張希鋼，孫大勇，戴捷，王湘雨

【提要】 近年來，人工智能的開發(fā)和應(yīng)用研究為內(nèi)鏡的發(fā)展和普及提供了廣闊的空間。深度學(xué)習(xí)是主要的人工智能學(xué)習(xí)方法，提取某種在醫(yī)學(xué)圖像上的特征應(yīng)用于醫(yī)學(xué)圖像識(shí)別，利用計(jì)算機(jī)的數(shù)據(jù)處理能力達(dá)到快速和精準(zhǔn)的內(nèi)鏡診斷。本文結(jié)合國內(nèi)外研究結(jié)果，敘述人工智能在胃鏡檢查中的食管惡性病變、胃良惡性病變及結(jié)腸鏡檢查中的結(jié)腸良惡性病變、膠囊內(nèi)鏡等領(lǐng)域的應(yīng)用探索，思考人工智能在消化系統(tǒng)疾病診斷領(lǐng)域的未來應(yīng)用前景及不足。

消化內(nèi)鏡在消化系統(tǒng)疾病的診療過程中發(fā)揮著不可替代的作用，隨著內(nèi)鏡技術(shù)的發(fā)展，白光、窄帶成像（NBI）及放大NBI、放大內(nèi)鏡、共聚焦激光顯微內(nèi)鏡等技術(shù)應(yīng)用于臨床，部分三甲醫(yī)院應(yīng)用可擴(kuò)展電子分光色彩強(qiáng)調(diào)技術(shù)（FICE）［1］。然而，不同級(jí)別的內(nèi)鏡醫(yī)師因醫(yī)師個(gè)人原因?qū)е孪嗤膊〉牟煌瑑?nèi)鏡診斷，使先進(jìn)的內(nèi)鏡技術(shù)廣泛普及推廣受到阻礙。目 前人工智 能（Artificial intelligence，AI）被應(yīng)用于社會(huì)生產(chǎn)生活的多個(gè)領(lǐng)域，包括消化系統(tǒng)疾病領(lǐng)域。深度學(xué)習(xí)（deep learning）是主要的人工智能學(xué)習(xí)方法。該方法通過構(gòu)建多隱層的機(jī)器學(xué)習(xí)模型和大量的訓(xùn)練數(shù)據(jù)，對(duì)數(shù)據(jù)的特征進(jìn)行學(xué)習(xí)，組合低層特征形成抽象高層特征表示屬性類別［2］。目前常用的深度學(xué)習(xí)技術(shù)包含全連接網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)卷積神經(jīng)網(wǎng)絡(luò)、圖卷積等，提取某種在醫(yī)學(xué)圖像上的特征應(yīng)用于醫(yī)學(xué)圖像識(shí)別，并利用計(jì)算機(jī)的數(shù)據(jù)處理能力，帶來更加快速和精準(zhǔn)的內(nèi)鏡診斷。

1 在胃鏡領(lǐng)域的臨床研究應(yīng)用

食管胃十二指腸鏡檢查（EGD）為最常用的內(nèi)鏡診治手段，包括內(nèi)鏡下診斷及治療。由于內(nèi)鏡技術(shù)的發(fā)展，不同醫(yī)師診查水平有所差異并導(dǎo)致不同的診療后果。其中，由于內(nèi)鏡檢查的不當(dāng)，易導(dǎo)致上消化道腫瘤尤其是早期惡性腫瘤漏診，而早期腫瘤的發(fā)現(xiàn)往往與患者預(yù)后高度相關(guān)。本文將從食管、胃及十二指腸等部位簡述人工智能輔助應(yīng)用的研究現(xiàn)狀。

1.1 人工智能在食管惡性病變的輔助應(yīng)用

食道癌是全球第七大最常見的癌癥［3］。中國是食管癌大國，2019年食管癌新發(fā)患者約28萬人［4］。食管癌分為兩種不同的組織學(xué)類型：食管鱗狀細(xì)胞癌（ESCC），食管腺癌（EAC）。食管癌的早期發(fā)現(xiàn)對(duì)于預(yù)后非常重要，常用的成像及染色方式有白光、NBI、碘染色。經(jīng)驗(yàn)欠佳的的內(nèi)鏡醫(yī)師的診斷率較低［5］。國外學(xué)者有將人工智能輔助系統(tǒng)應(yīng)用于食管癌診斷的探索，包括食管惡性腫瘤和食管惡性腫瘤浸潤深度的診斷。Horie等報(bào)告了基于CNN的人工智能系統(tǒng)，可以同時(shí)檢測(cè)ESCC和EAC［6］。他們使用8428張食管癌內(nèi)窺鏡圖像訓(xùn)練了CNN系統(tǒng)，包含365例ESCC和32例EAC。該系統(tǒng)可以98%的準(zhǔn)確度差異診斷淺表和晚期癌癥。Tokai等使用基于CNN的人工智能系統(tǒng)診斷ESCC的浸潤深度，將EP-SM1病變與淺表ESCC中比SM2較深的病變區(qū)分開來［7］，且其輔助診斷的準(zhǔn)確度和特異度高于被測(cè)試的內(nèi)鏡醫(yī)師。關(guān)于食道癌的人工智能輔助診斷系統(tǒng)的研究，多為靜止內(nèi)鏡圖像訓(xùn)練形成人工智能系統(tǒng)并使用靜止圖像驗(yàn)證結(jié)果，國外已有實(shí)驗(yàn)使用視頻驗(yàn)證了ESCC的報(bào)道［8］，較靜止圖像更為有效。

1.2 人工智能在胃非腫瘤性病變的輔助應(yīng)用

人工智能在胃非腫瘤性病變方面的研究較早，也是比較熱門的領(lǐng)域。主要集中在幽門螺桿菌胃炎、慢性萎縮性胃炎、胃部檢查盲點(diǎn)監(jiān)測(cè)、良惡性潰瘍鑒別等方面的輔助診斷應(yīng)用。Guimar?es P等使用CNN技術(shù)用于診斷高分辨率白光圖像（WLI）上的幽門螺桿菌胃炎，準(zhǔn)確率達(dá)92.9%［9］，其主要目的為通過幽門螺桿菌胃炎的早期發(fā)現(xiàn)和治療減少胃癌的發(fā)生。AI在國內(nèi)也有預(yù)測(cè)和評(píng)估慢性萎縮性胃炎的探索，張雅瓊 等［10］收集了1470例患者的5470張胃竇圖像，設(shè)計(jì)并訓(xùn)練了卷積神經(jīng)網(wǎng)絡(luò)-慢性萎縮性胃炎模型，結(jié)果提示卷積神經(jīng)網(wǎng)絡(luò)-慢性萎縮性胃炎模型在診斷萎縮性胃炎中的診斷準(zhǔn)確性、敏感性和特異性分別為0.942、0.945和0.940，均高于對(duì)照組（含三位專家）。于紅剛教授等開發(fā)了“內(nèi)鏡精靈”以執(zhí)行實(shí)時(shí)胃部盲點(diǎn)監(jiān)測(cè)［11－12］。他們對(duì)324位患者進(jìn)行了一項(xiàng)隨機(jī)對(duì)照試驗(yàn)，結(jié)果證明在胃鏡檢查期間使用AI可將盲點(diǎn)減少15%。

1.3 人工智能在胃惡性腫瘤診斷領(lǐng)域的輔助應(yīng)用

研究數(shù)據(jù)提示，2018年度世界胃癌新發(fā)病例約103.3萬例，死亡病例約78.3萬例，胃惡性腫瘤具有發(fā)病率高、轉(zhuǎn)移早、預(yù)后差的特點(diǎn)，早期診斷的胃癌患者5年生存率可達(dá)90% 以上［13－14］。相關(guān)研究證明，人工智能系統(tǒng)有助提高胃鏡檢查中胃癌的檢出率，并在胃癌的浸潤深度輔助診斷方面具有優(yōu)勢(shì)。Hirasawa等基于深度學(xué)習(xí)技術(shù)使用了13584張胃癌的WLI，窄帶圖像（NBI）和含靛藍(lán)胭脂紅的色譜內(nèi)窺鏡進(jìn)行了訓(xùn)練［15］。每 組2296張圖像的驗(yàn)證結(jié)果顯示靈敏度為92.2%，但陽性預(yù)測(cè)值（PPV）僅為30.6%，易將非惡性病變誤診為惡性病變。近期Yohei Ikenoyama等使用來自2639個(gè)胃癌病例的13584張內(nèi)窺鏡圖像構(gòu)建CNN系統(tǒng)，并采用獨(dú)立的測(cè)試數(shù)據(jù)集（來自140個(gè)病例的2940張圖像）將其與67名內(nèi)窺鏡醫(yī)師的診斷能力進(jìn)行了比較，結(jié)果顯示CNN可用更短時(shí)間檢測(cè)到更多的早期胃癌病例［16］。關(guān)于胃癌表征的判斷，徐美東研究組等應(yīng)用基于AI的系統(tǒng)使用WLI評(píng)估胃癌的浸潤深度，總體準(zhǔn)確率為89.16%，也明顯高于內(nèi)鏡醫(yī)師［17］，同時(shí)基于AI的診斷系統(tǒng)可能更有利于檢測(cè)較小的病變或更難識(shí)別的病變。以上結(jié)果提示不久的將來人工智能有希望在一定程度上代替或者輔助醫(yī)生更好地進(jìn)行內(nèi)鏡下胃癌診斷。

1.4 人工智能在胃鏡其他領(lǐng)域的輔助應(yīng)用

人工智能也可用于評(píng)估胃十二指腸潰瘍并預(yù)測(cè)復(fù)發(fā)性出血的風(fēng)險(xiǎn)。AI識(shí)別出1年后復(fù)發(fā)性潰瘍出血的患者，AUC為0.775，總準(zhǔn)確度為84.3%［18］。

2 人工智能在腸鏡領(lǐng)域的臨床研究和應(yīng)用

2.1 人工智能在腸道良性腫瘤方面的輔助應(yīng)用

人工智能在結(jié)腸鏡領(lǐng)域的研究熱點(diǎn)為結(jié)直腸息肉的識(shí)別，且已取得良好結(jié)果。結(jié)直腸腺瘤性息肉是腸道癌前病變，大腸息肉，特別是腺瘤和無柄鋸齒狀病變（SSLs），被認(rèn)為是癌前病變，漏出的息肉可能是間隔癌的一部分原因［20－21］。越來越多的研究者將人工智能與腸鏡的診治相結(jié)合，對(duì)于提高腸道良性腺瘤性息肉、鋸齒狀腺瘤、黏膜下腫瘤等良性病變的檢出率有提升價(jià)值。薈萃分析結(jié)果顯示，結(jié)腸鏡檢查可能會(huì)漏掉多達(dá)26%的腺瘤。Lui TK等［19］通過深度學(xué)習(xí)AI模型，經(jīng)52例前瞻性結(jié)腸鏡視頻證實(shí)，使用實(shí)時(shí)AI輔助，可以防止多達(dá)80% 的腺瘤漏診。Kudo等開發(fā)了用于內(nèi)窺鏡檢查的CADx系統(tǒng)，稱為內(nèi)窺鏡檢查Endo-BRAIN?［22－23］。CADx系統(tǒng)具有98% 的準(zhǔn)確性，96.9% 的敏感性，100% 的特異性，100% 的PPV和94.6% 的NPV，可有效區(qū)分腫瘤性息肉與非腫瘤性息肉［23］。展現(xiàn)了人工智能在腸鏡輔助診治方面具有一定的優(yōu)勢(shì)和使用價(jià)值。

2.2 人工智能在結(jié)腸炎癥及惡性腫瘤中的輔助應(yīng)用

國外學(xué)者有將人工智能系統(tǒng)應(yīng)用于潰瘍性結(jié)腸炎的輔助診斷。Yasuharu Maeda等使用187例內(nèi)鏡檢查后獲得活檢樣本的UC患者的數(shù)據(jù)，基于計(jì)算機(jī)輔助診斷（CAD）系統(tǒng)學(xué)習(xí)訓(xùn)練后形成輔助診斷系統(tǒng)，用于腸道組織炎癥評(píng)估。CAD提供的診斷敏感性，特異性和準(zhǔn)確性為74%、97% 和91%，重現(xiàn)性較好［24］。大腸癌在結(jié)腸鏡檢查中較少會(huì)遺漏，目前人工智能針對(duì)大腸惡性腫瘤的研究及應(yīng)用較少。

3 人工智能在膠囊內(nèi)鏡領(lǐng)域的臨床研究和應(yīng)用

人工智能在膠囊內(nèi)鏡領(lǐng)域的研究應(yīng)用顯示出較大優(yōu)勢(shì)，主要為較高的準(zhǔn)確度、低漏診率及較短的閱片時(shí)間。膠囊內(nèi)鏡一般用于各種小腸疾病的診治，例如小腸潰瘍、憩室、黏膜破損、血管畸形、黏膜隆起和出血等。通常情況下，每例患者膠囊內(nèi)鏡約拍攝50，000張圖像，閱片工作對(duì)于醫(yī)生來說非常耗時(shí)。此外，病灶偶會(huì)出現(xiàn)在僅有的幾幀圖片中，很容易因?yàn)閭€(gè)人原因疏忽遺漏。計(jì)算機(jī)輔助支持系統(tǒng)將通過自動(dòng)檢測(cè)胃腸道異常來幫助減少閱讀時(shí)間和醫(yī)生疏忽。Zou等人基于CNN的方法，在膠囊內(nèi)窺鏡檢查中對(duì)消化器官（胃，小腸或結(jié)腸）進(jìn)行分類，其準(zhǔn)確率為95.5%，高于傳統(tǒng)的基于尺度不變特征變換和SVM的方法（90.3%）［25］。丁震教授等報(bào)道了他們使用原始CNN用于檢測(cè)各種類型的小腸異常，使用了5000份完整的小腸膠囊內(nèi)窺鏡檢查視頻，共包含4206種病變［26］。該研究比較了兩種閱讀方法（由CNN首次篩查后由內(nèi)鏡醫(yī)師進(jìn)行的閱讀與單純內(nèi)鏡醫(yī)師的閱讀）在內(nèi)鏡醫(yī)師的閱讀時(shí)間和異常檢出率方面的差異。僅內(nèi)鏡醫(yī)師組每位患者的平均閱讀時(shí)間為96.6分鐘，基于CNN的輔助閱讀組僅需5.9分鐘（P＜0.001）?；贑NN的輔助閱讀組的異常檢出率顯著高于僅由內(nèi)鏡醫(yī)師檢查組的異常檢出率（每個(gè)病灶分析：99.90%對(duì)76.89%；每位患者分析：99.88%對(duì)74.57%），顯示出較大的優(yōu)勢(shì)。

4 總結(jié)

人工智能在消化內(nèi)鏡的應(yīng)用目前已成為國內(nèi)外機(jī)構(gòu)的研究熱點(diǎn)，其擁有廣闊的應(yīng)用前景，但目前尚未有成熟的人工智能產(chǎn)品應(yīng)用于消化內(nèi)鏡領(lǐng)域，其應(yīng)用范圍多局限于輔助診斷，治療方面無特殊優(yōu)勢(shì)。但可以期待人工智能在食管早癌、早期胃癌、胃幽門螺桿菌感染識(shí)別、減少大腸腺瘤性息肉漏診等方面發(fā)揮更加重要的作用。尤其在醫(yī)療資源匱乏地區(qū)或者內(nèi)鏡技術(shù)不成熟的醫(yī)療機(jī)構(gòu)，人工智能結(jié)合內(nèi)鏡技術(shù)的應(yīng)用可有效提高內(nèi)鏡診斷水平，減少內(nèi)鏡漏診、誤診，使就診人群切實(shí)受益。同時(shí)，利用先進(jìn)的內(nèi)鏡技術(shù)，可有效識(shí)別內(nèi)鏡下病理性診斷，減少病理取材，增加診斷準(zhǔn)確度。人工智能在消化系統(tǒng)疾病領(lǐng)域的研究目前多為內(nèi)鏡圖像等研究，部分以內(nèi)鏡圖像研究為基礎(chǔ)，使用內(nèi)鏡視頻來驗(yàn)證，內(nèi)鏡視頻作為研究素材來開發(fā)應(yīng)用的文章尚少，主要是內(nèi)鏡視頻研究中遇到種種問題。例如運(yùn)動(dòng)模糊、氣泡、鏡面反射、漂浮物體和像素飽和度等偽影阻礙了內(nèi)窺鏡視頻的圖像信息提取，但通過一些技術(shù)如全自動(dòng)恢復(fù)框架，可使視頻增加25%幀合格胃鏡圖像［27］?？傊?，目前人工智能結(jié)合內(nèi)鏡的應(yīng)用尚處于試驗(yàn)驗(yàn)證階段，有較高假陽性率，距其廣泛推廣應(yīng)用還有距離。尚需更多的臨床實(shí)踐及探索，需開展更多的多中心研究、前瞻性研究及內(nèi)鏡視頻檢測(cè)等。