作者：泰州学院-信息工程学院  蔡程飞

炎症性肠病（inflammatory bowel disease, IBD）主要包括溃疡性结肠炎（UC）和克罗恩病（CD），具有病程迁延、反复发作、表现异质性强等特点。临床诊断通常依赖症状、实验室指标、内镜、影像学和病理学的综合判断，但在实际工作中仍存在三类突出问题：首先是早期病变形态细微，容易与感染性肠炎、缺血性肠炎或药物相关肠炎混淆；其次是内镜和病理评分依赖医生经验，观察者间一致性不足；最后是诊断、活动度评估、疗效预测和随访管理之间缺乏统一的数据融合框架。

近年来，人工智能（Artificial Intelligence，AI）正在从单一图像识别工具，逐步发展为连接内镜、病理、影像、组学和临床文本的辅助诊断平台。2026年 Nature Reviews Gastroenterology & Hepatology 文章明确指出，AI在IBD中的应用已覆盖诊断、监测、结局预测和肿瘤监测，并正在向多模态融合、肠屏障评估、可穿戴远程监测和大语言模型方向发展，并有望支撑数据驱动的精准医学体系。 这意味着AI的作用不再局限于“识别病变”，而是正在向“标准化诊断、量化评估、疗效预测和长期管理”延伸。如图1所示，显示了当前AI辅助IBD诊断的流程以及临床需求分析。

图1  AI辅助IBD诊断的流程以及临床需求分析

传统IBD诊断并不是简单的“有或无”判断，而是需要识别隐窝结构改变、基底浆细胞增多、黏膜慢性炎症、肉芽肿、活动性中性粒细胞浸润等多层次病理特征。对于年轻病理医生或非专科医院而言，这些特征的判读难度较大。

深度学习模型可在全切片图像中自动定位可疑区域，提取细胞、腺体、间质和炎症分布特征，从而辅助区分正常肠黏膜、UC和CD。团队在2025年发表的IBDAIM研究显示（如图2（Ⅰ）），设计的模型用于肠道活检病理图像分析时，在“正常黏膜与IBD”任务中外部测试AUROC达0.967、准确率达0.934；在“CD与UC”任务中外部测试AUROC达0.952、准确率达0.949，并且AI辅助可提升病理医生诊断表现。2026年 Nature Reviews Gastroenterology & Hepatology 文章也将IBDAIM列为IBD病理AI辅助诊断的代表性工作，强调其可支持病理医生识别正常肠黏膜、CD和UC。

图2  本团队的AI在IBD辅助诊断相关研究工作

IBD治疗已进入“达标治疗”时代，单纯症状缓解已不足以代表疾病控制，黏膜愈合、组织学愈合、透壁愈合和屏障愈合逐渐成为更重要的目标。

AI可自动分析内镜视频、虚拟染色内镜图像和病理全切片，对炎症范围、血管纹理、糜烂溃疡、中性粒细胞浸润和杯状细胞改变进行量化。研究表明，深度学习算法在预测UC内镜缓解方面的敏感性和特异性可超过90%，AI增强虚拟染色内镜还能预测组织学缓解；在数字病理中，AI可识别和量化多类细胞成分，用于疾病严重程度评估。 这意味着AI不仅能“看见病变”，还能够把医生主观描述转化为连续、可比较、可追踪的数值指标。

我们团队开展了UC的炎症性活动等级进行分级研究，提出基于多实例学习和自注意力机制的UC组织学炎症活动度自动分级方法（如图2（Ⅱ））。该模型基于英国和中国IBD活检报告相关指南建立四级组织学活动度体系，可区分无活动、轻度活动、中度活动和重度活动，并通过注意力热图定位关键诊断区域。具体来说，模型对于“有无炎症活动”的二分类任务，在内部测试集中AUC为0.863，在外部测试集中AUC达到0.947；对于不同炎症活动等级识别，外部测试集Macro-AUC达到0.908，Micro-AUC达到0.898。更重要的是，该算法的诊断水平达到约5年经验病理医生水平。

IBD的临床难点不只是诊断，更是预测“谁会复发、谁会进展、谁需要更早强化治疗”。 

AI辅助内镜和组织学评估已经用于预测UC患者复发、住院、手术和治疗调整风险；多模态模型还可整合内镜、组织学、实验室指标、影像、遗传、微生物组和患者报告结局，形成更个体化的风险预测。 可穿戴设备和智能手机粪便图像分析进一步拓展了院外监测场景。研究显示，基于可穿戴设备采集的生理数据可用于识别和预测IBD，为连续监测提供了新路径。

此外，由于CD患者对生物制剂疗效存在明显异质性，若能在治疗前预测患者是否可能对某种药物应答，将有助于减少无效治疗、降低经济负担并避免疾病进展。因此，我们团队在CD乌司奴单抗（ustekinumab, UST）疗效预测方面开展了探索，提出了基于治疗前肠道活检病理图像的聚类增强弱监督学习框架（如图2（Ⅲ））。模型使用治疗前病理图像预测UST治疗反应，在独立测试集中，WSI级模型AUC达到0.938，敏感性为0.951，特异性为0.825，显示出良好的预测性能和潜在临床可用性，从而推动IBD从“诊断辅助”走向“疗效预测”和“个体化治疗”。

IBD本质上是临床、内镜、影像、病理和分子信息共同定义的疾病，单一模态往往不足以完成精准分型。研究提出的“endo-histo-omics”概念，正是将内镜图像、组织学图像和分子组学信息进行融合，以建立患者特异性疾病画像。 

这种模式对于临床具有重要意义，内镜反映黏膜表面病变，病理揭示组织和细胞水平改变，影像学补充肠壁和肠外信息，组学则提示疾病机制和药物反应。AI能够在这些异构数据之间建立关联，从而辅助判断患者属于炎症主导、纤维化主导、复发高风险或药物应答可能性较高的亚型。针对IBD多源异构信息的融合研究（如图3所示），我们团队正在开展相关工作。

图3、IBD多源异构信息的融合研究流程

大量IBD关键信息存在于门诊病历、内镜报告、病理报告和出院记录中，传统数据库难以直接利用。LLM可从非结构化文本中抽取腹痛、腹泻、便血、药物不良反应和随访结局等信息。

研究显示，大语言模型在提取IBD患者报告结局方面优于传统自然语言处理方法。LLM可用于电子健康记录信息抽取、指南辅助决策、患者教育和医生培训，但也存在幻觉、偏倚、隐私和责任边界问题。 因此，我们团队目前也正在致力于该方向研究（如图4所示），构建可解释的诊断与文本报告诠释闭环研究，辅助专科医生的最终判断。

图4、团队探索可解释的诊断与文本报告诠释闭环研究框架