Artificial intelligence-assisted approach to assessing bowel wall thickness in pediatric inflammatory bowel disease using intestinal ultrasound images
Notice bibliographique
Résumé
BACKGROUND AND AIM: Intestinal ultrasound (IUS) potentially spares patients from repeated endoscopies under sedation and eliminates the need for alternative imaging modalities like magnetic resonance enterography and computed tomography enterography scans. However, interpreting IUS images is challenging for physicians due to the time-intensive process of identifying markers indicative of inflammatory bowel disease (IBD). This study aims for fully automating the analysis of pediatric IBD to distinguish between abnormal and normal cases. METHODS: We used data set of 260 pediatric patients, consisting of 4565 IUS images with 1478 abnormal and 3087 normal cases. Meticulous annotation of the region between the lumen/mucosa and the muscularis/serosa interfaces in a subset of 612 images were performed. An artificial intelligence (AI) algorithm was trained to delineate the region between these interfaces. The boundaries of these regions were extracted, and the average bowel wall thickness (BWT) was calculated and analyzed using cutoff values ranging between 1.5 and 3 mm. RESULTS: This study showed promising segmentation performance in accurately identifying the lumen/mucosa and muscularis/serosa interfaces. In a separate test set of 3953 images, the classification performance at the 2mm BWT cutoff showed the highest sensitivity of 90.29% and a specificity of 93.70%. The AI method showed strong agreement, with an interclass correlation of 0.942 (95% CI: 0.938-0.946), compared to manual clinical measurements. CONCLUSIONS: This study demonstrates an AI approach to automate the analysis of pediatric IBD IUS images, providing a reliable tool for early detection, precise characterization, and monitoring of the disease.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».