Despite the availability of various diagnostic tests for inflammatory bowel diseases (IBD), misdiagnosis of IBD occurs frequently, and thus there is a clinical need to further improve the diagnosis of IBD. As gut dysbiosis is reported in IBD patients, we hypothesized that supervised machine learning (ML) could be used to analyze gut microbiome data for predictive diagnostics of IBD. To test our hypothesis, fecal 16S metagenomic data of 729 IBD and 700 non-IBD subjects from the American Gut Project were analyzed using five different ML algorithms. Fifty differential bacterial taxa were identified (LEfSe: LDA > 3) between the IBD and non-IBD groups, and ML classifications trained with these taxonomic features using random forest (RF) achieved a testing AUC of ~0.80. Next, we tested if operational taxonomic units (OTUs), instead of bacterial taxa, could be used as ML features for diagnostic classification of IBD. Top 500 high-variance OTUs were used for ML training and an improved testing AUC of ~0.82 (RF) was achieved. Lastly, we tested if supervised ML could be used for differentiating Crohn's disease (CD) and ulcerative colitis (UC). Using 331 CD and 141 UC samples, 117 differential bacterial taxa (LEfSe: LDA > 3) were identified, and the RF model trained with differential taxonomic features or high-variance OTU features achieved a testing AUC > 0.90. In summary, our study demonstrates the promising potential of artificial intelligence via supervised ML modeling for predictive diagnostics of IBD using gut microbiome data.

中文翻译：

---

基于肠道微生物组的监督机器学习用于炎症性肠病的临床诊断

尽管炎症性肠病（IBD）有多种诊断检测手段，但IBD误诊时有发生，因此临床需要进一步提高IBD的诊断水平。由于在 IBD 患者中报告了肠道菌群失调，我们假设监督机器学习 (ML) 可用于分析肠道微生物组数据以预测 IBD 诊断。为了验证我们的假设，使用五种不同的机器学习算法分析了来自美国肠道项目的 729 名 IBD 和 700 名非 IBD 受试者的粪便 16S 宏基因组数据。在 IBD 组和非 IBD 组之间确定了 50 个不同的细菌分类群（LEfSe：LDA > 3），并且使用随机森林（RF）用这些分类特征训练的 ML 分类达到了 ~0.80 的测试 AUC。接下来，我们测试了操作分类单位 (OTU)，而不是细菌分类群，可用作 IBD 诊断分类的 ML 特征。前 500 个高方差 OTU 用于 ML 训练，并实现了约 0.82 (RF) 的改进测试 AUC。最后，我们测试了受监督的 ML 是否可用于区分克罗恩病 (CD) 和溃疡性结肠炎 (UC)。使用 331 个 CD 和 141 个 UC 样本，确定了 117 个差异细菌分类群（LEfSe：LDA > 3），并且用差异分类特征或高方差 OTU 特征训练的 RF 模型达到了测试 AUC > 0.90。总之，我们的研究通过使用肠道微生物组数据对 IBD 进行预测诊断的监督机器学习建模证明了人工智能的巨大潜力。达到了 82 (RF)。最后，我们测试了受监督的 ML 是否可用于区分克罗恩病 (CD) 和溃疡性结肠炎 (UC)。使用 331 个 CD 和 141 个 UC 样本，确定了 117 个差异细菌分类群（LEfSe：LDA > 3），并且用差异分类特征或高方差 OTU 特征训练的 RF 模型达到了测试 AUC > 0.90。总之，我们的研究通过使用肠道微生物组数据对 IBD 进行预测诊断的监督机器学习建模证明了人工智能的巨大潜力。达到了 82 (RF)。最后，我们测试了受监督的 ML 是否可用于区分克罗恩病 (CD) 和溃疡性结肠炎 (UC)。使用 331 个 CD 和 141 个 UC 样本，确定了 117 个差异细菌分类群（LEfSe：LDA > 3），并且用差异分类特征或高方差 OTU 特征训练的 RF 模型达到了测试 AUC > 0.90。总之，我们的研究通过使用肠道微生物组数据对 IBD 进行预测诊断的监督机器学习建模证明了人工智能的巨大潜力。使用差分分类特征或高方差 OTU 特征训练的 RF 模型的测试 AUC > 0.90。总之，我们的研究通过使用肠道微生物组数据对 IBD 进行预测诊断的监督机器学习建模证明了人工智能的巨大潜力。使用差分分类特征或高方差 OTU 特征训练的 RF 模型的测试 AUC > 0.90。总之，我们的研究通过使用肠道微生物组数据对 IBD 进行预测诊断的监督机器学习建模证明了人工智能的巨大潜力。