基于肠道超声图像深度学习的克罗恩病黏膜愈合预测模型开发

本研究针对克罗恩病(CD)治疗响应预测的临床难题，开发了基于基线肠道超声(IUS)图像和临床信息的深度学习模型。通过分析1548张IUS图像，构建的卷积神经网络(CNN)模型预测1年标准化治疗后黏膜愈合的AUC达0.73，特异性69.5%，阳性预测值80.0%。热图显示模型主要关注肠壁、浆膜面及周围肠系膜特征，为个体化治疗决策提供了新型影像学工具。

　　

克罗恩病(CD)作为一种慢性炎症性肠病(IBD)，其治疗领域近十年虽涌现出多种生物制剂，但患者对药物的响应存在显著个体差异。这种"治疗彩票"现象导致临床面临双重困境：一方面高价生物制剂可能无效，另一方面延误治疗可能造成不可逆肠损伤。目前基于临床症状、CRP等传统指标或基因多态性的预测模型均未能实现临床转化，而黏膜愈合(MH)作为金标准的治疗终点，往往需要侵入性内镜反复评估。

中国医学科学院北京协和医院超声医学科联合清华大学电子工程系的研究团队，创新性地将肠道超声(IUS)这一ECCO-ESGAR指南推荐的一线影像工具与深度学习技术结合。研究收集190例CD患者1548张基线IUS图像，开发出融合挤压激励模块(SE)和动态仿射特征图变换的CNN模型，在测试队列中实现AUC 0.73的预测性能，相关成果发表于《Insights into Imaging》。

研究采用三大关键技术：1) 基于EFSUMB指南的高分辨率IUS图像采集，由>10年经验放射科医师使用Philips iU22等设备获取病变肠段纵向图像；2) 多模态数据融合策略，将ResNet50提取的图像特征与年龄、CDAI等28项临床参数通过动态仿射变换耦合；3) 五折交叉验证与Grad-CAM可解释性分析，通过热图可视化模型关注的肠壁分层、肠系膜等关键区域。

患者与研究方法
纳入190例经ECCO指南确诊的CD患者，排除手术干预病例。采用前瞻性随访设计，以治疗52周后SES-CD=0为黏膜愈合金标准，由双盲胃肠病学家进行终点判定。基线IUS图像经专业标注后分为训练集(1010图/120例)和测试集(538图/70例)。

模型开发
相比单纯IUS图像的基线模型(AUC 0.66)，融合临床数据的SE-CNN显著提升性能。测试队列中：

• 灵敏度68.1%(95%CI 60.5-77.4%)
• 阳性预测值80.0%(74.5-84.9%)
• 显著优于传统IBUS-SAS评分(AUC 0.67)

患者层面预测
当所有肠段预测为愈合时，模型特异性达88.8%，但灵敏度降至37.7%，反映多节段评估的复杂性。

可视化分析
Grad-CAM热图证实模型主要依据：

1. 病变肠壁分层结构
2. 浆膜面完整性
3. 周围肠系膜脂肪改变

该研究首次证实IUS图像蕴含可被深度学习挖掘的治疗响应特征。其临床价值体现在：1) 无创预测避免反复内镜；2) 80%的阳性预测值可支持生物制剂使用决策；3) 动态监测潜力。局限性包括单中心数据和手术病例排除可能引入偏倚。未来需通过多中心验证提升模型泛化能力，并探索与血清标志物的联合预测策略。

这项研究为CD精准医疗开辟了新路径，证明常规超声检查中"隐藏"的影像特征可通过AI转化为临床决策支持工具。随着远程医疗发展，此类模型有望赋能基层医院实现治疗响应动态监控，最终改善CD长期预后。