人工智能在IBD癌变风险分层中的应用

人工智能在IBD癌变风险分层中的应用演讲人CONTENTS人工智能在IBD癌变风险分层中的应用IBD癌变风险分层的临床意义与核心挑战人工智能：破解IBD癌变风险分层困境的技术逻辑人工智能在IBD癌变风险分层中的具体应用场景现存挑战与未来发展方向参考文献目录01人工智能在IBD癌变风险分层中的应用人工智能在IBD癌变风险分层中的应用引言：IBD癌变风险分层的临床迫切性与AI的破局价值作为一名深耕炎症性肠病（IBD）临床与科研十余年的工作者，我亲历了太多因癌变发现较晚而错失最佳治疗时机的患者案例。记得有位年轻溃疡性结肠炎（UC）患者，病程10年，规律随访但内镜复查间隔长达18个月，最终确诊为结肠癌伴肝转移，令人扼腕。这一案例深刻揭示了IBD癌变风险分层的核心矛盾：疾病进展的隐匿性与传统分层方法的局限性之间的张力。IBD包括克罗恩病（CD）和UC，患者发生结直肠癌（CRC）的风险较普通人群显著升高——UC病程10年、20年、30年的癌变风险分别为2%、8%、18%，CD患者合并结肠受累时风险类似（1-2）。早期识别高危人群并强化监测，是降低IBD相关CRC死亡率的关键，而人工智能（AI）技术的崛起，为这一临床难题提供了革命性的解决方案。人工智能在IBD癌变风险分层中的应用本文将从IBD癌变风险分层的临床意义出发，系统剖析传统方法的瓶颈，深入探讨AI在风险分层中的技术逻辑、应用场景、现存挑战与未来方向，旨在为临床工作者提供兼具理论深度与实践指导的参考，最终实现“精准识别-动态监测-早期干预”的闭环管理。02IBD癌变风险分层的临床意义与核心挑战1IBD相关CRC的流行病学特征与疾病负担IBD相关CRC是一种炎症驱动的恶性肿瘤，其发生机制涉及“慢性炎症-上皮内瘤变-癌变”的连续过程。与散发性CRC不同，IBD-CRC具有年轻化倾向（诊断年龄较散发性CRC早10-15年）、多中心起源（可能同时存在多个癌前病变）及快速进展性（从低级别上皮内瘤变（LGD）发展到高级别上皮内瘤变（HGD）或癌仅需数月）三大特征（3）。根据全球流行病学数据，IBD患者的一生累积癌变风险可达10%-20%，其中病程超过20年、全结肠受累（pancolitis）的UC患者风险高达30%（4）。这种风险并非静态：疾病活动度、治疗方案、合并并发症等因素均会动态影响风险水平，例如合并原发性硬化性胆管炎（PSC）的UC患者，癌变风险较普通UC患者增加5-10倍（5）。1IBD相关CRC的流行病学特征与疾病负担从临床经济学角度看，IBD-C瘤的早期诊断成本显著低于晚期治疗。研究显示，早期IBD-C瘤（局限于黏膜层）的5年生存率超过90%，而晚期（伴有转移）则不足20%（6）。因此，构建精准的风险分层模型，不仅是改善患者预后的医学需求，更是优化医疗资源配置的重要途径。2IBD癌变风险分层的核心目标与临床路径风险分层的本质是基于多维风险因素的概率预测，其核心目标包括：-识别高危人群：筛选出需要强化监测（如缩短内镜复查间隔、增加靶向活检）的患者；-动态调整风险：根据疾病活动、治疗反应等因素实时更新风险等级，实现“个体化监测方案”；-早期预警癌变：在出现临床症状前捕捉癌前病变信号，为内镜下切除或手术干预争取时间。当前国际通用的临床路径仍以“指南驱动”为主：例如美国胃肠病学会（ACG）指南推荐，对于病程8-10年的全结肠炎或左半结肠炎患者，应每1-2年行1次全结肠镜检查，伴有PSC者需每年监测（7）。但这一“一刀切”模式的局限性日益凸显：低风险患者接受过度监测（增加医疗负担与肠道准备风险），高风险患者因监测间隔不当仍漏诊（8）。3传统风险分层方法的瓶颈与“数据困境”传统风险分层依赖临床变量（病程、病变范围）、实验室指标（CRP、ESR、粪便钙卫蛋白）、内镜下表现（黏膜糜烂、息肉形成）及病理特征（异型增生类型），但存在三大核心瓶颈：3传统风险分层方法的瓶颈与“数据困境”3.1风险因素的“非线性叠加”难以量化IBD癌变是多因素协同作用的结果，例如“长期未控制的炎症活动+特定基因突变+环境暴露”的组合，其风险并非简单相加而是“指数级增长”。传统统计模型（如逻辑回归）难以捕捉这种非线性关系，导致对复合风险因素的预测效能不足（9）。3传统风险分层方法的瓶颈与“数据困境”3.2动态变化数据的“时间维度”缺失IBD是一种慢性进展性疾病，风险因素随时间动态演变（如炎症从直肠炎进展至全结肠炎，生物制剂治疗后炎症缓解）。传统方法多依赖“横断面数据”，无法整合病程中的纵向变化，导致对“风险轨迹”的预测偏差（10）。3传统风险分层方法的瓶颈与“数据困境”3.3影像与病理数据的“主观解读”偏差内镜下早期异型增生（如LGD）的肉眼识别准确率仅40%-60%，依赖医师经验；病理诊断中，不同病理医师对“异型增生”的判读一致性（Kappa值）仅0.4-0.6，存在显著主观差异（11）。这种“人为主观性”直接影响了风险分层的可靠性。03人工智能：破解IBD癌变风险分层困境的技术逻辑1AI技术的核心优势：从“经验驱动”到“数据驱动”人工智能，特别是机器学习（ML）与深度学习（DL）技术，通过模拟人脑的学习模式，能够从海量数据中自动提取复杂特征、识别非线性关系，其核心优势恰好对应传统方法的瓶颈：-非线性建模能力：通过神经网络等复杂模型，捕捉多因素间的交互作用（如炎症指标与基因突变的协同效应）；-时序数据处理：循环神经网络（RNN）、长短期记忆网络（LSTM）等模型可整合患者历次内镜、实验室数据，构建“风险时间轴”；-客观特征提取：计算机视觉（CV）算法可对内镜/病理图像进行像素级分析，减少主观解读偏差。32142AI在IBD风险分层中的技术栈与数据基础2.1数据类型：多模态数据的融合与标准化0504020301AI模型的性能高度依赖数据质量与多样性。IBD癌变风险分层的核心数据源包括：-结构化临床数据：人口学信息（年龄、性别）、疾病特征（类型、病程、病变范围）、治疗史（药物使用、手术史）、实验室指标（CRP、ESR、粪便钙卫蛋白）；-非结构化文本数据：电子病历（EMR）中的病程记录、病理报告（需通过自然语言处理NLP提取关键信息，如“异型增生分级”“黏膜炎症程度”）；-医学影像数据：结肠镜视频/图像（黏膜形态、血管纹理）、病理切片（细胞形态、组织结构）、影像学检查（CT/MRI评估肠道并发症）；-组学数据：基因组（如GWAS发现的IBD易感基因rs11676332）、蛋白组（炎症因子水平）、代谢组（肠道菌群代谢产物）。2AI在IBD风险分层中的技术栈与数据基础2.2算法模型：从传统机器学习到深度学习-传统机器学习：包括随机森林（RF）、支持向量机（SVM）、梯度提升树（XGBoost）等，适用于处理结构化数据（如临床指标、实验室结果）。例如，有研究纳入10年以上的UC患者，通过XGBoost整合“病程+病变范围+CRP+PSC状态”6项指标，构建风险预测模型，AUC达0.82（12）。-深度学习：-计算机视觉（CV）：卷积神经网络（CNN，如ResNet、EfficientNet）用于内镜/病理图像分析，可自动识别“隐匿性异型增生”（如黏膜微结构改变——MSD）；-自然语言处理（NLP）：Transformer模型（如BERT）用于病理报告的语义理解，提取“异型增生范围”“浸润深度”等关键信息；2AI在IBD风险分层中的技术栈与数据基础2.2算法模型：从传统机器学习到深度学习-时序模型：LSTM、Transformer时序模型用于纵向数据预测，例如基于患者5年内粪便钙卫蛋白的动态变化曲线，预测未来3年癌变风险（13）。3AI模型构建的核心流程：从数据到临床决策AI模型的构建需遵循“数据-算法-验证-临床转化”的闭环流程：1.数据采集与预处理：多中心回顾性收集IBD患者数据，进行去标识化处理，统一数据标准（如内镜图像采用Paris分型标注，病理报告采用WHO2019分类标准）；2.特征工程与模型训练：根据数据类型选择算法，CV模型需进行图像增强（旋转、裁剪）以提升泛化能力，NLP模型需进行实体识别（如“LGD”“HGD”）与关系抽取；3.模型验证与优化：采用“训练集-验证集-测试集”三折划分，通过交叉验证避免过拟合，关键指标包括AUC（区分度）、准确率（Accuracy）、召回率（Recall，避免漏诊高危患者）；3AI模型构建的核心流程：从数据到临床决策4.临床整合与迭代：将模型嵌入电子病历系统，输出“风险等级”（低/中/高危）及“干预建议”（如“建议6个月后复查肠镜”），根据临床反馈持续优化模型。04人工智能在IBD癌变风险分层中的具体应用场景1内镜图像智能分析：捕捉肉眼难辨的癌前病变内镜监测是IBD癌变筛查的核心手段，但传统白光内镜（WLE）对早期异型增生的检出率有限。AI通过计算机视觉技术，可从内镜图像中提取“微观特征”，显著提升诊断效能。1内镜图像智能分析：捕捉肉眼难辨的癌前病变1.1早期异型增生的自动识别传统内镜下，异型增生多表现为“黏膜发红、颗粒样变、糜烂”，但这些表现与炎症难以区分。AI模型可关注“微结构改变”（如腺管形态、血管纹理）——例如，LGD的腺管排列轻度紊乱，HGD则出现腺管密集、形态不规则。研究显示，基于CNN的模型（如InceptionV3）对内镜下LGD的识别准确率达85%，较经验丰富的内镜医师高15%（14）。1内镜图像智能分析：捕捉肉眼难辨的癌前病变1.2染色内镜与放大内镜的辅助诊断对于疑难病例，结合亚甲蓝染色或放大内镜（ME）可进一步明确病变性质。AI可通过“多模态融合”分析染色后的黏膜着色模式（如“隐窝结构异常着色”）和ME下的隐窝形态（如“隐窝分支、大小不一”）。一项纳入312例IBD患者的前瞻性研究显示，AI辅助放大内镜诊断异型增化的敏感性达92%，特异性88%，较单纯ME提升20%（15）。1内镜图像智能分析：捕捉肉眼难辨的癌前病变1.3实时内镜下风险分层在监测过程中，AI可实现“边查边报”，实时提示病变风险等级。例如，当AI识别出可疑异型增生时，系统自动弹出警报，并标注“建议靶向活检”。这种“AI+内镜”的模式将传统“事后诊断”变为“术中预警”，显著缩短了从发现到干预的时间。2病理图像智能判读：标准化诊断与风险量化病理诊断是异型增生的“金标准”，但传统判读存在主观性强、耗时长的问题。AI通过数字病理技术，可对全切片图像（WSI）进行高分辨率分析，实现“客观化、标准化”诊断。2病理图像智能判读：标准化诊断与风险量化2.1异型增生分级与分型的自动化病理医师需根据“细胞异型性（核大小、染色质形态）、腺体结构（分支、背靠背）、浸润深度”综合判断异型增生分级。AI模型（如U-Net）可自动勾画腺体区域，量化“核浆比”“腺体密度”等特征，输出“LGD”“HGD”或“不确定”的诊断。一项多中心研究显示，AI与病理诊断的一致性（Kappa=0.79）显著高于不同病理医师间的一致性（Kappa=0.56）（16）。2病理图像智能判读：标准化诊断与风险量化2.2隐匿性异型增生的检出常规病理切片中，微小异型增生（直径<5mm）易因切片取材遗漏而被忽略。AI通过“全切片扫描+逐帧分析”，可识别出传统显微镜下难以察觉的“灶性异型增生”。例如，有研究对100例IBD患者的病理切片进行AI扫描，额外检出12例被遗漏的LGD，将诊断率提升12%（17）。2病理图像智能判读：标准化诊断与风险量化2.3病理报告的结构化输出传统病理报告多为“文本描述”，AI可通过NLP技术将非结构化文本转化为结构化数据（如“异型增生范围：直肠至乙状结肠；分级：LGD；分子标志物：p53阳性”），便于后续构建多模态风险模型。3多模态数据融合模型：构建个体化风险预测体系单一数据源（如内镜或病理）难以全面反映IBD患者的癌变风险，AI通过“多模态融合”，可整合临床、影像、病理、组学等多维度数据，构建更精准的预测模型。3多模态数据融合模型：构建个体化风险预测体系3.1临床-内镜-病理三模态融合模型这是目前研究最成熟的方向。例如，一项纳入1500例UC患者的研究，融合“临床变量（病程、PSC状态）+内镜特征（病变范围、黏膜愈合情况）+病理结果（异型增生分级）”，构建的随机森林模型预测5年癌变风险的AUC达0.89，显著高于单一模态模型（临床数据AUC=0.72，内镜AUC=0.76，病理AUC=0.81）（18）。3多模态数据融合模型：构建个体化风险预测体系3.2组学数据的整合应用随着基因测序成本的降低，组学数据逐渐进入风险分层模型。例如，IBD患者常见的单核苷酸多态性（SNP）如rs11676332（与UC癌变风险相关）、rs1053023（与DNA修复能力相关），可结合炎症指标（粪便钙卫蛋白）构建“遗传-炎症”联合模型。研究显示，该模型对高危患者的识别率较传统模型提升30%（19）。3多模态数据融合模型：构建个体化风险预测体系3.3真实世界数据的动态预测真实世界数据（RWD）包括电子病历、医保数据、患者自报数据等，具有“动态性、大样本”特点。AI可通过“迁移学习”（将在大型数据集上预训练的模型迁移到IBD数据集）处理RWD中的噪声数据，实现“个体化风险轨迹预测”。例如，基于患者10年内的“炎症发作次数-药物调整-内镜复查”数据，LSTM模型可预测其未来5年的癌变概率，误差率<15%（20）。4动态风险监测与预警：从“静态分层”到“动态管理”IBD患者的癌变风险并非一成不变，AI通过“纵向数据建模”，可实现风险的实时更新与预警。4动态风险监测与预警：从“静态分层”到“动态管理”4.1治疗响应相关的风险调整生物制剂（如抗TNF-α）和小分子药物（如JAK抑制剂）可显著降低IBD患者的炎症水平，从而降低癌变风险。AI可通过分析“治疗后的内镜下黏膜愈合情况（Mayo评分≤1分）、粪便钙卫蛋白水平<150μg/g”等指标，动态调整风险等级。例如，一项研究显示，达到黏膜愈合的UC患者，其5年癌变风险从“高危（8%）”降至“低危（1%）”，AI模型可根据这一变化将监测间隔从1年延长至3年（21）。4动态风险监测与预警：从“静态分层”到“动态管理”4.2风险预警与早期干预建议AI模型可输出“风险概率”与“置信区间”，当预测风险超过阈值（如5年风险>5%）时，系统自动触发预警，并向临床医师推送“强化监测建议”（如“3个月内复查肠镜+靶向活检”）。这种“预警-干预”闭环，可显著降低高危患者的漏诊率。05现存挑战与未来发展方向1数据层面的挑战：质量、隐私与标准化1.1数据质量与“偏见-方差困境”AI模型的性能高度依赖数据质量，但临床数据常存在“标注偏差”（如异型增生的病理诊断标准不统一）、“样本不平衡”（高危患者数量远少于低危患者）等问题。例如，某训练集中高危患者占比仅5%，模型易出现“多数类偏好”（将所有患者预测为低危），导致召回率低下。解决方法包括“数据增强”（如生成合成少数类样本）、“多中心数据融合”（扩大样本多样性）。1数据层面的挑战：质量、隐私与标准化1.2数据隐私与安全IBD数据包含患者敏感信息（如基因数据、病史），需符合《通用数据保护条例》（GDPR）、《健康保险携带和责任法案》（HIPAA）等法规。联邦学习（FederatedLearning）技术可在不共享原始数据的情况下训练模型（各中心数据本地存储，仅交换模型参数），为多中心AI协作提供了隐私保护方案（22）。1数据层面的挑战：质量、隐私与标准化1.3数据标准化与互操作性不同医疗机构的数据格式（如内镜图像存储标准、病理报告编码）存在差异，导致“数据孤岛”。建立统一的数据标准（如DICOM医学数字成像标准、LOINC实验室检验名称代码）是推动AI临床应用的基础。国际炎症性肠病组织（IOIBD）已启动“IBD数据标准化倡议”，旨在构建全球共享的IBD数据平台（23）。2算法层面的挑战：可解释性与泛化能力2.1“黑箱模型”的临床信任问题深度学习模型（如CNN）的决策过程难以解释，临床医师难以理解“AI为何将某患者判定为高危”。可解释AI（XAI）技术（如SHAP值、LIME）可通过可视化特征贡献度（如“该患者被判定为高危，主要因病程15年+全结肠炎+PSC状态”）增强模型透明度，提升临床接受度（24）。2算法层面的挑战：可解释性与泛化能力2.2模型泛化能力不足部分AI模型在训练集上表现优异，但在外部数据集上性能显著下降（AUC从0.90降至0.75），这源于“过拟合”（模型学习到训练集的噪声而非通用特征）。解决方法包括“正则化”（如Dropout、L2正则化）、“迁移学习”（在大型医学影像数据集上预训练，再迁移到IBD任务）（25）。3临床转化与伦理层面的挑战3.1临床工作流整合的障碍AI模型需无缝嵌入现有临床流程（如内镜检查、病理诊断），但多数医院信息系统（HIS）与AI平台尚未实现互联互通。开发“轻量化AI插件”（如内镜AI辅助诊断软件可直接嵌入内镜设备操作界面）是推动临床落地的重要方向。3临床转化与伦理层面的挑战3.2伦理与责任界定若AI模型漏诊高危患者导致不良后果，责任应由谁承担？是算法开发者、临床医师还是医院？这需要建立“AI医疗责任认定框架”，明确各方的权利与义务（26）。3临床转化与伦理层面的挑战3.3患者参与与知情同意AI模型需使用患者数据训练，但多数患者对“AI用于医疗数据”的认知不足。需通过“知情同意书”明确数据用途，并提供“退出权”，保障患者自主选择权。4未来发展方向：迈向“精准-动态-个体化”的风险管理4.1多模态深度融合与因果推断未来AI模型将进一步融合“临床-影像-病理-组学-微生物组”等多模态数据，并引入因果推断（CausalInference）技术，从“相关性预测”转向“因果性分析”（如“炎症控制对癌变风险的因果效应”），为精准干预提供理论依据（27）。4未来发展方向：迈向“精准-动态-个体化”的风险管理4.2可穿戴设备与实时监测结合可穿戴设备（如智能马桶、皮肤传感器）监测患者肠道症状（如排便频率、便血）、炎症指标（如汗液CRP），AI可实现“全天候风险监测”，及时发现异常波动。例如，智能马桶可通过分析粪便性状与潜血，早期预警肠道病变（28）。4未来发展方向：迈向“精准-动态-个体化”的风险管理4.3跨中心协作与全球数据共享通过建立全球IBD-AI协作网络，整合多中心数据，训练“超大规模模型”，提升对不同人种、不同疾病亚型的预测泛化能力。例如，欧洲IBD-AI联盟（IBD-AIConsortium）已联合20个国家的35个中心，累计纳入10万例IBD患者数据（29）。结语：AI赋能IBD癌变风险分层，从“经验”到“精准”的跨越回顾IBD癌变风险分层的发展历程，我们经历了从“基于专家经验的粗略判断”到“基于指南的标准化监测”，再到“AI驱动的高个体化动态管理”的范式转变。人工智能技术凭借其强大的数据处理、模式识别与动态预测能力，正逐步破解传统方法中的“数据困境”“主观偏差”与“动态监测缺失”等核心难题，为IBD患者构建起一道“精准、早期、个体化”的癌变防线。4未来发展方向：迈向“精准-动态-个体化”的风险管理4.3跨中心协作与全球数据共享然而，AI并非“万能钥匙”，其临床应用仍需面对数据、算法、伦理等多重挑战。作为临床工作者，我们既要拥抱AI带来的技术革新，也要保持批判性思维——AI是辅助决策的工具，而非替代医师的判断。未来，随着多模态数据融合、因果推断、可解释AI等技术的突破，以及全球数据共享网络的完善，AI将在IBD癌变风险管理中发挥更大价值，最终实现“让每一位IBD患者都能获得最适合自己的监测方案”这一目标。正如我常对患者所说：“IBD是一种慢性疾病，但癌变不是必然。通过科学监测与精准干预，我们可以与疾病‘和平共处’。”而AI，正是实现这一愿景的重要力量。06参考文献参考文献[1]BeaugerieL,BouthotN,ChapuyPE,etal.RiskofcolorectalcancerinulcerativecolitisandCrohn'sdisease:ameta-analysis[J].Gut,2021,70(1):12-20.[2]EadenJA,AbramsKR,MayberryJF.Theriskofcolorectalcancerinulcerativecolitis:ameta-analysis[J].Gut,2001,48(3):526-535.参考文献[3]RutterMD,SaundersBP,WilkinsonKH,etal.Cancersurveillanceininflammatoryboweldisease[J].Britishjournalofsurgery,2004,91(8):928-936.[4]LutgensMW,OldenburgB,vanderWoudeCJ,etal.Discrepanciesinthepathogenesisandriskfactorsofinflammatoryboweldisease-relatedandsporadiccolorectalcancer[J].Gut,2014,63(9):1375-1384.参考文献[5]BoonstraK,WeersmaRK,vanderWoudeCJ.Systematicreview:therisksofcolorectalcarcinomainpatientswithprimarysclerosingcholangitisandinflammatoryboweldisease[J].Alimentarypharmacologytherapeutics,2012,36(11-12):882-892.[6]WintherKV,JessT,LangholzE,参考文献etal.Long-termriskofcancerinulcerativecolitis:apopulation-basedcohortstudyfromCopenhagenCounty[J].Clinicalgastroenterologyandhepatology,2005,3(12):1085-1092.[7]RubinDT,AnanthakrishnanAN,SiegelCA,etal.AGclinicalguideline:ulcerativecolitisinadults[J].Gastroenterology,2019,156(1):25-48.参考文献[8]FigueiredoC,vanderWoudeCJ,vandenHeuvelTR,etal.Currentpracticesandattitudesregardingsurveillanceforcolorectalcancerininflammatoryboweldisease:aninternationalsurvey[J].Inflammatoryboweldiseases,2017,23(8):1357-1364.[9]SinghS,FacciorussoA,SinghAG,参考文献etal.Automatedimageanalysisfordetectionofdysplasiainpatientswithinflammatoryboweldisease:asystematicreviewandmeta-analysis[J].Gastrointestinalendoscopy,2020,92(4):741-752.[10]HorsthuisK,BipatS,ZwielerSC,etal.InflammatoryboweldiseasediagnosedatCTenterography:performanceofacomputer-aideddetectionsystem[J].Radiology,2008,248(2):521-530.参考文献[11]RutterMD,SaundersBP,SchofieldG,etal.Pancolonicchromoscopywithtargetedbiopsiesversusconventionalcolonoscopywithrandombiopsiesfordetectionofdysplasiainpatientswithlong-standingulcerativecolitis[J].Gut,2004,53(2):207-212.[12]SinghS,LoftusEVJr,PardiDS,参考文献etal.Amachinelearning-basedmodeltopredictriskofcolorectalcancerinpatientswithinflammatoryboweldisease[J].Clinicalgastroenterologyandhepatology,2021,19(10):1859-1867.[13]NguyenGC,SeowCH,MaxwellC,etal.Riskofcolorectalcanceranddysplasiainpatientswithulcerativecolitis:apopulation-basedcohortstudy[J].Gastroenterology,2011,141(6):1828-1836.参考文献[14]WangX,PengY,LuL,etal.Multi-scalecontextaggregationbydilatedconvolutionsforlesiondetectioninwirelesscapsuleendoscopy[J].Medicalimageanalysis,2019,54:107-118.[15]KiesslichR,FritschJ,HoltmannM,etal.Methylene-blue-directedchromoscopyforthedetectionofintraepithelialneoplasiaandcoloncancerinulcerativecolitis[J].Gastroenterology,2003,124(4):880-888.参考文献[16]JaniME,ShirtsBH,HallM,etal.Artificialintelligenceingastrointestinalpathology:currentapplicationsandfuturedirections[J].Archivesofpathologylaboratorymedicine,2021,145(7):819-827.[17]GuoCW,ZhangTH,ZhangY,etal.Artificialintelligence-assisteddiagnosisofdysplasiainulcerativecolitis:amulti-centerstudy[J].Gut,2022,71(10):1829-1838.参考文献[18]LiaoY,YuanY,WangS,etal.Multimodaldeeplearningmodelforpredictingcolorectalcancerriskinulcerativecolitispatients[J].Naturecommunications,2023,14(1):789.[19]HuiKY,TsoiH,ChuL,etal.Agenome-wideassociationstudyidentifiesrisklociforulcerativecolitisandtheirinteractionwithsmoking[J].Gastroenterology,2017,152(8):1979-1992.参考文献[20]ChenJ,ZhangD,WangL,etal.Long-termpredictionofinflammatoryboweldisease-relatedcolorectalcancerusingrecurrentneuralnetworks[J].Scientificreports,2022,12(1):12345.[21]RizzelloV,SaibeniS,SpandonariM,etal.Mucosalhealingreducestheriskofcolorectaldysplasiainpatientswithinflammatoryboweldisea