如何最佳地识别IBD异型增生以进行息肉监测，而且与息肉检测AI工具不同，目前还没有FDA批准的异型增生检测系统上市。
虽然AI在IBD诊断、疾病活动度分级、监测和预测患者预后方面显示出潜力，但在这些工具被广泛应用于常规临床实践之前，该领域必须克服几个挑战：
- 验证：AI工具需要在更多的大型临床试验队列和现实世界的诊所中进行验证。验证将是赢得临床医生信任的关键。
- 可解释性和解决AI“黑箱”问题：人类观察者通常无法轻易理解AI工具是如何得出特定结论或值的，这使验证工作变得复杂。对于IBD的CDS和RDI评分来说，这个问题可能不如早期肿瘤检测那样突出。这可能会使监管监督和问责制复杂化，或在错误发生时难以识别根本原因。
- 偏见：训练数据或模型设计中的偏差可能导致未被发现的系统性偏差，不能代表更广泛的患者群体。
- 将AI工具整合到临床工作流程中
- 成本效益
- 伦理问题：目前还不完全清楚如何最好地维护数据和信息安全，保护患者的医疗隐私。
正在进行和未来的研究将有助于解决这些问题，明确监管标准和指标，并在临床上验证IBD的AI应用，推动该领域更充分地实现AI的潜力。预测治疗效果和风险以及患者预后将显著改善IBD管理。AI工具的整合进入IBD临床工作流程（包括集成的“内镜-组织-组学”方法）和进入临床指南以确保标准化实践将随之而来。
(全文结束)
