计算机深度学习MR影像指导克罗恩病个体化治疗及疗效评估

A single gold standard for the diagnosis of Crohn’s disease(CD) is not available. CD is a complicated disorder and relapse often. The management plan for CD are various. Currently, biological therapy is recognized as the most effective medical treatment. However, some patients don’t respond to biological therapy. How to diagnose CD rapidly and effectively and effectively screen out patients that don’t respond to medical treatment are some of the critical questions present to clinicians. The application of deep learning in the field of medicine provides a new way to solve this problem. In addition, Magnetic Resonance enterograpy (MRE) can provide abundant information, both structural and functional. And MRE has the advantages of objective and non-invasive. Based on a large number of CD cases and by using deep learning technology, we aim to construct an intelligent diagnosis and analysis platform for CD. First of all, the MRE image of CD will be intelligently resolved by computer through deep learning. Then, combined with clinical data and laboratory examination, the basic database will be built. Finally, through data analysis technique, an intelligent multi-functional platform for CD integrated automatic diagnosis, disease activity analysis, treatment recommendation and prognosis prediction will be constructed, thus achieving the aim of precision medical care for patients with CD.

克罗恩病（Crohn’s disease, CD）的诊断缺乏金标准，且病情多变易复发，治疗方案多样。目前公认最有效的生物制剂治疗，也存在部分病例无应答的情况。如何迅速做出有效诊断、 实现个体化治疗、评估疗效是临床面临的难题。深度学习在医学领域的初步应用给解决这一难题提供新的方法。MR肠道成像（MRE）可提供从结构到功能的丰富信息，且具备客观、无创的特点。本研究通过引入深度学习技术，以克罗恩病MRE图像为基础，结合临床数据构建CD智能诊断分析平台。首先构建CD的诊断及活动度分类模型；其次根据MRE信息研究手术风险评价，并采用数据分析方法进行初始治疗方案推荐；最后再研究筛选生物制剂无应答病例的模型；从而构建出集诊断、活动性分析、治疗方案推荐、疗效预判为一体的克罗恩病智能诊疗平台，从而实现克罗恩病的个体化、精准治疗。

克罗恩病（Crohn’sdisease,CD）的诊断缺乏金标准，且病情多变易复发，治疗方案多样。目前公认最有效的生物制剂治疗，也存在部分病例无应答的情况。如何迅速做出有效诊断、实现个体化治疗、评估疗效是临床面临的难题。针对这一现状，本项目基于CD诊疗过程中的影像学资料，引入人工智能的技术，在CD的图像分割、疗效评估方面取得了一定程度进展，本项目取得成果如下:（1）由于肠管解剖上分布范围广，曲折延长，管壁弹性等原因，CD病灶的自动分割是限制影像特征数据库建立的主要因素，我们基于人工标记数据开发了能自动识别肠道病灶及周围肠系膜脂肪的算法，有利于减少肠道病变的数据库建立的运算量、提高效率。(2) 基于磁共振功能成像及影像组学评价CD狭窄病灶的纤维化情况，包括扩散加权成像（DWI）、IVIM成像及磁化传递成像等，其中基于CT的影像组学模型在鉴别CD中重度纤维化影像组学模型比具有更好的效果。（3）基于224名CD患者治疗前的基线CT资料，我们利用影像组学的方法，开发并多中心验证了基于影像及临床的列线图模型，该模型可预测生物制剂英夫利昔单抗治疗CD无应答风险，在训练队列和两个独立测试队列的曲线下面积 (AUC) 分别测为 0.891、0.841 和 0.804。上述成果极大地推动了人工智能技术在炎症性肠病诊疗中的应用，为后续肠道炎症病变的影像学研究提供参考。