曾于珍 蔣蔚茹 丁偉群 邱志兵 陳堅

摘 要 無線膠囊內(nèi)鏡是診斷小腸疾病的主要手段，但存在內(nèi)鏡圖像分析耗時、耗力的問題。本文介紹人工智能深度學(xué)習(xí)、尤其是深度卷積神經(jīng)網(wǎng)絡(luò)在小腸膠囊內(nèi)鏡檢查自動輔助診斷方面的應(yīng)用進展，包括對小腸潰瘍及糜爛、血管擴張、消化道出血、小腸寄生蟲病等多種疾病的診斷價值。

關(guān)鍵詞 無線膠囊內(nèi)鏡 深度卷積神經(jīng)網(wǎng)絡(luò) 小腸疾病

中圖分類號：TP391.5； R574.5 文獻標志碼：A 文章編號：1006-1533（2020）23-0003-03

Application of deep convolution neural networks in the diagnosis of small bowel diseases with wireless capsule endoscopy*

TSENG Yujen， JIANG Weiru， DING Weiqun， QIU Zhibing， CHEN Jian**

（Department of Gastroenterology， Huashan Hospital， Fudan University， Shanghai 200040， China）

ABSTRACT Wireless capsule endoscopy （WCE） is the main method for diagnosing small bowel diseases， however， there are problems of time- and labor-consuming in endoscopic image analysis. This article introduces the application progress of artificial intelligence deep learning， especially deep convolutional neural networks in the automatic auxiliary diagnosis by small bowel capsule endoscopy， including the diagnostic value of such diseases as small intestinal ulcers and erosions， intestinal hemangiectasis， gastrointestinal bleeding and small intestinal parasites.

KEy WORDS wireless capsule endoscopy； deep convolutional neural networks； small bowel diseases

成年人小腸的平均長度為5 ～ 7 m，由空腸、回腸組成，是食物消化、吸收的重要場所，也是消化道免疫和內(nèi)分泌相關(guān)的器官。小腸因遠離口腔和肛門，常規(guī)胃鏡、腸鏡無法到達，故小腸疾病診治是臨床上的一大難題。傳統(tǒng)的小腸疾病檢查手段包括小腸低張造影、小腸CT造影和小腸磁共振造影等，這些檢查手段雖普及程度較高，但診斷的準確度差強人意[1-2]。

近年來，隨著醫(yī)學(xué)發(fā)展及其技術(shù)進步，膠囊內(nèi)鏡、小腸鏡等相繼問世，打破了以往消化內(nèi)鏡無法涉足小腸這一“盲區(qū)”的困境[3-4]。小腸鏡可于直視下完成全小腸的檢查，包括進行活組織檢查、病灶標記以及息肉切除等內(nèi)鏡下治療[3]，但小腸鏡檢查是侵入性檢查，需全身麻醉，耗時、耗力，且技術(shù)要求高，一次完成全小腸檢查的比例不高。一項共納入14項觀察性研究的薈萃分析比較了膠囊內(nèi)鏡檢查與其他小腸檢查手段對疑似小腸出血的診斷效率，結(jié)果顯示膠囊內(nèi)鏡檢查的診斷率為63%，顯著高于推進式小腸鏡檢查的26%和小腸鋇餐檢查的8%[5]。

無線膠囊內(nèi)鏡（wireless capsule endoscopy， WCE）是一種由微型照相機、數(shù)字處理系統(tǒng)和無線收發(fā)系統(tǒng)等組成的膠囊樣微型診斷工具，可將受檢者的消化道圖像無線傳送至外部接收器。與傳統(tǒng)的插入式消化內(nèi)鏡相比，WCE檢查具有無痛、無創(chuàng)、安全、便捷等優(yōu)勢，可用于檢查胃、結(jié)腸、直腸和小腸，尤其是在小腸檢查方面具有獨到之處。美國FDA于2001年8月批準了WCE（PillCam SB）的臨床應(yīng)用[6-7]，現(xiàn)該產(chǎn)品已發(fā)展到第三代（PillCam SB3），后者的圖像分辨率得到進一步提高，且?guī)倏勺詣诱{(diào)節(jié)。如在十二指腸檢查中，當WCE移動速率較快時，幀速可增至6幀/s；而在WCE移動緩慢或靜止時，幀速會自動降低到2幀/s。

WCE檢查的臨床應(yīng)用指征也在不斷更新，目前主要用于成人（包括患有缺鐵性貧血的成人）疑似小腸出血的檢查，也常協(xié)助診斷疑似克羅恩病和小腸腫瘤等疾病。WCE對不明原因的消化道出血的診斷率約為61%，顯著提高了小腸疾病的診斷效率[8]。從受試者吞咽WCE開始，WCE就會以2 ～ 6幀/s的速率自動拍攝，在消化道蠕動波的推動下逐步完成對整個消化道的檢查，整個過程持續(xù)8 ～ 10 h，可產(chǎn)生5 ～ 8萬幅圖像。若完全依靠消化內(nèi)鏡醫(yī)師對數(shù)量龐大的WCE圖像進行人工讀片，則一般需6 ～ 7 h才能完成1例受試者的診斷，工作量巨大，易導(dǎo)致視覺疲勞，也易產(chǎn)生漏診、誤診。因此，必須開發(fā)一種能輔助內(nèi)鏡醫(yī)師讀片診斷的軟件以提高WCE檢查的診斷效率。

近年來，隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展，人工智能在諸多領(lǐng)域都已得到實際應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks， CNN）是一種不需過多預(yù)處理的深度學(xué)習(xí)模型，適合進行圖像分析及處理[9-10]。基于CNN的深度學(xué)習(xí)是目前醫(yī)學(xué)影像分析中最常用的機器學(xué)習(xí)算法，其優(yōu)點在于可保留圖像的空間關(guān)系特征，而此特征對醫(yī)學(xué)影像分析非常重要。目前，人工智能輔助診斷技術(shù)已開始在醫(yī)學(xué)領(lǐng)域得到成功的應(yīng)用[11]，如在放射影像學(xué)診斷上輔助放射科醫(yī)師發(fā)現(xiàn)或識別CT、MRI等圖像中的易漏診、誤診的病灶，提高放射科醫(yī)師的讀片速率和診斷準確度。智能輔助診斷不僅能完成自動化的圖像識別和圖像后期加工、包括三維影像重建任務(wù)，還可用作可靠、直觀的診斷依據(jù)[12-13]。

機器人內(nèi)鏡系統(tǒng)是體內(nèi)復(fù)雜結(jié)構(gòu)檢查的一種微創(chuàng)選擇，可滿足人們對精準醫(yī)療的日益增長的需求，臨床應(yīng)用正在迅速擴大。該系統(tǒng)能進行相關(guān)測量工作，如測量WCE走過的距離，從而確定胃腸道病變的位置；測量病灶大小等。Iakovidis等[14]研究了使用基于深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural networks， DCCN）的計算機視覺方法進行非接觸測量的可行性。他們將深度卷積圖像配準方法和多層前饋神經(jīng)網(wǎng)絡(luò)集成到一新的系統(tǒng)中，使系統(tǒng)具有了如下主要優(yōu)點：①因不受特定模型的約束，故通用性更好；②對非剛性變形更有優(yōu)勢；③適用于大多數(shù)內(nèi)鏡系統(tǒng)及環(huán)境，同時測量準確性更高。該系統(tǒng)已在體外經(jīng)使用一種幽靈實驗?zāi)Ｐ秃鸵粋€機器人輔助試驗臺進行性能評價。研究獲得的初步成果喜人，有望在內(nèi)鏡領(lǐng)域得到廣泛應(yīng)用。

CNN在執(zhí)行不同的計算機視覺任務(wù)中都表現(xiàn)出有令人印象深刻的優(yōu)異性能。Fan等[15]提出了一種基于深度學(xué)習(xí)模式的計算機輔助檢測方法，用于WCE圖像中小腸潰瘍和糜爛的檢測。與傳統(tǒng)的學(xué)習(xí)模式相比，深度學(xué)習(xí)模式可直接從海量的數(shù)據(jù)中提取圖像特征，從而提高識別的準確度和效率。他們開發(fā)的檢測方法包括圖像裁剪和圖像壓縮，使用含有數(shù)萬幅WCE圖像的數(shù)據(jù)集訓(xùn)練AlexNet分類CNN，以使之能夠區(qū)分病變組織和正常組織。研究顯示，利用CNN自動檢測WCE圖像中小腸潰瘍和糜爛灶的準確度分別為95.16%和95.34%，敏感度分別為96.80%和93.67%，特異性分別為94.79%和95.98%，受試者工作特征曲線下面積（area under receiver operator characteristic curve， AUROCC）均>0.98。Wang等[16]也通過DCCN提取WCE圖像中小腸潰瘍的識別特征，開發(fā)了一種以ResNet-34分類CNN為基礎(chǔ)網(wǎng)絡(luò)，融合圖像的淺、深層特性，以最終用于診斷的決策系統(tǒng)。利用該系統(tǒng)，他們評估了1 416例患者WCE圖像中的小腸潰瘍特征，目的在于探討DCCN用于小腸潰瘍識別的可行性，優(yōu)化基于CNN的WCE圖像的小腸潰瘍識別體系。結(jié)果顯示，該系統(tǒng)的準確度為92.05%，敏感度和特異性分別為91.64%和92.42%，表現(xiàn)優(yōu)異。

小腸血管畸形（如毛細血管擴張癥）是隱匿性下消化道出血的最常見病因。Tsuboi等[17]開發(fā)并驗證了一種基于CNN的新系統(tǒng)來自動檢測WCE圖像中的小腸毛細血管擴張。他們使用2 237例小腸毛細血管擴張患者的WCE圖像（包括10 488幅小腸圖像和488幅小腸毛細血管擴張的獨立圖像）訓(xùn)練一種基于單鏡頭多盒檢測器的CNN系統(tǒng)，并通過計算AUROCC來評估其診斷準確度。結(jié)果顯示，該系統(tǒng)檢測小腸毛細血管擴張的AUROCC為0.998，敏感度、特異性、陽性和陰性預(yù)測值分別為98.8%、98.4%、75.4%和99.9%，概率分值的截斷值為0.36。

2016年7月—2018年7月，我國武漢同濟醫(yī)院消化科的研究者收集了來自國內(nèi)77家醫(yī)療中心的6 970例接受WCE檢查患者的113 426 569幅圖像。他們訓(xùn)練了一種基于CNN的輔助讀片模型[18]，共標注了1 970例患者的158 235幅小腸WCE圖像來供機器深度學(xué)習(xí)，圖像分為正常、炎癥、潰瘍、息肉、淋巴管擴張、出血、血管疾病和隆起等。此后，以另外5 000例患者的WCE圖像對該模型的性能進行驗證。共有20名資深消化科專家對患者的WCE圖像進行了人工讀片和基于CNN的輔助讀片。如果人工讀片與CNN輔助讀片在圖像分類結(jié)果上一致，則不進行進一步的圖像分析；如果結(jié)果不一致，專家將重新讀片。在3 280例患者中共確認有4 206處病灶?；贑NN的輔助讀片模型在對逐個患者分析模式中識別病灶的敏感度為99.88%，在對逐個病灶分析模式中識別病灶的敏感度為99.90%。與之相比，消化科專家在對逐個患者人工讀片中識別病灶的敏感度為74.57%，在對逐個病灶人工讀片中識別病灶的敏感度為76.89%。人工讀片和基于CNN的輔助讀片模型對每個患者WCE圖像的平均讀片時間分別為（96.6±22.53）和（5.9±2.23）min，差異顯著。

隱匿性消化道出血是WCE檢查的一個強指征。Jia等[19]提出了一種結(jié)合手工和CNN圖像特征的WCE下檢測消化道出血的新方法。他們僅構(gòu)建了一種小CNN模型來降低成本。結(jié)果發(fā)現(xiàn)，在數(shù)據(jù)訓(xùn)練有限的情況下，該模型仍有較強的適應(yīng)性，可取得較好的效果。

鉤蟲是人體內(nèi)最常見的寄生蟲之一，其感染患者可有貧血、營養(yǎng)不良和胃腸功能失調(diào)等臨床表現(xiàn)。近年來，隨著CNN在各種圖像和視頻分析任務(wù)中表現(xiàn)出具有令人驚艷的性能，其也開始被研究用于WCE下鉤蟲等腸道寄生蟲的自動檢測這一任務(wù)。He等[20]提出了一種新的針對WCE圖像中的深度鉤蟲檢測框架，同時對鉤蟲的視覺外觀和管狀形態(tài)進行建模。該框架將兩個CNN（邊緣提取網(wǎng)絡(luò)和鉤蟲分類網(wǎng)絡(luò)）無縫集成，既避免了邊緣特征緩存，又加快了分類速度。引入兩個邊緣池化層，將邊緣提取網(wǎng)絡(luò)得到的管狀區(qū)域和鉤蟲分類網(wǎng)絡(luò)得到的特征圖進行整合，從而得到強調(diào)管狀區(qū)域的增強特征圖。使用世界上最大的WCE圖像數(shù)據(jù)集進行驗證，表明該檢測方法的敏感度和準確度均顯著高于傳統(tǒng)方法，具有較好的臨床應(yīng)用價值。

已有的研究表明，通過DCNN識別WCE圖像中的各種異常是可行的，且初步研究結(jié)果喜人，前景可期。人工智能中的圖像識別和機器學(xué)習(xí)技術(shù)可有效減少消化科醫(yī)師的內(nèi)鏡圖像讀片工作，減輕讀片醫(yī)師的工作負擔(dān)，快速識別各種疑似病灶，提高WCE檢查的診斷效率。今后若能結(jié)合最終的病理學(xué)確診結(jié)果，擴大學(xué)習(xí)庫，對多層CNN結(jié)構(gòu)及參數(shù)進行不斷的改進，集成對多種病灶的輔助診斷能力，不斷提高檢測的敏感度和特異性，最終必能開發(fā)出可用于臨床實踐的成熟的WCE檢查智能輔助診斷系統(tǒng)，方便醫(yī)師、造?；颊?。

參考文獻

[1] Costamagna G， Shah SK， Riccioni ME， et al. A prospective trial comparing small bowel radiographs and video capsule endoscopy for suspected small bowel disease [J]. Gastroenterology， 2002， 123（4）： 999-1005.

[2] G？lder SK， Schreyer AG， Endlicher E， et al. Comparison of capsule endoscopy and magnetic resonance （MR） enteroclysis in suspected small bowel disease [J]. Int J Colorectal Dis， 2006， 21（2）： 97-104.

[3] Heine GD， Hadithi M， Groenen MJ， et al. Double-balloon enteroscopy： indications， diagnostic yield， and complications in a series of 275 patients with suspected small-bowel disease[J]. Endoscopy， 2006， 38（1）： 42-48.

[4] Pennazio M， Spada C， Eliakim R， et al. Small-bowel capsule endoscopy and device-assisted enteroscopy for diagnosis and treatment of small-bowel disorders： European Society of Gastrointestinal Endoscopy （ESGE） clinical guideline [J]. Endoscopy， 2015， 47（4）： 352-376.

[5] Triester SL， Leighton JA， Leontiadis GI， et al. A metaanalysis of the yield of capsule endoscopy compared to other diagnostic modalities in patients with obscure gastrointestinal bleeding [J]. Am J Gastroenterol， 2005， 100（11）： 2407-2418.

[6] Iddan G， Meron G， Glukhovsky A， et al. Wireless capsule endoscopy [J]. Nature， 2000， 405（6785）： 417.

[7] Gong F， Swain P， Mills T. Wireless endoscopy [J]. Gastrointest Endosc， 2000， 51（6）： 725-729.

[8] Liao Z， Gao R， Xu C， et al. Indications and detection， completion， and retention rates of small-bowel capsule endoscopy： a systematic review [J]. Gastrointest Endosc， 2010， 71（2）： 280-286.

[9] Yu KH， Beam AL， Kohane IS. Artificial intelligence in healthcare [J]. Nat Biomed Eng， 2018， 2（10）： 719-731.

[10] Shin HC， Roth HR， Gao M， et al. Deep convolutional neural networks for computer-aided detection： CNN architectures， dataset characteristics and transfer learning [J]. IEEE Trans Med Imaging， 2016， 35（5）： 1285-1298.

[11] Waljee AK， Higgins PDR. Machine learning in medicine： a primer for physicians [J]. Am J Gastroenterol， 2010， 105（6）： 1224-1226.

[12] Kermany DS， Goldbaum M， Cai W， et al. Identifying medical diagnoses and treatable diseases by image-based deep learning [J]. Cell， 2018， 172（5）： 1122-1131.

[13] Obermeyer Z， Emanuel EJ. Predicting the future - big data， machine learning， and clinical medicine [J]. New Engl J Med， 2016， 375（13）： 1216-1219.

[14] Iakovidis DK， Dimas G， Karargyris A， et al. Deep endoscopic visual measurements [J]. IEEE J Biomed Health Inform， 2019， 23（6）： 2211-2219.

[15] Fan S， Xu L， Fan Y， et al. Computer-aided detection of small intestinal ulcer and erosion in wireless capsule endoscopy images [J]. Phys Med Biol， 2018， 63（16）： 165001.

[16] Wang S， Xing Y， Zhang L， et al. Deep convolutional neural network for ulcer recognition in wireless capsule endoscopy： experimental feasibility and optimization [J/OL]. Comput Math Methods Med， 2019， 2019： 7546215 [2020-03-23]. doi：10.1155/2019/7546215.

[17] Tsuboi A， Oka S， Aoyama K， et al. Artificial intelligence using a convolutional neural network for automatic detection of small-bowel angioectasia in capsule endoscopy images [J]. Dig Endosc， 2020， 32（3）： 382-390.

[18] Ding Z， Shi H， Zhang H， et al. Gastroenterologist-level identification of small-bowel diseases and normal variants by capsule endoscopy using a deep-learning model [J]. Gastroenterology， 2019， 157（4）： 1044-1054.e5.

[19] Jia X， Meng MQ. Gastrointestinal bleeding detection in wireless capsule endoscopy images using handcrafted and CNN features [J]. Conf Proc IEEE Eng Med Biol Soc， 2017， 2017： 3154-3157.

[20] He JY， Wu X， Jiang YG， et al. Hookworm detection in wireless capsule endoscopy images with deep learning [J]. IEEE Trans Image Process， 2018， 27（5）： 2379-2392.

*基金項目：復(fù)旦大學(xué)附屬華山醫(yī)院院級啟動基金資助項目（2020QD008）

**通信作者：陳堅，副主任醫(yī)師。研究方向：消化道腫瘤的基礎(chǔ)研究與臨床診治。E-mail： chen5120@126. com