0 引言

       炎症性肠病（inflammatory bowel disease, IBD）主要包括克罗恩病（Crohn's disease, CD）和溃疡性结肠炎（ulcerative colitis, UC），是一种以慢性、复发性为特征的非特异性肠道疾病。其发病率与患病率显著上升^[1]，但发病机制及病因尚不确切，现在普遍认为与发病环境、微生物、免疫介导以及遗传因素相互作用有关^[2]。其治疗策略逐渐从症状控制转向以黏膜愈合为目标的深度缓解^[3]。

       肠道黏膜状态的评估以内镜检查为“金标准”，但其侵入性及无法评估炎症透壁和肠外病变的特性，使无创影像学检查成为不可或缺的补充与监测手段^[4]。肠道超声（intestinal ultrasound, IUS）、计算机断层扫描肠道成像（computed tomography enterography, CTE）和磁共振肠道成像（magnetic resonance enterography, MRE）构成了IBD多模态影像评估的基石，在评估肠壁结构、血流动力学、并发症及疗效等方面发挥着关键作用^{[5, 6, 7]}。2025年欧洲克罗恩与结肠炎组织（ECCO）与欧洲胃肠与腹部放射学会（ESGAR）等联合指南将IUS提升为IBD一线影像监测工具，同时强调了MRE在透壁炎症评估中的核心地位^[8]。然而，现有传统影像解读高度依赖医师经验，存在观察者间差异，且对图像中蕴含的高维纹理、功能信息提取不足^[9]。近年来，越来越多研究发现影像组学与深度学习在IBD中展现出良好应用潜力^[10]，影像组学与深度学习可实现疾病早期活动识别、狭窄性质判别甚至治疗应答的预判。例如，基于肠道超声构建的深度学习模型可自动完成肠壁厚度定量测量^[11]，提升评估一致性，在炎症活动判别、狭窄分型中表现出较好效能。目前，已有综述分别总结了IBD在影像技术中的临床应用进展，或者基于单一临床应用的横断面研究，缺少从跨模态角度比较IBD肠道超声、CTE及MRE影像组学与深度学习应用共性与特异性的综述。因此，本综述旨在系统梳理近年来影像组学与深度学习在IBD中的研究进展，从跨模态角度总结影像组学与深度学习在IUS、CTE及MRE应用中的优势与局限，以期为进一步阐明IBD影像定量评估路径、探索影像组学与深度学习相关的无创影像学标志物及临床转化方案提供参考。

1 文献检索策略

       文献检索PubMed、Web of Science、中国知网、万方等数据库，检索时限为自各数据库建库至2026年3月。英文检索式：(inflammatory bowel disease OR Crohn's disease OR ulcerative colitis) AND (radiomics OR deep learning OR artificial intelligence OR machine learning) AND (intestinal ultrasound OR computed tomography enterography OR magnetic resonance enterography OR ultrasound OR CT OR MRI)；中文检索式：“炎症性肠病/克罗恩病/溃疡性结肠炎”与“影像组学/深度学习/人工智能/机器学习”与“肠道超声/计算机断层扫描肠道成像/磁共振肠道成像”的组合检索。检索结果导入文献管理软件后进行去重，并结合题名、摘要和全文进行逐级筛选；同时追溯相关综述及指南中的参考文献。最终纳入与本文主题高度相关的文献51篇。纳入标准：（1）研究对象为IBD患者，文献类型包括随机对照研究、回顾性队列研究、定量描述性研究及综述；（2）核心内容涉及影像组学或深度学习技术，影像模态为IUS、CTE或MRE；（3）语种为中文或英文。排除标准：（1）会议摘要等无法获取全文的文献；（2）重复发表的文献；（3）仅涉及内镜影像的研究及与IBD核心临床问题无关的文献。

2 影像组学与深度学习的技术原理和特点

       深度学习通过构建多层神经网络模拟人脑处理信息，通过卷积神经网络（convolutional neural network, CNN）自动学习图像深层特征^[12]，实现病灶的精准分割与分类^[13]。在医学影像中，CNN最为常用，能自动从像素数据中学习边缘、纹理、形态的层次化特征，完成图像分割、分类与检测任务。其优势在于避免了手工设计特征的烦琐与主观性。有研究表明深度学习模型可有效检测和分类肠道疾病，对识别病变区域及周围组织信息具有一定价值^[14]。

       影像组学为基于图像纹理定量分析技术^[15]，通过高通量提取定量特征，将视觉信息转化为可挖掘的数据维度，揭示与病理生理状态相关的影像生物标志物。其标准流程包括图像获取与重建、感兴趣区分割、特征提取与量化、建模与分析。影像组学提取的特征涵盖统计特征、形态特征与纹理特征等多个维度^{[16, 17, 18]}，能够量化人眼难以分辨的组织异质性及空间复杂性等微观信息。在IBD中，影像组学所量化的图像特征可能对应着炎症细胞浸润、胶原沉积等微观病理改变，为IBD无创评估提供新路径。

       近年的IBD人工智能研究正在从单模态识别转向联合建模。这一变化并非追求模型复杂化，而是因为IBD本身具有跨层次、跨区域和动态演变的特征，其黏膜炎症、透壁病变、纤维化重塑、肠系膜改变以及全身炎症状态往往并不同步^[19]，单一影像来源难以完整覆盖疾病。因此，越来越多研究开始将多模态影像信息与临床、生物标志物甚至病理信息共同纳入模型^[20]。而IUS、CTE和MRE在成像原理、信息类型及临床适用场景上各有侧重，影像组学与深度学习联合多模态影像技术为IBD的诊断及预后提供了新的有效方法。目前已有研究尝试将梯度加权类激活映射（gradient-weighted class activation mapping, Grad-CAM）、SHapley加性解释（SHapley additive explanations, SHAP）等可解释性方法应用于IBD影像模型，以可视化模型的决策依据，但其应用仍以事后解释为主，临床整合有限。

3 超声影像组学与深度学习在IBD中的应用

3.1 疾病活动度的评估

       IUS具有无辐射、便捷、可重复、能床旁动态评估肠壁炎症以及并发症等优势，主要用于IBD的随访管理，通过对治疗反应的早期监测提供较传统终点指标更准确的预后评估^[21]。在IUS评价体系中，肠壁厚度（bowel wall thickness, BWT）及血流信号是判断炎症活动度的核心指标，但传统人工测量受操作者经验、切面选择及重复测量误差影响^[22]，限制了其标准化应用。围绕这一临床问题，现有研究主要集中于两类技术路径：其一，基于影像组学的纹理定量分析识别与炎症相关的细微回声异质性；其二，基于深度学习的自动分割及测量，提高BWT评估的一致性。GU等^[23]回顾性分析125张IUS图像，以BWT>3 mm或改良Limberg评分≥1作为炎症异常标准，基于XGBoost构建的影像组学模型曲线下面积（area under the curve, AUC）为0.98，优于传统CNN模型（AUC=0.75）。KUMARALINGAM等^[11]在260例儿科IBD患者中开发深度学习BWT自动测量算法，其在2 mm阈值判定中的组内相关系数（intra- class correlation coefficient, ICC）达到0.942。CARTER等^[24]在不同人群中基于预训练CNN构建的机器学习模型，检测BWT>3 mm的AUC为0.978。IUS活动度研究显示出较高的诊断效能，但不同研究在阈值设定、炎症参考标准和人群年龄结构上差异明显，AUC之间不宜简单横向比较，现有证据仍以回顾性或单中心研究为主，IUS联合影像组学和深度学习的主要优势在于推进活动度指标由经验判读向自动测量与标准化量化转变，临床推广需进一步依赖标准化扫查切面、设备一致性和前瞻性外部验证。

3.2 肠道狭窄及并发症评估与鉴别

       区分炎性与纤维化狭窄对治疗决策至关重要，常规IUS虽可显示肠壁增厚、回声改变及管腔狭窄，但对炎症与纤维化成分比例的判断能力有限^[25]。剪切波弹性成像（shear wave elastography, SWE）通过量化组织硬度，为纤维化评估提供了功能信息。CHEN等^[26]纳入62例CD患者并以手术病理为金标准，结果显示弹性模量区分纤维化狭窄与炎性狭窄的AUC为0.96。尽管如此，SWE主要依赖单参数测量，且易受探头压力、肠蠕动及操作者技术影响。针对上述局限，ZHOU等^[27]将深度学习与影像组学分别应用于IUS图像的狭窄性质分类，在64例CD患者的87张图像中，深度学习模型准确率为83.3%，高于影像组学模型的67.0%。有研究表明人工智能在IUS中的应用已由单纯肠壁厚度测量拓展至血流分布评估与狭窄性质鉴别，有助于提高判读的一致性^[28]。从证据层面来看，以手术病理为参照的研究更接近真实组织学结局，但样本通常局限于需手术患者，存在选择偏倚；深度学习模型虽能提高分类准确率，但训练图像数量有限，且深部肠段和复杂混合性狭窄仍需MRE等模态补充。

3.3 治疗反应与预后预测

       IUS能够重复、低负担地反映肠壁厚度和血流灌注变化，因此更适用于短期疗效评价和随访过程中的动态决策。对比增强超声（contrast-enhanced ultrasound, CEUS）通过量化肠壁灌注参数，可进一步补充微循环信息，其参数与疾病活动度指标具有较好相关性^[29]，其诊断敏感性和特异性均超过85%，但单一参数预测效能仍然有限。AINORA等^[30]将BWT、Limberg评分、CEUS参数及临床指标综合建模，预测1年内镜应答的AUC达0.91，提示多参数联合可提升治疗反应的预测效能。MA等^[31]基于1548张基线IUS图像建立CNN模型预测黏膜愈合，其注意力热图显示模型除关注肠壁本身外，还关注浆膜表面及周围肠系膜区域，提示这些结构可能蕴含与远期结局相关的影像信息。需要注意的是，治疗反应研究的终点定义并不完全一致，热图关注的肠系膜区域需要与病理和临床结局进一步对应。与CTE和MRE相比，IUS相关模型更接近实时临床应用，但其临床转化仍取决于模型泛化能力、与超声工作站的实时集成，以及扫查标准化和操作者培训。

4 CT影像组学与深度学习在IBD中的应用

4.1 疾病活动度的评估

       CTE具有空间分辨率高、扫描速度快和全腹覆盖完整等特点，尤其适用于急性加重、肠梗阻、穿透性并发症以及MRE禁忌患者的初始评估。与IUS相比，CTE对深部肠袢和肠外病变的显示更完整；与MRE相比，其检查效率更高，但受电离辐射限制，不宜长期随访。因此，CTE联合影像组学及深度学习的主要价值在于提高急性或结构性病变的活动度分层评估。LI等^[32]基于CT影像组学特征构建CD活动分类模型，其集成分类器在测试集中的AUC为0.938，准确度、敏感度和特异度均超过0.89。CHIRRA等^[33]通过重现性分析筛选稳定影像组学特征，在不同成像变异源条件下诊断活动性CD的AUC为0.79，提示特征稳健性是CTE模型可迁移性的关键。LIU等^[34]将动静脉期影像组学特征与静脉期CT值、红细胞沉降率及C反应蛋白联合构建列线图，训练集和测试集AUC分别为0.968和0.944，显示临床变量与影像特征结合可进一步提升活动度评估效能。上述研究共同说明，CTE模型的优势在于全腹结构评估和急性期分层，但模型性能受扫描期相、分割方式、增强参数和炎症参照标准影响较大；若未充分控制成像差异，较高AUC可能难以迁移至不同设备和中心。

4.2 肠道狭窄及并发症评估与鉴别

       肠道狭窄是IBD最常见的并发症之一，鉴别炎性与纤维化狭窄是决定是否需要手术治疗的关键。传统CTE能够显示肠壁增厚、近端扩张及肠外炎症改变，但对狭窄内部组织病理的识别仍存在局限。STIDHAM等^[35]应用半自动图像分析系统测量CTE上的肠壁厚度、肠腔扩张及最小腔径，结果显示其与放射科医师评估具有良好相关性，基于自动测量建立的狭窄识别模型准确率达87.6%，提示自动化结构测量有助于提高损伤量化的一致性。MENG等^[36]基于CTE构建三维深度学习模型用于CD肠狭窄纤维化分类，模型在外部验证集AUC为0.808~0.839，优于两名放射科医师（AUC为0.579和0.646），LI等^[37]在242例CD患者中开发并验证CTE影像组学模型，其鉴别纤维化的AUC为0.889，也优于医师视觉评估（AUC=0.771）。与单纯结构测量相比，深度学习和影像组学能够提取肠壁内部纹理及空间异质性信息，但不同研究对纤维化严重度、炎症混杂和病理分级的定义并不一致，导致模型输出与真实组织学成分之间仍存在差异，但对于需快速判断是否存在高风险狭窄或进展性结构损伤具有较高临床应用价值。

4.3 治疗反应与预后预测

       CTE联合影像组学与深度学习研究已逐步延伸至疗效和预后预测。SONG等^[38]构建融合CTE影像组学与身体成分特征模型，用于识别英夫利昔单抗治疗失败高风险患者，其训练队列和验证队列AUC分别为0.88和0.83。CAI等^[39]进一步融合深度学习、影像组学与临床数据构建早期融合模型，预测英夫利昔单抗治疗失败的AUC为0.85~0.91，提示多源特征整合有助于提高对生物制剂疗效的个体化预测能力。ZHANG等^[40]利用基线与随访CT中内脏脂肪和皮下脂肪的影像组学特征变化构建列线图，预测回肠狭窄型CD的疾病进展风险，测试队列AUC为0.612，提示基于CT的纵向变化特征具有潜在价值，但模型稳定性仍有限。STIDHAM等^[41]研究则以机器学习方法自动量化CTE图像中的小肠累积空间损伤，其构建的累积损伤评分预测未来手术风险的AUC为0.76，优于传统临床指标。总体而言，CTE相关模型在快速识别高风险活动性或结构性病变方面具有现实意义，但疗效失败、疾病进展和手术风险属于不同临床终点，模型校准、决策曲线分析和跨中心验证仍不足；同时，CTE的辐射暴露限制了其作为长期高频随访模型输入的适用性。

5 磁共振影像组学与深度学习在IBD中的应用

5.1 疾病活动度的评估

       MRE在IBD长期管理中的综合评估价值最为突出，体现在炎症活动性判断、透壁炎症范围评估以及无辐射重复随访三个方面。基于MRE的疾病活动评分包括磁共振活动指数（magnetic resonance index of activity, MaRIA）、简化的MaRIA、南希评分、伦敦评分等^[42]。然而，这些评分依赖人工测量肠壁厚度、计算增强比例，耗时且易受操作者影响，不同医师间判读存在差异，阻碍了其广泛临床应用。为解决这一问题，PILIPOVIC等^[43]采用无监督聚类方法对MRE特征进行疾病活动度分层，发现聚类方法比固定阈值能更清晰地区分疾病活动度分组。DING等^[44]从T1WI序列中筛选出6个可重复性较高的特征（ICC=0.93~0.96），采用逻辑回归建立模型区分活动性炎症，验证集AUC为0.824，与资深放射科医生评估的MaRIA（AUC=0.783）水平相当，且高于初级医生的评估结果（AUC=0.557）。此外，GOLLIFER等^[45]利用深度学习算法自动量化肠道蠕动参数，发现其与临床症状严重程度显著相关，而人工主观评估未显示显著相关性。提示肠道蠕动可作为活动度评估的新指标。总体看，MRE模型的价值并不仅限于提高单一性能指标，更在于将耗时、主观的人工评分转化为可重复、可追踪的量化指标，为临床活动度分层、治疗升级及透壁愈合评估提供支撑。但不同研究采用的序列、评分体系和炎症标签并不统一，限制了模型间比较和临床阈值转化。

5.2 肠道狭窄及并发症评估与鉴别

       鉴别狭窄性质是MRE的核心临床任务，直接影响药物或手术决策。传统MRE虽能显示肠壁增厚、强化及水肿，但对炎症与纤维化比例的判断仍有限。影像组学与深度学习联合MRI为CD肠道狭窄性质的鉴别提高了准确性^[46]。COIMBRA等^[47]在前瞻性多中心研究中发现，表观弥散系数（apparent diffusion coefficient, ADC）与纤维化呈高度负相关（r=-0.71），将ADC、MaRIA及延迟增强参数联合后，预测纤维化的AUC达0.910，提示多参数MRI模型可有效区分纤维化与炎症。CHIRRA等^[48]基于术前MRE构建影像组学模型，结果显示影像组学识别重度纤维化的AUC为0.78，而放射科医师视觉评估仅为0.35；二者联合后AUC提升至0.79。相较于CTE和IUS，MRE对肠壁水肿、强化、弥散受限和延迟增强具有更丰富的表征能力，因此更接近炎症-纤维化混合病理的复杂性。不过，纤维化样本多来自手术病例，轻中度狭窄和非手术人群数量相对不足，且炎症与纤维化常共存，模型解释应避免将其二者混合。但影像模型的加入为内科强化治疗、介入治疗或外科治疗的选择提供更为客观的影像依据。

5.3 治疗反应与预后预测

       MRE征象与IBD远期预后相关，但单一影像指标对个体化结局预测能力有限。影像组学和深度学习主要应用于MRE癌变风险预测、治疗反应预测和手术风险预测三个方向。HORIO等^[49]基于T2加权成像和对比增强T1加权成像构建影像组学模型，预测CD患者发生肛门直肠癌变的风险，结果显示T2加权成像的影像组学特征AUC达0.944。FENG等^[50]基于MRE影像组学参数R2^*（反映铁代谢变化）构建多变量逻辑回归模型，预测CD患者继发性英夫利昔单抗疗效丧失，将R2、C反应蛋白和血红蛋白联合建立列线图，训练集和验证集AUC分别为0.723和0.715，提示基于MRE的影像组学参数可为预测生物制剂治疗失败提供参考。CHIRRA等^[51]通过对CD患者术前MRE的终末回肠区域提取纹理组学特征，结合临床与影像评分建立随机森林模型预测术后1年内手术风险，验证集AUC为0.74。上述研究提示MRE在治疗反应评估、远期预后预测及手术风险分层中具有潜在临床价值，但研究终点差异较大，且癌变、药物失应答和术后风险对应的病理机制并不相同。后续研究除报告AUC外，还应增加校准度、净获益和阈值决策分析以明确模型价值。

6 多模态影像组学与深度学习在IBD中的应用

       对于门诊初诊、疑似复发以及活动期短期疗效评价和随访中的动态监测，临床需求主要是快速识别肠壁炎症活动、完成可重复的定量评估，并尽可能降低检查负担。IUS因无创、无辐射、床旁可及，ECCO/ESGAR联合指南已明确推荐IUS用于IBD初始评估和疾病监测^[7]，可联合深度学习测量BWT提高准确性。但其对深部小肠、盆腔肠袢及透壁受累范围评估有限，若超声结果与临床不符，则应进一步选择MRE补充。对于IBD急性加重、疑似穿透性并发症及术前快速决策等需全面评估肠外病变和结构损伤的患者，CTE因检查快速、空间分辨率高、对脓肿、瘘管走行及近端扩张显示充分而更具优势，可结合深度学习模型辅助诊断^[36]，但因存在电离辐射且对炎症与纤维化混合成分区分能力不及MRE，故不适用于长期高频随访。而长期管理、治疗反应监测、狭窄性质判断及复杂病变分层等需综合评估炎症活动性、透壁受累、并发症及预后的患者，MRE凭借多参数成像和优异软组织分辨率，在肠壁强化、弥散、延迟增强及肠系膜改变等信息方面优势最为突出，可结合多参数影像组学与机器学习模型整合信息用于活动度判断、纤维化评估^[50]，但仍受检查时间长、费用高、标准化不足及纤维化界定仍需结合内镜和临床综合判断等因素限制。

       总体而言，IBD影像学模态选择应建立在不同临床问题下的分层决策基础上，而深度学习与影像组学的引入，则进一步促进多模态影像由经验性判断走向自动化定量与具体临床决策支持。不同临床任务中IUS、CTE、MRE的适用场景及AI应用见表1。

点击查看表格

表1  IBD影像组学与深度学习临床价值对比
Tab. 1  Comparison of clinical values between radiomics and deep learning in IBD

7 小结与展望

       当前影像组学与深度学习在IBD多模态影像评估中的应用仍面临以下挑战，首先是医学影像人工智能领域的共性问题，多数研究仍为回顾性、单中心设计，影像采集与标注标准不统一，模型跨中心泛化能力不足，可解释性和临床系统集成仍有限。IBD层面：（1）疾病表型复杂，CD与UC在病变部位、透壁受累、狭窄和肛周病变方面差异明显，单一模型难以覆盖全部表型；（2）参照标准并不一致，活动度可由内镜、病理、临床评分或MaRIA等影像评分定义，纤维化则常依赖手术病理，导致异质性较大；（3）炎症与纤维化、肠壁病变与肠系膜改变常同时存在，模型可能学习到混合信号而非单一病理成分；（4）IUS受操作者和设备影响较大，CTE受辐射限制，MRE受序列协议和检查时间影响，不同模态的应用边界和模型输入条件并不相同；（5）疗效和预后终点包括黏膜愈合、透壁愈合、生物制剂失应答、手术风险和癌变风险等，终点差异限制了研究间可比性。

       针对上述问题，未来研究可聚焦以下方向：（1）建立跨设备、跨中心的标准化影像采集与标注规范，围绕肠壁厚度、强化程度、ADC值、肠系膜改变等核心指标减少数据漂移；合成数据与数据增强技术缓解标注数据不足的困境；并在报告中明确分割层面、参考标准和临床终点。（2）开展多中心前瞻性队列研究，完成模型的外部验证，并明确不同临床应用下的输出形式，引入联邦学习解决多中心数据隐私问题。（3）在IBD场景下具体推进可解释性研究，Grad-CAM热力图应重点验证模型是否关注肠壁增厚区域、黏膜/黏膜下水肿、浆膜面、肠系膜脂肪增生、瘘管和脓肿等具有病理意义的结构；SHAP值可用于解释BWT、强化程度、ADC、延迟强化、CEUS灌注参数、纹理特征以及C反应蛋白、红细胞沉降率、粪钙卫蛋白等临床变量对预测结果的贡献。（4）推动模型与图像存档与通信系统（picture archiving and communication system, PACS）、超声工作站、电子病历和结构化报告系统集成，使自动测量、风险分层和随访曲线能够直接服务临床流程。（5）加强影像特征与基因组学、代谢组学及病理信息的深度融合，构建多模态多组学预测模型，进一步提升个体化风险评估准确性。

       综上，影像组学与深度学习正在推动IBD影像评估由经验判读向自动化、定量化和预测性决策支持转变。未来临床转化不应仅追求更高AUC，而应围绕明确的临床问题，建立可复现的数据标准、可靠的外部验证、面向医师的可解释性路径以及可嵌入真实诊疗流程的系统工具。