(青島大學(xué)附屬青島市市立醫(yī)院東院保健科，山東 青島 266003)

消化內(nèi)鏡技術(shù)是診斷胃腸道疾病的重要手段，普通白光內(nèi)鏡在觀察黏膜淺表血管、組織形態(tài)變化方面已無(wú)法滿(mǎn)足臨床需求。隨著窄帶成像放大內(nèi)鏡、智能分光比色技術(shù)、共聚焦激光顯微內(nèi)鏡等較為先進(jìn)內(nèi)鏡技術(shù)應(yīng)用于臨床，內(nèi)鏡成像包含越來(lái)越多的復(fù)雜信息，內(nèi)鏡圖像的解讀成為一項(xiàng)具有挑戰(zhàn)性工作。隨著信息技術(shù)快速發(fā)展，深度學(xué)習(xí)(DL)在醫(yī)療領(lǐng)域受到越來(lái)越多的關(guān)注，計(jì)算機(jī)輔助診斷(CAD)胃腸道疾病成為一項(xiàng)熱門(mén)的研究課題。通過(guò)分析提取疾病信息載體的內(nèi)鏡圖像數(shù)據(jù)特征，CAD可提高臨床醫(yī)生執(zhí)行醫(yī)療任務(wù)能力，并有效提升診斷準(zhǔn)確率，進(jìn)而指導(dǎo)治療、評(píng)估預(yù)后。目前，DL已在內(nèi)鏡下診斷Barrett食管、食管癌、幽門(mén)螺旋桿菌(Hp)感染、胃癌、結(jié)腸息肉等方面取得一定成果，未來(lái)在胃腸病學(xué)中應(yīng)用范圍將進(jìn)一步擴(kuò)大。本文對(duì)國(guó)內(nèi)外關(guān)于DL在Barrett食管、食管癌、Hp感染、胃癌、結(jié)腸息肉等方面應(yīng)用，以及DL在胃腸鏡診斷中存在的不足及未來(lái)發(fā)展前景研究進(jìn)展進(jìn)行綜述。

1 DL概述

人工智能以人類(lèi)智慧為基礎(chǔ)，通過(guò)技術(shù)手段設(shè)定特定的程序使計(jì)算機(jī)模擬人類(lèi)的某些行為或思維過(guò)程，致力于實(shí)現(xiàn)智能行為自動(dòng)化。當(dāng)人工智能與臨床胃腸鏡成像技術(shù)結(jié)合時(shí)，往往面對(duì)大量圖像數(shù)據(jù)需要進(jìn)行深度挖掘、剖析內(nèi)鏡圖像數(shù)據(jù)與疾病診斷之間的關(guān)聯(lián)。CAD是借助計(jì)算機(jī)算法及圖形處理技術(shù)進(jìn)行內(nèi)鏡圖像預(yù)處理、提取圖像特征、處理數(shù)據(jù)、得出診斷結(jié)果的一種先進(jìn)技術(shù)[1]。

DL是目前主流的人工智能實(shí)現(xiàn)方法，其實(shí)質(zhì)是通過(guò)構(gòu)建多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，對(duì)數(shù)據(jù)中的原始特征進(jìn)行表征學(xué)習(xí)，組合低層特征形成抽象高層表示屬性類(lèi)別或特征[2]。作為建立、模擬人腦神經(jīng)結(jié)構(gòu)進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，DL具有較強(qiáng)的建模和推理能力，善于利用計(jì)算機(jī)算法挖掘、提取原始圖像數(shù)據(jù)中包含的抽象原始特征，通過(guò)一系列的復(fù)雜函數(shù)算法解釋醫(yī)學(xué)圖像，邏輯模擬計(jì)算機(jī)在腦神經(jīng)元中的結(jié)構(gòu)活動(dòng)，實(shí)現(xiàn)計(jì)算機(jī)輸出單一診斷結(jié)果[3]。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種經(jīng)典而廣泛應(yīng)用DL模型，擅長(zhǎng)處理圖像尤其是復(fù)雜圖像相關(guān)的學(xué)習(xí)問(wèn)題。CNN充分挖掘高維數(shù)據(jù)中的內(nèi)在結(jié)構(gòu)，通過(guò)卷積來(lái)模擬特征區(qū)分，基于卷積的權(quán)值共享及池化，降低圖像參數(shù)的數(shù)量級(jí)，對(duì)復(fù)雜的圖像數(shù)據(jù)自發(fā)進(jìn)行降維處理，減少訓(xùn)練參數(shù)數(shù)目，使圖像學(xué)習(xí)模型對(duì)縮放、平移、扭曲在一定程度上具有不變性、較強(qiáng)的魯棒性和容錯(cuò)能力，優(yōu)化模型訓(xùn)練，自發(fā)地從原始圖像數(shù)據(jù)中獲得特征的表達(dá)[4]。CNN在DL領(lǐng)域是一個(gè)“端到端”圖像分類(lèi)模型，即輸入原始內(nèi)鏡圖像，輸出內(nèi)鏡下診斷疾病類(lèi)別[5]。

2 DL技術(shù)在胃腸鏡診斷中的應(yīng)用

2.1 Barrett食管

Barrett食管是食管腺癌潛在的風(fēng)險(xiǎn)因子，絕大部分的指南均建議對(duì)可疑Barrett食管的病人進(jìn)行“每隔2 cm四象限活檢”[6]，然而目前異常增生病變區(qū)域活檢的靈敏度僅為64%[7]。目前以DL為基礎(chǔ)的CAD已研發(fā)用于自動(dòng)識(shí)別Barrett食管及Barrett食管中癌變部位的技術(shù)。

2015年，VAN DER SOMMEN等[8]設(shè)計(jì)了機(jī)器學(xué)習(xí)常規(guī)內(nèi)鏡圖像下特殊紋理、顏色濾過(guò)的計(jì)算機(jī)算法，識(shí)別早期Barrett食管病變區(qū)域的每圖像分析的靈敏度和特異度均為83%。該小組又基于容積式激光顯微內(nèi)鏡(VLE)成像技術(shù)開(kāi)發(fā)了CAD模型，利用分層、信號(hào)強(qiáng)度分析、分層與信號(hào)衰減統(tǒng)計(jì)等計(jì)算機(jī)算法，分別將60張Barrett食管病人高質(zhì)量離體VLE圖像進(jìn)行體外交叉驗(yàn)證，結(jié)果顯示“分層與信號(hào)衰減統(tǒng)計(jì)”性能最優(yōu)，受試者工作特征曲線下面積(AUC)為0.95，靈敏度為90%，特異度為93%[9]。DE GROOF等[10]就DL的CAD系統(tǒng)輔助內(nèi)鏡醫(yī)生識(shí)別Barrett食管展開(kāi)研究，前瞻性收集經(jīng)組織學(xué)驗(yàn)證的60例Barrett食管病人內(nèi)鏡圖像，病變圖像由6位專(zhuān)家獨(dú)立評(píng)估，在線軟件描繪病變區(qū)域，利用DL的監(jiān)督學(xué)習(xí)技術(shù)，識(shí)別病變區(qū)域相關(guān)組織顏色、紋理，以求高精度檢測(cè)和定位Barrett食管癌變部位，結(jié)果顯示系統(tǒng)輔助診斷Barrett食管癌變的靈敏度為95%，特異度為85%，準(zhǔn)確率為92%。

2.2 食管癌

食管癌作為所有癌癥中第六大死亡原因，病人5年生存率僅15%～20%[11]。最近一項(xiàng)大型回顧性、多中心隊(duì)列研究表明，早期食管癌漏診率約為6.4%[12]，早期食管癌癥狀的非特異性導(dǎo)致50%的病人確診時(shí)無(wú)法行手術(shù)治療或已有遠(yuǎn)處轉(zhuǎn)移[13]。早期食管癌的篩查與診治是提高食管癌病人預(yù)后的有效途徑。胃鏡檢查為食管癌及癌前病變篩查的常規(guī)手段，有效提高內(nèi)鏡篩查的靈敏度與診斷的準(zhǔn)確率尤為重要。目前已有內(nèi)鏡下食管癌智能識(shí)別、浸潤(rùn)深度判定及光學(xué)病理學(xué)預(yù)測(cè)等方面的研究。

SHIN等[14]就高分辨率顯微內(nèi)鏡(HRME)下食管鱗狀細(xì)胞癌(ESCC)的CAD展開(kāi)定量研究，組織病理學(xué)輔助驗(yàn)證，結(jié)果顯示獨(dú)立驗(yàn)證組輔助診斷ESCC的靈敏度、特異度和AUC分別為84%、95%和0.93。HORIE等[15]采用單發(fā)多盒檢測(cè)(SSD)DL神經(jīng)網(wǎng)絡(luò)架構(gòu)，開(kāi)發(fā)了常規(guī)內(nèi)鏡圖像下智能識(shí)別食管癌的CNN模型，該系統(tǒng)用時(shí)27 s快速分析1 118張驗(yàn)證集圖像，靈敏度和準(zhǔn)確率均達(dá)98%。GHATWARY等[16]基于CNN就高清白光內(nèi)鏡(HD-WLE)圖像自動(dòng)識(shí)別食管腺癌(EAC)構(gòu)建CAD模型，系統(tǒng)自動(dòng)檢測(cè)和診斷EAC的靈敏度為96%，特異度為92%。EBIGBO等[17]報(bào)道，利用CAD-DL評(píng)估早期EAC的靈敏度為97%，特異度為88%。GUO等[18]開(kāi)發(fā)CAD食管癌前病變及早期ESCC系統(tǒng)，利用6 473張癌前病變、早期ESCC和非癌性病變的窄帶成像對(duì)CAD模型進(jìn)行訓(xùn)練，通過(guò)內(nèi)鏡圖像集、視頻數(shù)據(jù)集進(jìn)行驗(yàn)證，圖像檢測(cè)的靈敏度和特異度分別為98.04%和95.03%，AUC為0.989。對(duì)于27個(gè)非放大視頻數(shù)據(jù)集，每幀靈敏度60.8%，每病變靈敏度(定義為至少在視頻一幀中通過(guò)算法正確檢測(cè)到病變的百分比)為100%；而對(duì)于20個(gè)放大視頻，每幀靈敏度為96.1%，每病變靈敏度為100%；未改變?nèi)L(zhǎng)的33個(gè)食管內(nèi)鏡視頻每幀特異度為99.9%，每病變特異度為90.9%。以上研究通過(guò)分析存儲(chǔ)的內(nèi)鏡圖像，為實(shí)時(shí)內(nèi)鏡檢查快速識(shí)別食管癌奠定了基礎(chǔ)。

KUMAGAI等[19]基于細(xì)胞內(nèi)鏡系統(tǒng)(ECS)應(yīng)用DL實(shí)現(xiàn)虛擬組織學(xué)診斷，就“光學(xué)活檢”替代ESCC活組織檢查展開(kāi)研究，結(jié)果顯示，系統(tǒng)17 s分析1 520張獨(dú)立訓(xùn)練集內(nèi)鏡圖像，正確識(shí)別27例ESCC中25例病變，總體靈敏度為92.6%；準(zhǔn)確識(shí)別28例良性食管病變中25例非癌性病變，特異度為89.3%，準(zhǔn)確率為90.9%，提示在無(wú)組織學(xué)活檢情況下診斷ESCC有望成為可能。

NAKAGAWA等[20]采用SSD架構(gòu)，利用深度神經(jīng)網(wǎng)絡(luò)分析ESCC浸潤(rùn)深度構(gòu)建了CAD系統(tǒng)。CAD相較于16名經(jīng)驗(yàn)豐富的內(nèi)鏡醫(yī)生使用相同的驗(yàn)證集驗(yàn)證結(jié)果，靈敏度分別為90.1%、89.8%，特異度分別為95.8%、88.3%，陽(yáng)性預(yù)測(cè)值分別為99.2%、97.9%，陰性預(yù)測(cè)值分別為63.9%、65.5%，系統(tǒng)區(qū)分黏膜下深層、黏膜層及黏膜淺層浸潤(rùn)的準(zhǔn)確率達(dá)91%。該研究結(jié)果表明，新開(kāi)發(fā)的人工智能-CAD系統(tǒng)診斷食管癌浸潤(rùn)深度與經(jīng)驗(yàn)豐富的內(nèi)鏡醫(yī)生相當(dāng)。

2.3 Hp感染

Hp感染可使部分病人發(fā)生胃黏膜萎縮和腸上皮化生，兩者均會(huì)增加胃癌罹患風(fēng)險(xiǎn)。常規(guī)內(nèi)鏡下結(jié)節(jié)狀胃炎高度提示Hp感染，放大內(nèi)鏡和窄帶成像可觀察Hp感染特殊征象，包括胃小凹和(或)匯集小靜脈、上皮下毛細(xì)血管網(wǎng)等改變。WATANABE等[21]報(bào)道，內(nèi)鏡下Hp感染診斷陽(yáng)性率為62.1%，Hp未感染為88.9%，Hp根除率為55.8%。人工智能可提高內(nèi)鏡下識(shí)別Hp感染的準(zhǔn)確率，減少漏診。

SHICHIJO等[22]研究應(yīng)用22層深度神經(jīng)網(wǎng)絡(luò)架構(gòu)GoogLeNet，通過(guò)包含超過(guò)1 400萬(wàn)張圖像的ImageNet數(shù)據(jù)庫(kù)進(jìn)行預(yù)訓(xùn)練，學(xué)習(xí)圖像特征，實(shí)現(xiàn)遷移學(xué)習(xí)過(guò)程。共納入32 208張圖片構(gòu)建了CAD的Hp感染模型，11 481張圖片評(píng)估模型，CAD與23名內(nèi)鏡醫(yī)師手動(dòng)診斷同步進(jìn)行，CAD診斷Hp感染的靈敏度、特異度、準(zhǔn)確率、診斷時(shí)間分別為88.9%、87.4%、87.7%、194 s，而內(nèi)鏡醫(yī)師則分別為79.0%、83.2%、82.4%、(230±65)min。ITOH等[23]開(kāi)發(fā)了基于CNN的智能識(shí)別Hp感染的CAD模型，檢測(cè)Hp感染的靈敏度和特異度均為86.7%，AUC為0.956。ZHENG等[24]結(jié)合CNN模型(RESNET-50)評(píng)估Hp感染，研究納入1 959例病人的15 484張上消化道內(nèi)鏡圖像集作為訓(xùn)練及驗(yàn)證集，系統(tǒng)識(shí)別單個(gè)內(nèi)鏡圖像的準(zhǔn)確率為84.5%，靈敏度為81.4%，特異度為90.1%，AUC為0.93。SHICHIJO等[25]就常規(guī)內(nèi)鏡圖像應(yīng)用CAD評(píng)估Hp感染狀態(tài)進(jìn)行試驗(yàn)研究，試驗(yàn)納入98 546張內(nèi)鏡圖像作為算法預(yù)訓(xùn)練數(shù)據(jù)集，系統(tǒng)以261 s快速分析23 699張單獨(dú)測(cè)試數(shù)據(jù)集，Hp陰性的診斷準(zhǔn)確率約為80%，Hp陽(yáng)性約為48%，Hp根除狀態(tài)約為84%。該結(jié)果提示CAD模型在一定程度上可對(duì)Hp感染狀態(tài)進(jìn)行有效預(yù)測(cè)。NAKASHIMA等[26]利用圖像增強(qiáng)內(nèi)鏡(IEE)設(shè)計(jì)了基于DL算法預(yù)測(cè)Hp感染狀態(tài)的前瞻性研究，222例受試者依次拍攝普通白光(WLI)、增強(qiáng)藍(lán)激光成像(BLI-bright)、聯(lián)動(dòng)成像內(nèi)鏡(LCI)3種不同的IEE光源模式圖像，以血清學(xué)Hp抗體驗(yàn)證，研究結(jié)果顯示W(wǎng)LI、BLI-Bright及LCI的AUC分別為0.66、0.96、0.95，BLI-Bright、LCI所獲得的AUC顯著大于WLI。

2.4 胃癌

目前我國(guó)早期胃癌的診斷率不足10%，遠(yuǎn)低于日本的50%～70%[27]。胃癌的早期識(shí)別主要存在兩大問(wèn)題：①早期胃癌常常表現(xiàn)為微小的平坦、隆起或凹陷，內(nèi)鏡下準(zhǔn)確識(shí)別十分困難；②內(nèi)鏡下胃癌浸潤(rùn)深度判定困難。利用CAD早期胃癌及癌前病變、判斷胃癌浸潤(rùn)深度的研究已有報(bào)道。2013年，MIYAKI等[28]開(kāi)發(fā)了基于放大內(nèi)鏡智能分光比色技術(shù)(FICE)的早期胃癌定量分析系統(tǒng)，其總體準(zhǔn)確率達(dá)85.9%。隨后，該團(tuán)隊(duì)基于BLI進(jìn)行早期胃癌的定量分析研究，可有效地區(qū)分早期胃癌、癌癥周?chē)M織炎癥、胃炎[29]。2018年，KANESAKA等[30]開(kāi)發(fā)了結(jié)合窄帶成像放大內(nèi)鏡(ME-NBI)計(jì)算機(jī)輔助識(shí)別胃癌、劃定胃癌邊界的軟件，該系統(tǒng)識(shí)別胃癌準(zhǔn)確率高達(dá)96.3%，界定胃癌病變區(qū)域的準(zhǔn)確率達(dá)73.8%。

2018年，HIRASAWA等[3]首次報(bào)道了常規(guī)內(nèi)鏡下基于CNN實(shí)現(xiàn)胃癌的自動(dòng)檢測(cè)，CNN診斷系統(tǒng)47 s可分析2 296張測(cè)試圖像，總體靈敏度達(dá)92.2%，直徑≥6 mm侵襲性病灶靈敏度為98.6%。次年，WU等[31]采用深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)架構(gòu)，開(kāi)發(fā)了無(wú)盲點(diǎn)早期胃癌的內(nèi)鏡檢測(cè)、智能識(shí)別胃鏡圖像解剖位置系統(tǒng)，早期胃癌智能識(shí)別的準(zhǔn)確率為92.5%，優(yōu)于同期各級(jí)內(nèi)鏡醫(yī)生的診斷能力；細(xì)分胃解剖部位為10部位或26部位，CAD參照胃鏡圖像確定其解剖部位的準(zhǔn)確率分別為90.0%或65.9%，與內(nèi)鏡醫(yī)生表現(xiàn)相當(dāng)。LUO等[32]開(kāi)展了一項(xiàng)多中心、病例對(duì)照、診斷性研究，研究對(duì)象來(lái)自中山大學(xué)癌癥中心聯(lián)合5家醫(yī)院，行內(nèi)鏡下上消化道癌癥(食管癌、胃癌)檢測(cè)，收集了84 424例病人的1 036 469幅內(nèi)鏡圖像完成系統(tǒng)開(kāi)發(fā)測(cè)試，其內(nèi)部驗(yàn)證集準(zhǔn)確率為95.5%，靈敏度為94.2%，陽(yáng)性預(yù)測(cè)值為81.4%，陰性預(yù)測(cè)值為97.8%，該系統(tǒng)具有較高的診斷準(zhǔn)確性，對(duì)比診斷性能與內(nèi)鏡專(zhuān)家水平相當(dāng)，且優(yōu)于普通內(nèi)鏡醫(yī)生，具有較高的臨床使用價(jià)值。

KUBOTA等[33]應(yīng)用反向傳播神經(jīng)網(wǎng)絡(luò)算法，首次開(kāi)發(fā)了可進(jìn)行胃癌浸潤(rùn)深度分析的計(jì)算機(jī)輔助系統(tǒng)，總體準(zhǔn)確率為64.7%。2019年YOON等[34]基于CNN改善早期胃癌內(nèi)鏡下檢測(cè)和深度預(yù)測(cè)展開(kāi)研究，結(jié)果表明針對(duì)早期胃癌檢測(cè)和深度預(yù)測(cè)其AUC分別為0.981和0.851。ZHU等[35]基于CNN-CAD系統(tǒng)，應(yīng)用深度殘差網(wǎng)絡(luò)(ResNet-50)架構(gòu)進(jìn)行遷移學(xué)習(xí)，常規(guī)內(nèi)鏡下確定胃癌侵襲深度，鑒別黏膜內(nèi)癌(M)、黏膜下淺層分化型癌(SM1，浸潤(rùn)深度≤500 μm)、黏膜下深層浸潤(rùn)癌(SM2，浸潤(rùn)深度>500 μm)。該系統(tǒng)36 s成功檢測(cè)了203張獨(dú)立測(cè)試集常規(guī)內(nèi)鏡圖像，系統(tǒng)識(shí)別SM2的靈敏度達(dá)76.47%，特異度達(dá)95.56%，其總體準(zhǔn)確率則達(dá)89.16%，AUC達(dá)0.94。

2.5 結(jié)腸息肉及腺瘤

結(jié)腸鏡檢查是發(fā)現(xiàn)結(jié)腸息肉及腺瘤的主要手段。腺瘤檢出率每增加1%，結(jié)直腸癌發(fā)病率則降低約3%[36]。數(shù)據(jù)統(tǒng)計(jì)分析發(fā)現(xiàn)，腺瘤漏診率約為26%[37]，因此，減少腺瘤和息肉的漏診是標(biāo)準(zhǔn)結(jié)腸鏡檢查目標(biāo)。CAD結(jié)腸息肉及腺瘤主要包括結(jié)腸鏡下息肉的自動(dòng)識(shí)別及實(shí)時(shí)顯示息肉存在的位置、大小、數(shù)量等特征，內(nèi)鏡下行息肉組織學(xué)分類(lèi)，實(shí)現(xiàn)精確光學(xué)診斷。

KARKANIS等[38]首次報(bào)道使用CAD靜態(tài)結(jié)腸鏡圖像下結(jié)直腸息肉，檢出率>90%。此項(xiàng)回顧性研究結(jié)果僅適用于靜態(tài)圖像，故研究結(jié)果無(wú)法應(yīng)用于臨床。為解決上述問(wèn)題，2018年MISAWA等[39]開(kāi)展了一項(xiàng)通過(guò)分析內(nèi)鏡視頻，實(shí)時(shí)檢測(cè)結(jié)直腸息肉的三維CNN試驗(yàn)性研究，結(jié)果提示該系統(tǒng)的準(zhǔn)確率達(dá)76.5%。URBAN等[40]利用CNN測(cè)試了計(jì)算機(jī)輔助實(shí)時(shí)定位和篩查息肉的圖像分析能力，試驗(yàn)使用長(zhǎng)達(dá)5 h由專(zhuān)家標(biāo)識(shí)的20個(gè)結(jié)腸鏡檢查視頻作為測(cè)試集，結(jié)果顯示CNN自動(dòng)檢測(cè)息肉的準(zhǔn)確率為96.4%。與此同時(shí)，WANG等[41]開(kāi)發(fā)和驗(yàn)證了自動(dòng)檢測(cè)腸鏡下息肉的DL算法，對(duì)1 290例病人的5 545張結(jié)腸鏡圖像數(shù)據(jù)進(jìn)行實(shí)時(shí)訓(xùn)練，使用4個(gè)獨(dú)立數(shù)據(jù)集集中驗(yàn)證：數(shù)據(jù)集A為1 138例病人的27 113張結(jié)腸鏡圖像，測(cè)試靈敏度為94.38%，特異度為95.92%，AUC為0.984；數(shù)據(jù)集B為CVC-ClinicDB公共數(shù)據(jù)庫(kù)，29個(gè)結(jié)腸鏡視頻包含612張息肉圖像，靈敏度為88.24%；數(shù)據(jù)集C為包含138例經(jīng)組織學(xué)證實(shí)為息肉的110例病人的138個(gè)剪輯結(jié)腸鏡檢查視頻，靈敏度為91.64%；數(shù)據(jù)集D為54例病人結(jié)腸鏡檢查的全長(zhǎng)視頻，測(cè)試特異度為95.4%。同年，該小組基于DL的息肉自動(dòng)檢測(cè)系統(tǒng)進(jìn)行了一項(xiàng)前瞻性隨機(jī)對(duì)照研究，在腺瘤及息肉檢出群體中小腺瘤和增生性息肉的檢出率較標(biāo)準(zhǔn)內(nèi)鏡增加，較大腺瘤檢出率兩者無(wú)明顯差異[42]。

KOMEDA等[43]基于CNN系統(tǒng)就結(jié)腸息肉分類(lèi)展開(kāi)了初步研究，驗(yàn)證結(jié)果的準(zhǔn)確率為75.1%。MORI等[44]開(kāi)展了一項(xiàng)利用CAD鑒別腫瘤性息肉或非腫瘤性息肉前瞻性研究，結(jié)果顯示微小息肉(息肉大小≤5 mm)病理預(yù)測(cè)準(zhǔn)確率達(dá)98.1%。BYRNE等[45]通過(guò)構(gòu)建DL模型，分析原始結(jié)腸鏡檢查視頻，實(shí)時(shí)區(qū)分視頻中微小腺瘤及增生性息肉，準(zhǔn)確率為94%，特異度為83%，靈敏度為98%。因此，基于CAD預(yù)測(cè)息肉病理類(lèi)型在未來(lái)臨床工作中有望成為可能，息肉病理準(zhǔn)確預(yù)測(cè)仍是臨床上一項(xiàng)重要挑戰(zhàn)。

3 存在的問(wèn)題

3.1 假陽(yáng)性和假陰性結(jié)果

自動(dòng)檢測(cè)胃腸道腫瘤在胃腸道疾病的CAD中尤為關(guān)鍵，假陽(yáng)性(非腫瘤誤診為腫瘤)和假陰性(腫瘤誤診為非腫瘤)結(jié)果的誤判，直接導(dǎo)致治療方案的錯(cuò)誤選擇。胃腸道腫瘤要求內(nèi)鏡下切除或手術(shù)切除，而非腫瘤性息肉則可保留。如胃炎伴紅腫、萎縮、腸上皮化生時(shí)，賁門(mén)、胃竇、幽門(mén)的顏色、黏膜表面及其正常組織結(jié)構(gòu)改變，易與早期胃癌混淆，假陽(yáng)性增多[3]?；蛞蛟缙诎┳儏^(qū)域過(guò)小，內(nèi)鏡下漏診，假陰性出現(xiàn)。導(dǎo)致假陽(yáng)性或假陰性最主要原因?yàn)闄C(jī)器學(xué)習(xí)材料數(shù)量和質(zhì)量的限制，一方面，累積量大且質(zhì)優(yōu)的內(nèi)鏡下圖片進(jìn)行計(jì)算機(jī)算法的訓(xùn)練與驗(yàn)證，才能產(chǎn)生更加準(zhǔn)確結(jié)果；另一方面，內(nèi)鏡視頻常包含更多低像素的真實(shí)圖片，這是靜止圖片很難捕捉的，利用視頻里截取的大量畫(huà)面作為學(xué)習(xí)材料，一定范圍內(nèi)減少假陽(yáng)性和假陰性率[7]。

3.2 前瞻性試驗(yàn)研究缺乏

目前的研究多為回顧性，由于研究前排除了因空氣不足、活檢后出血、黏液分泌、食物及糞便干擾、暈影、模糊、散焦等導(dǎo)致的低質(zhì)量圖片[3,15,46]，有傾向性地選擇清晰、典型、分辨率清晰的高質(zhì)量?jī)?nèi)鏡圖像，造成了選擇偏倚，導(dǎo)致回顧性試驗(yàn)研究的結(jié)果往往優(yōu)于臨床操作時(shí)實(shí)際結(jié)果。由于排除了低質(zhì)量圖片，回顧性研究往往無(wú)法解釋實(shí)時(shí)內(nèi)鏡檢查拍攝的低質(zhì)量圖片?，F(xiàn)已有針對(duì)Barrett食管、Hp感染、結(jié)直腸息肉及腺瘤等的前瞻性研究，結(jié)果不易受偏倚影響，可獲得相對(duì)真實(shí)、可信度更高的臨床試驗(yàn)數(shù)據(jù)[10,26,42]。故應(yīng)著力進(jìn)行大量前瞻性研究，不斷改良CAD系統(tǒng)，提高臨床試驗(yàn)的準(zhǔn)確率、靈敏度及特異度，為人工智能走向未來(lái)臨床實(shí)時(shí)應(yīng)用打下堅(jiān)實(shí)基礎(chǔ)。

3.3 回顧性試驗(yàn)研究學(xué)習(xí)材料的來(lái)源渠道單一

不同型號(hào)的內(nèi)鏡所獲得的檢查圖像的分辨率在不同設(shè)備中變化很大[35]，現(xiàn)階段大部分回顧性試驗(yàn)的材料來(lái)源于相同類(lèi)型的內(nèi)鏡和內(nèi)鏡系統(tǒng)等單一渠道，以后研究應(yīng)盡量包含多中心機(jī)構(gòu)、多型號(hào)、多設(shè)備內(nèi)鏡圖像數(shù)據(jù)，以確保結(jié)果的可重復(fù)性。

3.4 內(nèi)鏡視頻的輔助診斷缺乏

目前，內(nèi)鏡視頻整體分析多偏向于結(jié)腸息肉及腺瘤方向[39-41,45]，其他領(lǐng)域較少涉及，CAD研究大多數(shù)針對(duì)選定的內(nèi)鏡圖像，臨床實(shí)時(shí)應(yīng)用具有一定片面性與局限性。由于圖像數(shù)據(jù)集回顧性使用不能涵蓋病變所有形態(tài)特征，因缺乏非臨床意義的非典型特征，導(dǎo)致圖像選擇偏倚程度很高[47]。視頻集的應(yīng)用能較好解決上述問(wèn)題。同時(shí)，內(nèi)鏡視頻分析可在實(shí)時(shí)內(nèi)鏡檢查后行二次復(fù)查，快速識(shí)別、篩查胃腸道疾病，減少疾病漏診，在未來(lái)的DL輔助胃腸鏡檢查具有相當(dāng)大的發(fā)展?jié)撃堋?/p>

3.5 數(shù)據(jù)集的相對(duì)不平衡

目前，大多數(shù)研究使用診斷測(cè)試評(píng)估人工智能輔助診斷系統(tǒng)，結(jié)果在很大程度上受樣本質(zhì)量和數(shù)量影響。訓(xùn)練集、測(cè)試集及驗(yàn)證集在病人病種及疾病嚴(yán)重程度上應(yīng)完全獨(dú)立，考慮數(shù)據(jù)偏斜對(duì)模型影響，應(yīng)根據(jù)疾病組成、目標(biāo)人群和其他相關(guān)因素來(lái)準(zhǔn)備測(cè)試數(shù)據(jù)集，以確保陽(yáng)性樣本和陰性樣本的充分性[47-48]。此外，還應(yīng)將病人患病風(fēng)險(xiǎn)分層納入當(dāng)前DL模型中，以改善高風(fēng)險(xiǎn)人群的漏診，并且減少常規(guī)人群的誤診，使CAD得到更好的應(yīng)用。

4 發(fā)展前景

基于DL技術(shù)進(jìn)行CAD獲得越來(lái)越多的關(guān)注，這與DL技術(shù)應(yīng)用于實(shí)時(shí)胃腸鏡較好的發(fā)展前景密不可分。CAD在實(shí)時(shí)胃腸鏡檢查中提示病變部位，給予精準(zhǔn)分類(lèi)，將作為第二個(gè)觀察者輔助疾病診斷[41]。在低醫(yī)療資源地區(qū)或人群密集地區(qū)，CAD用于人群胃腸鏡篩查，可避免內(nèi)鏡醫(yī)生因經(jīng)驗(yàn)及專(zhuān)業(yè)知識(shí)不足或大負(fù)荷量的工作疲勞產(chǎn)生疾病漏診或誤診。CAD結(jié)合細(xì)胞內(nèi)鏡或高分辨率顯微內(nèi)鏡等成像技術(shù)，可實(shí)時(shí)給予替代組織病理學(xué)的病理結(jié)果，根據(jù)計(jì)算機(jī)視覺(jué)優(yōu)勢(shì)，甚至可預(yù)測(cè)腫瘤浸潤(rùn)深度[20,35,49]，指導(dǎo)疾病的診斷，以提供更有效的治療[19,50]。CAD可用于培訓(xùn)缺乏經(jīng)驗(yàn)的新內(nèi)鏡醫(yī)生，為其提供在線專(zhuān)業(yè)知識(shí)的訓(xùn)練，提升專(zhuān)業(yè)技能。CAD可在線進(jìn)行[3,22]，為國(guó)內(nèi)一些缺乏具有豐富經(jīng)驗(yàn)內(nèi)鏡醫(yī)生的地區(qū)提供更為專(zhuān)業(yè)的內(nèi)鏡診斷，便于病人于當(dāng)?shù)蒯t(yī)院就診，簡(jiǎn)化看病流程。

目前大多數(shù)研究仍集中在早期系統(tǒng)開(kāi)發(fā)和可行性研究階段，后期產(chǎn)品開(kāi)發(fā)并未能從這些早期研究中跟進(jìn)[51]，DL結(jié)合胃腸鏡檢查進(jìn)行CAD仍處于試驗(yàn)研究階段。因此，未來(lái)還需結(jié)合功能更強(qiáng)大、效率更高、穩(wěn)定性更好的優(yōu)質(zhì)算法與框架，進(jìn)行大量高質(zhì)量的前瞻性試驗(yàn)研究，使CAD系統(tǒng)獲得更高的靈敏度、特異度和準(zhǔn)確率，或可實(shí)現(xiàn)人工智能在臨床中的應(yīng)用。