炎症性腸病(IBD)是一種慢性複發性的腸道炎症，主要包括潰瘍性結腸炎(UC)和克羅恩病(CD)。CD和UC之間的臨床、組織病理學和放射學特征的重疊給鑒別診斷帶來困難，甚至可能在疾病的早期過程中造成分類錯誤。盡管組織活檢中的非化膿性肉芽腫是區分CD和UC的特異性特征，但病理結果陽性的概率確實相對較低。跨膜潰瘍是CD的一個獨特特征，而其在內鏡或放射學圖像上的確認卻十分困難。在CD中，伴隨著肥大的腸係膜脂肪沿著發炎的腸道環繞可能是鑒別診斷的重要生物標誌物。

基於CD獨特的 "蠕動脂肪 "跡象，多項研究量化了內髒脂肪含量，並分析了CD和UC人群之間的差異。CD患者的內髒脂肪組織(VAT)絕對含量比UC患者低。VAT的定量參數包括麵積或相關的衍生指數，可作為CD診斷和預後的生物標誌物。在CD人群中，由於營養不良和區域性腸道炎症的蠕動脂肪而導致的整體VAT含量減少的量化，對於劃分CD纖維化的程度和與UC患者的差異意義重大。然而，VAT的形態和功能差異，包括CD中更多的炎症和更小的脂肪細胞不能僅僅通過VAT含量的量化來劃分。

放射組學已經成為一種潛在的工具，通過提取醫療圖像中加密的高通量特征來發現組織病理生理學的信息。卷積神經網絡通過使用卷積核來識別圖像中的大量特征，然後根據訓練數據上給出的標簽對圖像進行分類從而進行圖像解釋。由放射組學或CNN提取的基於圖像的特征提供強度、大小、形狀紋理或體積的差異信息，這與CD和UC人群的炎症和增值稅質量的差異有關。以前的研究表明，由CT腸道成像(CTE)建立的放射組學模型可以準確地描述CD的腸道纖維化特征。根據相鄰像素的灰度等級得出的放射組學特征有很大潛力反映全腹VAT中CTE衰減的具體特征。目前，基於腸道病變特征的放射組學提名圖已被用於區分IBD亞型，而沒有研究評估基於容積VAT的放射組學表型和三維卷積神經網絡工作(3D-CNN)分析對成人CD和UC特征的準確性。

近日，發表在European Radiology雜誌的一項研究開發了一項基於VAT的放射組學和三維神經網絡模型，並量化了這些模型在區分CD和UC方麵的表現，同時比較了放射組學模型與三維神經網絡模型在調整或不調整VAT相關臨床協變量時的表現，為臨床無創、早期、準確的進行CD和UC的鑒別診斷提供了技術支持。

本項回顧性研究納入了316名確診為CD和UC的患者(平均年齡，36.25±13.58[標準差];219名男性)，每位患者均在2012年-2021年期間接受了CT腸道成像。在動脈期圖像上半自動地分割了容積VAT。使用主成分分析(PCA)和最小絕對收縮和選擇算子(LASSO)邏輯回歸算法進行放射組學分析，並利用訓練隊列中的增值稅成像數據建立了一個3D-CNN模型。影響VAT的臨床協變量包括年齡、性別、修改後的體重指數和疾病持續時間被添加到機器學習模型中進行調整。

采用LASSO的體積VAT 放射組學分析的AUC值最高，為0.717(95%CI，0.614-0.820)，不過3D-CNN模型(AUC=0.693;95%CI，0.587-0.798)和采用PCA的放射組學分析(AUC=0.662;95%CI，0.548-0.776)與LASSO之間的診斷性能差異不具有統計學意義(所有P>0.05)。在測試隊列中，UC的放射學評分高於CD(平均值±SD，UC為0.29±1.05，而CD為-0.60±1.25;P<0.001)。調整了臨床協變量的LASSO模型的AUC達到0.775(95%CI，0.683-0.868)。

本項研究表明，基於內髒脂肪組織的深度學習和放射組學特征在區分克羅恩病和潰瘍性結腸炎方麵取得了較為一致的準確性。利用內髒脂肪組織CT成像信息所建立的模型為解釋炎症性腸病提供了具有參考價值的生物標誌物。

原文出處：

Ziling Zhou,Ziman Xiong,Ran Cheng,et al.Volumetric visceral fat machine learning phenotype on CT for differential diagnosis of inflammatory bowel disease.DOI:10.1007/s00330-022-09171-x