الخلفية: يُعد تقييم النشاط المنظاري في مرض كوليتيس المُتَهابي (UC) أمرًا مهمًا لاتخاذ قرارات العلاج ومراقبة تطور المرض. ومع ذلك، فإن التباين الكبير بين المُقيّمين (التشخيصي الخارجي) وداخل نفس المُقيّم (التشخيصي الداخلي) في التصنيف يُضعف دقة التقييم. كان هدفنا تطوير نظام تشخيص مساعد بالحوسبة باستخدام التعلم العميق لتقليل التحيّز الذاتي وتحسين موثوقية التقييم. الطرق: يتكوّن العينة من 11276 صورة مأخوذة من 564 مريضًا خضعوا لمنظار القولون بسبب مرض كوليتيس المُتَهابي. قمنا بطرح نهج تعتمد على الانحدار (Regression-based) باستخدام الشبكات العصبية التلافيفية (CNN) المتطورة لتقدير النشاط المنظاري وفقًا لمقياس ميوي (Mayo Endoscopic Score - MES). تم استخدام خمسة من أحدث هياكل الشبكات العصبية التلافيفية (CNN) لقياس الأداء ومقارنته. تم استخدام التحقق المتقاطع العشري (Ten-fold cross-validation) لتدريب النماذج وتقديم معيار موضوعي لتقييمها. تم تقييم أداء النماذج باستخدام معامل الكابا الموزون التربيعي (Quadratic Weighted Kappa) ومقاييس F1 الكليّة (Macro F1) لتصنيف الدرجة الكاملة لمقياس ميوي، بالإضافة إلى إحصائيات الكابا ومقاييس F1 لتصنيف الحالة الهادئة (Remission). النتائج: أظهرت خمسة نماذج CNN قائمة على التصنيف أداءً ممتازًا وتوافقًا عالٍ مع التصنيفات الخبيرة في جميع مكونات مقياس ميوي الفرعية وتصنيف الحالة الهادئة، وفقًا لمعيار الكابا. عند استخدام النهج المقترح القائم على الانحدار: (1) زاد أداء معظم النماذج بشكل إحصائيًا معنويًا، و(2) أظهرت نفس النموذج المدرب على طرق تحقق متقاطع مختلفة نتائج أكثر استقرارًا على مجموعة الاختبار، من حيث انخفاض التباين بين النتائج المختلفة. الاستنتاجات: تُظهر التقييمات التجريبية الشاملة أن الهياكل الشائعة لشبكات CNN القائمة على التصنيف تُحقق أداءً ناجحًا في تقييم النشاط المرضي المنظاري لمرض كوليتيس المُتَهابي. وعند دمج المعرفة الخاصة بالمتخصصين (Domain Knowledge) داخل هذه الهياكل، يزداد أداء النماذج وثباتها، مما يُسرّع من دمجها في الاستخدام السريري.