基于MRI深度迁移学习早期预测克罗恩病肠腔纤维性狭窄的研究

Fibrotic strictures are one of the common and serious complications of Crohn’s disease(CD). Their occurrence and development are obviously heterogeneous in CD patients. The early treatment of biological agents and immunotherapy can reverse or prevent the further development of strictures. How to early predict the occurrence of strictures and screen the high-risk patients who are prone to the fibrotic strictures in advance and give them early drug treatment actively to improve the prognosis is a difficult problem. The imaging parameters of multiparameter MRI sequences are closely related to the fibrosis of the intestinal wall, which was confirmed in our preliminary research. This project intends to build the deep convolutional neural networks(CNNs) with deep learning and transfer leaning to extract and select the key imaging features, which is highly associated with fibrotic strictures, from multiple parameter MRI data. The project will integrate clinical variables to build the early predictive model, and validate and optimize it. The results of this project will provide an adjunct tool for clinicians to early screen high-risk patients with fibrotic strictures, which will aid in clinical decision-making, thus to achieve the aim of individualized, early and precise treatment, and improve the prognosis and life quality of patients.

肠腔纤维性狭窄是克罗恩病（Crohn’s disease, CD）常见及严重的并发症之一，其发生、发展在CD患者中有明显的不均质性。早期予以生物制剂和免疫抑制剂治疗可逆转和阻止肠腔纤维性狭窄的进一步发展。如何早期预测肠腔纤维性狭窄的发生，提前筛选出易发生纤维性狭窄的高危患者，早期予以积极药物治疗，改善患者预后，是临床面临的难题。本项目前期研究证实，多参数MRI序列成像参数与肠壁纤维化关系密切。本项目拟利用迁移学习构建深度卷积神经网络(CNNs)，通过计算机深度学习技术，从多参数MRI数据集中挖掘和筛选与预测肠腔纤维性狭窄高度相关的影像特征，并进一步结合临床数据，构建并验证、优化早期预测模型。本项目研究的结果，将为临床医师早期筛选出高危纤维化CD患者肠腔纤维性狭窄提供辅助工具，指导临床决策，实现对CD患者的个体化、早期、精准治疗，改善患者预后和生活质量。

肠腔纤维性狭窄是克罗恩病(Crohn’ s disease, CD) 常见及严重的并发症之一，严重影响患者的预后和生活质量。早期予以生物制剂和免疫抑制剂治疗可逆转和阻止肠腔纤维性狭窄的进一步发展。如何早期预测肠腔纤维性狭窄的发生，提前筛选出易发生纤维性狭窄的高危患者，早期予以积极药物治疗，改善患者预后，是临床面临的难题。本项目建立临床数据库及多参数MRI/CT影像数据库，构建多层卷积神经网络（CNNs），通过深度学习技术建立预测模型，并经临床验证预测模型的准确性。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（MTI）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功能成像具有更好的效果。（3）建立影像医师诊断模型、影像组学分类模型和深度学习分类模型。影像医师诊断模型区分CD患者肠壁纤维化为无-轻度和中-重度的AUC、准确度、灵敏度和特异度为34.4%至86.7%；影像组学分类模型的训练组和验证组AUC、准确度、灵敏度和特异度分别为0.888、85.7%、81.5%和93.9%，以及0.816、78.7%、93.9%和60.7%。深度学习分类模型的AUC、准确度、灵敏度和特异度为57.9%至72.1%。DeLong检验示影像组学分类模型诊断效能明显优于影像医师和深度学习分类模型。上述成果极大地推动了人工智能技术在CD肠壁纤维化严重程度评估中的应用，为后续CD肠管纤维性狭窄预测的影像学研究提供参考。