韓 偉， 周金池， 魏 延， 張 哲， 趙曙光

中國(guó)人民解放軍空軍軍醫(yī)大學(xué)唐都醫(yī)院消化內(nèi)科，陜西 西安 710038

隨著計(jì)算機(jī)技術(shù)和大數(shù)據(jù)技術(shù)的快速發(fā)展，人工智能(artificial intelligence，AI)技術(shù)已成為計(jì)算機(jī)研究領(lǐng)域的焦點(diǎn)和熱點(diǎn)，通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)模仿人類(lèi)行為和思維方式來(lái)實(shí)現(xiàn)計(jì)算機(jī)技術(shù)的人工智能化，其中最先進(jìn)、最常見(jiàn)的就是以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)為代表的深度學(xué)習(xí)(deep learning，DL)技術(shù)，在多個(gè)領(lǐng)域廣泛應(yīng)用，且應(yīng)用效果良好，在醫(yī)學(xué)領(lǐng)域的應(yīng)用更是有力促進(jìn)了疾病診療手段的日益多樣化和智能化，應(yīng)用優(yōu)勢(shì)也愈加明顯。

1 DL的概念及應(yīng)用現(xiàn)狀

DL概念的提出受到人腦神經(jīng)網(wǎng)絡(luò)突觸系統(tǒng)的啟發(fā)，由多層簡(jiǎn)單的計(jì)算節(jié)點(diǎn)構(gòu)成，通過(guò)復(fù)雜的連接來(lái)模擬人類(lèi)視覺(jué)皮層活動(dòng)，目前主要有CNN、全卷積網(wǎng)絡(luò)、自動(dòng)編碼器和深度信念網(wǎng)絡(luò)4種架構(gòu)，以CNN應(yīng)用最為廣泛。CNN通常由一個(gè)輸入層和一個(gè)輸出層，以及多個(gè)隱藏的卷積層、池化層、全連接層和標(biāo)準(zhǔn)化層組成，無(wú)需先驗(yàn)知識(shí)和提前設(shè)定，可直接從給定的圖像大數(shù)據(jù)中對(duì)最有預(yù)測(cè)性的特征進(jìn)行自動(dòng)學(xué)習(xí)并對(duì)圖像進(jìn)行分類(lèi)識(shí)別，自主提取和學(xué)習(xí)數(shù)據(jù)集特征，并據(jù)此作出智能決策，區(qū)別于以往憑個(gè)人經(jīng)驗(yàn)或手動(dòng)設(shè)定并獲取數(shù)據(jù)庫(kù)特點(diǎn)的傳統(tǒng)機(jī)械分析方法，DL可以通過(guò)重復(fù)學(xué)習(xí)過(guò)程從圖像數(shù)據(jù)庫(kù)中識(shí)別重要特征，給予它的數(shù)據(jù)量越大，優(yōu)勢(shì)越明顯，識(shí)別精度也越高，已成功應(yīng)用于許多科學(xué)技術(shù)領(lǐng)域，如計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別與處理、物理、有機(jī)化學(xué)、醫(yī)學(xué)和生物學(xué)等領(lǐng)域[1-3]。

在醫(yī)學(xué)領(lǐng)域，基于DL的智能系統(tǒng)可以自動(dòng)提取和學(xué)習(xí)數(shù)據(jù)庫(kù)中的臨床特征，據(jù)此對(duì)新獲得的臨床數(shù)據(jù)進(jìn)行前瞻性分析并自動(dòng)作出疾病診斷或病情預(yù)測(cè)，Esteva等[4]發(fā)現(xiàn)，基于CNN的智能系統(tǒng)對(duì)皮膚癌的識(shí)別和診斷水平可與皮膚病專(zhuān)家媲美，相關(guān)研究成果發(fā)表于《Nature》雜志并被選為封面文章；Ting等[5]證實(shí)，DL在眼科臨床實(shí)踐中能發(fā)揮重要作用，可用于對(duì)全球老年人群視力損傷的主要病因進(jìn)行篩查、診斷和隨訪(fǎng)，在糖尿病眼病診斷中也有良好表現(xiàn)[6]；此外，DL在肺癌、乳腺癌、腦癌、前列腺癌、阿爾茲海默病及帕金森病等疾病診斷中均有突出表現(xiàn)，在消化系統(tǒng)疾病的臨床診療中也有大量報(bào)道[2，7]。

2 DL在消化系統(tǒng)疾病診療中的應(yīng)用

DL對(duì)圖像特征識(shí)別及分析具有明顯優(yōu)勢(shì)，無(wú)需人工干預(yù)，自動(dòng)從數(shù)據(jù)中提取特征性信息，據(jù)此做出全面分析從而應(yīng)用于疾病診斷，在消化道息肉和早癌、腫瘤、潰瘍性結(jié)腸炎(ulcerative colitis,UC)、脂肪肝、肝臟及胰腺腫塊等常見(jiàn)疾病的識(shí)別與鑒別、診斷及病情判斷與預(yù)測(cè)等方面應(yīng)用成效斐然。

2.1 在消化道息肉識(shí)別中的應(yīng)用息肉依據(jù)組織學(xué)特征可分為腺瘤性息肉及非腺瘤性息肉，其中腺瘤性息肉屬于癌前病變，與結(jié)直腸癌的發(fā)生高度相關(guān)，其內(nèi)鏡下診斷率通常以結(jié)腸鏡檢時(shí)腺瘤識(shí)別率(adenoma detection rate，ADR)表示。研究發(fā)現(xiàn)，ADR每增加1%，結(jié)腸癌的風(fēng)險(xiǎn)降低3%，癌癥相關(guān)死亡率降低5%，腺瘤早期切除可使結(jié)直腸癌的發(fā)生率降低80%以上，因此腺瘤性息肉早期識(shí)別極為重要，但由于部分息肉過(guò)于微小或扁平，或色澤與正常黏膜之間的差異極小而無(wú)法被準(zhǔn)確檢出，漏檢率高達(dá)22%[8]，內(nèi)鏡醫(yī)師經(jīng)驗(yàn)不足也使臨床漏診和誤診幾率增加。因此，急需探索新的輔助診斷方法提高結(jié)腸鏡檢時(shí)ADR。

從2003年Karkanis等[9]首次使用計(jì)算機(jī)輔助檢測(cè)系統(tǒng)通過(guò)分析結(jié)腸黏膜顏色和紋理來(lái)識(shí)別息肉開(kāi)始，AI在結(jié)腸息肉識(shí)別中的效果越來(lái)越顯著，特別是近年DL的出現(xiàn)更促進(jìn)了AI在腸息肉識(shí)別中的應(yīng)用。Urban等[3]使用8 641張結(jié)腸鏡檢查圖像數(shù)據(jù)集(包括4 088張息肉圖像和4 553張正常黏膜圖像)評(píng)估基于CNN的計(jì)算機(jī)輔助圖像分析系統(tǒng)的效能，通過(guò)對(duì)息肉的定位分析和尺寸預(yù)測(cè)，CNN可產(chǎn)生超過(guò)49個(gè)關(guān)于息肉大小和位置的加權(quán)預(yù)測(cè)進(jìn)而做出診斷，結(jié)果顯示CNN識(shí)別息肉的交叉驗(yàn)證精度為0.964，工作特性曲線(xiàn)下面積(the area under the curve，AUC)為0.991，證實(shí)CNN可以實(shí)時(shí)檢測(cè)并定位息肉且能提高ADR；Chen等[10]開(kāi)發(fā)的深度神經(jīng)網(wǎng)絡(luò)輔助智能(computer-aided diagnosis with a deep neural network，DNN-CAD)檢測(cè)系統(tǒng)，對(duì)96例結(jié)腸增生性息肉和188例腺瘤性小息肉的窄帶成像(narrow-band imaging，NBI)圖像進(jìn)行分析，以組織學(xué)檢查結(jié)果為金標(biāo)準(zhǔn)，結(jié)果顯示,DNN-CAD鑒別腫瘤與增生性息肉圖像的靈敏性為96.3%，特異性為78.1%，準(zhǔn)確率為90.1%，結(jié)果與內(nèi)鏡專(zhuān)家相當(dāng)，明顯優(yōu)于4名年輕內(nèi)鏡醫(yī)師(結(jié)腸鏡檢查經(jīng)驗(yàn)<1年)，但DNN-CAD診斷時(shí)間僅為0.45 s，明顯短于內(nèi)鏡醫(yī)師(專(zhuān)家組1.54 svs非專(zhuān)家組1.77 s)，顯示出DNN-CAD的優(yōu)良性能；Zhang等[11]也證實(shí)使用CNN方法檢測(cè)息肉性能好且速度快。以上結(jié)果表明，基于DL算法的智能內(nèi)窺鏡系統(tǒng)不僅可以提高息肉的檢出率，還可有效規(guī)避醫(yī)師經(jīng)驗(yàn)不足帶來(lái)負(fù)面影響，進(jìn)而對(duì)治療決策產(chǎn)生積極影響。

2.2 在消化道腫瘤診斷中的應(yīng)用2015年國(guó)家癌癥中心統(tǒng)計(jì)數(shù)據(jù)顯示，胃癌、腸癌及食管癌高居我國(guó)惡性腫瘤發(fā)病率前列，且胃癌、腸癌死亡率穩(wěn)居前五，發(fā)病率呈逐年上升趨勢(shì)，已成為我國(guó)嚴(yán)重的公共衛(wèi)生問(wèn)題[12]。消化道腫瘤的早發(fā)現(xiàn)、早治療，可使患者5年生存率提高至90%以上，因此早期診治極為重要。但由于消化道早癌多表現(xiàn)為黏膜微血管或腺體結(jié)構(gòu)紊亂，缺乏進(jìn)展期腫瘤的特征性表現(xiàn)，極易遺漏，特別是對(duì)缺乏經(jīng)驗(yàn)的內(nèi)鏡醫(yī)師，因此積極引進(jìn)新的輔助檢查手段和方法顯得極為重要，而AI特別是DL技術(shù)為解決這一問(wèn)題提供了良好的契機(jī)。

Horie等[13]對(duì)基于CNN研制的單點(diǎn)多目標(biāo)盒子探測(cè)器對(duì)食管癌的診斷性能進(jìn)行評(píng)估，首先使用384例食管癌患者的8 428張圖像用于CNN訓(xùn)練，隨后通過(guò)檢測(cè)其他1 118張圖像評(píng)估其診斷性能，結(jié)果顯示CNN僅用27 s就完成全部圖像的識(shí)別與診斷，正確診斷食管癌的靈敏性為98%，且7個(gè)<10 mm小腫瘤病灶均被有效識(shí)別，證實(shí)構(gòu)建的CNN食管癌檢測(cè)系統(tǒng)能夠在較短的時(shí)間內(nèi)對(duì)內(nèi)鏡圖像進(jìn)行高靈敏性分析，臨床實(shí)踐中可助于早期發(fā)現(xiàn)食管癌；Ghatwary等[14]發(fā)現(xiàn)CNN系統(tǒng)還能夠從內(nèi)鏡圖像中定位食管黏膜異常區(qū)域，有助于食管早癌的診斷；Hirasawa等[15]基于單鏡頭多盒探測(cè)器架構(gòu)構(gòu)建CNN智能診斷系統(tǒng)，并使用13 584張胃癌內(nèi)鏡圖像對(duì)其進(jìn)行訓(xùn)練。為了評(píng)估其診斷準(zhǔn)確性，共收集77個(gè)胃癌病變的2 296張圖像，結(jié)果顯示CNN僅需要47 s即完成全部圖像分析，77個(gè)胃癌病變檢出的總靈敏性為92.2%(71/77)，其中71個(gè)直徑≥6 mm的早期病變和所有侵襲性癌，診斷準(zhǔn)確率為98.6%(70/71)，表明該CNN系統(tǒng)在胃癌的實(shí)時(shí)診斷方面具有很大的應(yīng)用潛力；王智杰等[16]也研究了一種搭載有19層CNN的DL模型平臺(tái)對(duì)早期胃癌的識(shí)別和診斷水平。該CNN平臺(tái)由卷積層、池化層、全連接層及輸出層組成，首先由卷積層提取圖像特征后，池化層負(fù)責(zé)對(duì)特征進(jìn)一步匯總來(lái)實(shí)現(xiàn)最大池化，傳入信息再通過(guò)全連接層變換后由輸出層圖像分類(lèi)的概率而做出診斷，結(jié)果顯示，該模型對(duì)早期胃癌診斷的準(zhǔn)確率為89.4%、靈敏性為88.8%、特異性為89.7%，每張圖像的診斷時(shí)間為(0.30±0.02)s，均明顯優(yōu)于內(nèi)鏡醫(yī)師，表明CNN模型可在胃鏡檢查中輔助內(nèi)鏡醫(yī)師實(shí)現(xiàn)對(duì)早期胃癌的實(shí)時(shí)診斷；除可用于診斷外，Zhu等[17]還證實(shí)基于DL算法的計(jì)算機(jī)輔助檢測(cè)系統(tǒng)可以特異性預(yù)測(cè)胃癌的浸潤(rùn)深度，有效指導(dǎo)臨床篩選適宜內(nèi)鏡下切除的患者。

Takemura等[18]對(duì)基于自定義軟件程序(HuPAS 3.0版本)的智能輔助診斷系統(tǒng)診斷結(jié)直腸癌的效能進(jìn)行了研究，該系統(tǒng)可自動(dòng)識(shí)別提取NBI放大內(nèi)鏡下結(jié)直腸癌圖像的黏膜表面微血管結(jié)構(gòu)和表面形態(tài)特征，并據(jù)此對(duì)371張結(jié)直腸病變圖像進(jìn)行診斷性驗(yàn)證，結(jié)果顯示，該系統(tǒng)對(duì)結(jié)直腸癌A型血管病變的檢測(cè)準(zhǔn)確率為97.8%；B、C型血管病變靈敏性和特異性分別為97.8%和97.9%，說(shuō)明新型計(jì)算機(jī)智能輔助診斷系統(tǒng)能夠可靠預(yù)測(cè)ME-NBI結(jié)腸鏡下結(jié)直腸癌圖像的組織學(xué)特征，表明CNN系統(tǒng)在輔助診斷結(jié)直腸癌中優(yōu)勢(shì)明顯。

2.3 在小腸疾病診斷中的應(yīng)用無(wú)線(xiàn)膠囊內(nèi)鏡(wireless capsule endoscopy，WCE)技術(shù)的出現(xiàn)在小腸疾病的研究和診斷領(lǐng)域掀起了一場(chǎng)革命，極大地提高了小腸疾病的診斷準(zhǔn)確率。每次膠囊內(nèi)鏡檢查生成約6 000張圖像，人工分析需要30～120 min，且需要檢查者高度集中注意力，因?yàn)楫惓D像僅出現(xiàn)在其中少數(shù)幾張，很容易因?yàn)槿狈?jīng)驗(yàn)或疏忽而造成漏診，而這一問(wèn)題可被AI技術(shù)與膠囊內(nèi)鏡的深度融合有效克服。

Aoki等[19]曾研發(fā)了基于單鏡頭多盒檢測(cè)器的深度CNN智能膠囊內(nèi)鏡(CNN-WCE)系統(tǒng)，用于自動(dòng)檢測(cè)膠囊內(nèi)鏡小腸圖像中的糜爛和潰瘍性病變。該系統(tǒng)使用多個(gè)網(wǎng)絡(luò)層(卷積層和池化層)和反向傳播算法從訓(xùn)練數(shù)據(jù)集中提取并歸納圖像中的特定特征，研究者首先使用5 360張膠囊內(nèi)鏡下糜爛和潰瘍圖像用于系統(tǒng)訓(xùn)練，而后使用10 440張小腸圖像(包括440張糜爛和潰瘍圖像)的獨(dú)立測(cè)試集來(lái)評(píng)估其性能，結(jié)果顯示，CNN-WCE檢測(cè)糜爛和潰瘍的AUC為0.958，靈敏性、特異性和準(zhǔn)確率分別為88.2%、90.9%和90.8%，僅耗時(shí)233 s，證實(shí)該系統(tǒng)既省時(shí)省力，又具有極高的診斷準(zhǔn)確率；Leenhardt等[20]發(fā)現(xiàn)，CNN系統(tǒng)通過(guò)對(duì)WCE圖像進(jìn)行深度特征提取和分類(lèi)診斷小腸血管擴(kuò)張癥的靈敏性為100%，特異性為96%，陽(yáng)性預(yù)測(cè)值為96%，陰性預(yù)測(cè)值為100%，顯示了極高的診斷效能；Zhou等[21]發(fā)現(xiàn)，基于DL的GoogLeNet系統(tǒng)對(duì)乳糜瀉的診斷靈敏性和特異性均達(dá)到100%，證實(shí)CNN系統(tǒng)可定量測(cè)量小腸內(nèi)黏膜病變的程度和范圍，實(shí)時(shí)評(píng)估黏膜萎縮情況；在小腸息肉識(shí)別方面，Yuan等[22]也發(fā)現(xiàn)，基于DL的自編碼智能系統(tǒng)能夠準(zhǔn)確識(shí)別出WCE檢查視頻中的息肉，極大提高診斷準(zhǔn)確率。

2.4 在其他消化系統(tǒng)疾病中的應(yīng)用

2.4.1 在肝膽胰疾病中的應(yīng)用：Yasaka等[23]使用CNN系統(tǒng)分析動(dòng)態(tài)增強(qiáng)CT圖像實(shí)現(xiàn)對(duì)肝臟腫塊的分類(lèi)診斷，訓(xùn)練數(shù)據(jù)集共納入55 536張肝臟占位性病變(包括早期肝癌、進(jìn)展期肝癌、肝血管瘤、肝囊腫等)的CT圖像，輸入先經(jīng)兩個(gè)卷積層和一個(gè)最大池化層做初步處理，重復(fù)3次后轉(zhuǎn)完全連接層中進(jìn)行分析處理后由輸出層輸出診斷信息，最后使用100例患者CT圖像用于驗(yàn)證CNN系統(tǒng)的診斷性能，結(jié)果顯示，該CNN系統(tǒng)對(duì)各類(lèi)肝臟腫塊鑒別診斷的中位準(zhǔn)確率為0.84，表明利用CNN系統(tǒng)對(duì)肝臟腫塊動(dòng)態(tài)CT圖像分析的鑒別診斷性能較高；隨后研究者又驗(yàn)證了用于肝纖維化程度分析的深度學(xué)習(xí)系統(tǒng)(FDLCT)對(duì)肝臟增強(qiáng)CT圖像的診斷性能，顯示FDLCT診斷中晚期纖維化(F2～F3)及肝硬化(F4)的AUC為0.75和0.73，表明該CNN診斷系統(tǒng)能通過(guò)分析CT影像準(zhǔn)確地對(duì)肝纖維化程度進(jìn)行分期，且性能良好[24]；研究還發(fā)現(xiàn),CNN與腹部超聲有效結(jié)合對(duì)肝纖維化也有良好的診斷效能[25]；Chaudhary等[26]使用肝細(xì)胞癌DL模型分析肝癌患者RNA測(cè)序、miRNA測(cè)序和癌癥基因組圖譜的甲基化數(shù)據(jù)，發(fā)現(xiàn)該模型可有效預(yù)測(cè)患者的生存率。

Saftoiu等[27]評(píng)估了基于神經(jīng)網(wǎng)絡(luò)的超聲彈性成像內(nèi)鏡系統(tǒng)對(duì)胰腺局灶性腫塊的診斷效果，通過(guò)增加兩層隱藏的多層感知器來(lái)擴(kuò)展對(duì)圖像數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)分析，并通過(guò)反向傳播算法來(lái)自動(dòng)區(qū)分病變的良惡性。共分析258例患者(47例慢性胰腺炎及211例胰腺癌)的774張圖像，結(jié)果顯示該神經(jīng)網(wǎng)絡(luò)算法檢測(cè)準(zhǔn)確率為84.27%，靈敏性為87.59%，特異性為82.94%，證實(shí)使用AI可以實(shí)現(xiàn)對(duì)胰腺局灶性腫塊的自動(dòng)分析，提供快速準(zhǔn)確的診斷，進(jìn)而對(duì)臨床決策提供支持。

2.4.2 在UC中的應(yīng)用：UC病情遷延易復(fù)發(fā)，被稱(chēng)為“綠色癌癥”，急性重癥UC甚至可危及患者生命，目前診斷多依賴(lài)結(jié)腸鏡檢查及組織病理學(xué)檢查，且內(nèi)鏡下UC嚴(yán)重程度分級(jí)是評(píng)價(jià)患者治療反應(yīng)和判斷患者預(yù)后的關(guān)鍵。為了比較DL模型與內(nèi)鏡醫(yī)師根據(jù)內(nèi)鏡圖像評(píng)估UC患者疾病嚴(yán)重程度中的表現(xiàn)，Stidham等[28]使用基于Inception V3圖像分類(lèi)體系的一種159層的CNN系統(tǒng)，采用4級(jí)Mayo評(píng)分對(duì)3 082例UC患者16 514張內(nèi)鏡圖像進(jìn)行回顧性分析，結(jié)果顯示，使用靜止圖像和全運(yùn)動(dòng)視頻測(cè)試診斷的靈敏性為83%，特異性為96%，AUC為0.97，與內(nèi)鏡專(zhuān)家相比，DL模型在區(qū)分中重度UC方面表現(xiàn)更為出色，可以提高結(jié)腸鏡檢在UC研究和臨床診療中的應(yīng)用效果。CNN除可用于評(píng)估UC病情外，在指導(dǎo)UC患者的臨床治療決策上也有出色表現(xiàn)，Morilla等[29]經(jīng)DL算法鑒定急性重癥UC患者結(jié)腸微小RNA表達(dá)譜來(lái)預(yù)測(cè)急性重癥UC患者對(duì)英夫利昔單抗及環(huán)孢霉素治療的反應(yīng)，結(jié)果顯示，基于深度神經(jīng)網(wǎng)絡(luò)的分類(lèi)器共鑒別出9個(gè)相關(guān)的微小RNA，最終確定出3種基于微小RNA水平的算法識(shí)別UC患者對(duì)英夫利昔單抗有無(wú)應(yīng)答的準(zhǔn)確率為84%，環(huán)孢霉素為80%，證實(shí)該智能分類(lèi)器可用于幫助急性重癥UC患者選擇有效治療措施，具有良好的應(yīng)用前景。

2.4.3 在消化系統(tǒng)其他診療方面的應(yīng)用：Shichijo等[30]使用深度神經(jīng)網(wǎng)絡(luò)架構(gòu)GoogLeNet系統(tǒng)首次評(píng)估了CNN診斷幽門(mén)螺桿菌(H.pylori)感染的能力，首先使用32 208張內(nèi)鏡圖像的數(shù)據(jù)集對(duì)CNN系統(tǒng)進(jìn)行訓(xùn)練，最后使用11 481張圖像用于CNN診斷性能評(píng)估，發(fā)現(xiàn)CNN診斷H.pylori感染的靈敏性、特異性、準(zhǔn)確率和診斷時(shí)間分別為88.9%、87.4%、87.7%和194 s，明顯優(yōu)于同時(shí)參與研究的23名內(nèi)鏡醫(yī)師[分別為79.0%、83.2%、82.4%和(230±65)min]，表明CNN系統(tǒng)分析內(nèi)鏡圖像診斷H.pylori感染準(zhǔn)確率較高且用時(shí)極短；此外，CNN在數(shù)字組織病理學(xué)圖像分析中也有突出表現(xiàn)，不僅在乳腺癌、肺癌、膀胱癌的診斷及分類(lèi)中表現(xiàn)不俗，在胃癌的診斷上同樣具有明顯優(yōu)勢(shì)，Sharma等[31]曾將AlexNet深度卷積框架應(yīng)用于數(shù)字組織病理學(xué)圖像分析，在胃癌的識(shí)別和診斷上取得了良好效果。

3 展望

以DL為代表的AI技術(shù)不僅提高許多消化道疾病診斷的準(zhǔn)確性，且省時(shí)省力，可一定程度上消除醫(yī)師主觀(guān)因素帶來(lái)的不利影響，還可為臨床醫(yī)師提供更多的病情數(shù)據(jù)，便于其更準(zhǔn)確地做出臨床決策，但大多智能輔助診斷系統(tǒng)程序復(fù)雜，初始操作難度大，對(duì)圖像及視頻數(shù)據(jù)質(zhì)量要求高，且目前多處于靜態(tài)診斷階段，應(yīng)用于臨床的實(shí)時(shí)診斷智能系統(tǒng)仍有待進(jìn)一步研發(fā)。如何實(shí)現(xiàn)智能輔助診斷系統(tǒng)與內(nèi)鏡的高度融合、提高診斷效率、簡(jiǎn)化操作流程及機(jī)器與人的良好互動(dòng)等工作還需要廣大科研工作者進(jìn)一步攻關(guān)。相信隨著AI升級(jí)為國(guó)家戰(zhàn)略，醫(yī)務(wù)工作者的積極融入，以DL為代表的AI技術(shù)在消化系統(tǒng)疾病的診療中將有更大作為。