文献速递：人工智能和机器学习在炎症性肠病中的应用

人工智能和机器学习在炎症性肠病中的应用

A Systematic Review of Artificial Intelligence and Machine Learning Applications to Inflammatory Bowel Disease, with Practical Guidelines for Interpretation

Inflammatory bowel diseases

PMID: 35699597  [IF=5.33]

炎症性肠病 (IBD) 是一组慢性疾病的总称，其中有两个主要的亚型: 克罗恩病 (CD) 和溃疡性结肠炎 (UC)。到2017年，全球IBD的发病率增加到每10万人中有84.3人，随之而来的是对患者和卫生服务的更大负担。由于有许多因素导致其病因，IBD的病程是高度可变的。患者可以经历轻微的疾病，也可以是严重的、难治的疾病，需要许多干预措施。患者的病程在诊断时往往是不明确的。机器学习 (ML) 等计算方法有可能对IBD患者进行分层，以提供个性化的护理。本研究调查了ML方法在IBD的使用情况，另外还关注了该领域随着时间的推移发生的变化。

2021年5月6日，通过检索MEDLINE和Embase数据库进行了系统性综述，检索策略为("machine learning" OR "artificial intelligence") AND ("Crohn* Disease" OR "Ulcerative Colitis" OR "Inflammatory Bowel Disease")。排除标准包括不是用英语写的研究、在2001年以前发表的研究、没有使用真实的人类患者数据的研究、没有经过同行评审的研究以及非原创性研究。

图1：研究流程图

图源：参考文献 [1]

有78份 (共409份) 文献符合纳入标准，大多数使用有监督的ML，4篇文章采用无监督的方法，5篇同时使用有监督和无监督的ML。随机森林方法最普遍，神经网络也有增加，主要应用于成像数据集。ML在临床任务中的主要应用是诊断 (18/78)、疾病过程 (22/78) 和疾病严重程度 (16/78)。诊断分类任务涉及区分IBD患者 (或一个亚型) 和对照组。对疾病过程的研究检查了复发、缓解和手术的ML分类器。疾病严重性研究试图预测患者的IBD活动或那些可能出现的并发症。样本量的中位数是263 (范围为12-7 400 000)。临床和微生物组相关的数据集最受欢迎。5%的研究在训练和测试后使用外部数据集进行额外的模型验证。

图2：每组机器学习方法使用的样本量。

BN，贝叶斯网络；DT，决策树；NN，神经网络；RF，随机森林；SVM，支持向量机。

图源：参考文献 [1]

图3：机器学习方法和与之结合使用的分类任务的蓬勃发展。

图源：参考文献 [1]

纵向和深度表型数据的可用性可以带来更好的建模。考虑不平衡数据的机器学习管道和只在训练数据上进行特征选择的机器学习管道将产生更多的可归纳模型。机器学习模型越来越多地被应用于特定表型的更复杂的临床任务，表明IBD的个性化医疗取得进展。

来源：IBD Daily