林燕鳳,趙舷宏,付朝麗,林梅順,張英秀,謝曉婷,鐘彩玲,劉 佳,張北平

(廣州中醫(yī)藥大學(xué)第二附屬醫(yī)院脾胃病科,廣東 廣州 510120)

高質(zhì)量腸鏡檢查為篩查腸癌的核心環(huán)節(jié)[1],但檢查前20%～30%患者腸道準(zhǔn)備不合格,不僅影響腸鏡操作視野、增加檢查難度、延長(zhǎng)操作時(shí)間、加重患者痛苦、加大并發(fā)癥發(fā)生風(fēng)險(xiǎn),且殘留糞便覆蓋于腸黏膜表面可能掩蓋病變而導(dǎo)致漏診[2]。適當(dāng)選擇導(dǎo)瀉劑種類、劑量及服用方法等可顯著提高腸道準(zhǔn)備的質(zhì)量[3],但在部分患者(如便秘、糖尿病)仍不能滿足檢查需要。本研究觀察人工智能腸道圖像識(shí)別模型評(píng)估結(jié)腸鏡檢查前腸道準(zhǔn)備的價(jià)值。

1 資料與方法

1.1 一般資料 回顧性分析2020年6月—2021年11月190例廣州中醫(yī)藥大學(xué)第二附屬醫(yī)院接受腸道準(zhǔn)備評(píng)估及結(jié)腸鏡檢查患者,男101例、女89例,年齡20～70歲、平均(55.5±13.9)歲。根據(jù)評(píng)估腸道準(zhǔn)備方式將患者分為觀察組(n=100,以部署于患者智能手機(jī)上的人工智能腸道準(zhǔn)備圖識(shí)別模型判斷是否達(dá)到腸道準(zhǔn)備要求)和對(duì)照組(n=90,由患者將其末次糞便形狀與統(tǒng)一發(fā)放的腸道清潔準(zhǔn)備圖進(jìn)行對(duì)比而自行判斷):觀察組男52例、女48例,年齡20～69歲、平均(49.8±14.5)歲;對(duì)照組男49例,女41例,年齡23～70歲,平均(53.4±13.0)歲。納入標(biāo)準(zhǔn):①年齡18～70歲;②口服導(dǎo)瀉劑以進(jìn)行腸道準(zhǔn)備;③患者或陪同家屬熟悉智能手機(jī)操作;④簽署腸鏡檢查知情同意書。排除標(biāo)準(zhǔn):①腸道手術(shù)史;②胃腸道梗阻或出血;③嚴(yán)重心、肺功能疾病;④運(yùn)動(dòng)障礙致如廁困難,難以順利完成腸道準(zhǔn)備。

1.2 腸道準(zhǔn)備 囑患者于檢查前晚20∶00始于40 min內(nèi)分次服用聚乙二醇電解質(zhì)散1 L,再于檢查當(dāng)日晨4∶00(上午行腸鏡檢查)或9∶00(下午行腸鏡檢查)始于80 min內(nèi)分次服用上述藥物2 L,每次均為250 ml;服藥后盡量多飲水、走動(dòng)并順時(shí)針按摩腹部。對(duì)腸道準(zhǔn)備合格者即行腸鏡檢查,對(duì)不合格者囑其加服導(dǎo)瀉劑直至準(zhǔn)備合格。

1.3 結(jié)腸鏡檢查 采用OLYMPUS CF-HQ290腸鏡檢系統(tǒng)。囑患者左側(cè)臥,經(jīng)肛門插入電子內(nèi)窺腸鏡,循腔進(jìn)鏡至回腸末端,再緩慢退鏡至肛門口,完成腸鏡檢查。

1.4 構(gòu)建模型

1.4.1 圖像分割 通過智能手機(jī)攝像功能獲取糞水圖像,以多閾值邊緣檢測(cè)法分割圖像:首先以高斯平滑降噪,根據(jù)圖像噪聲水平和所需平滑程度確定高斯核大小(kernel size),即平滑半徑,通常為3×3、5×5、7×7;創(chuàng)建高斯核(Gaussian kernel)并將其置于對(duì)應(yīng)像素位置,將內(nèi)核所有像素值與相應(yīng)高斯權(quán)重相乘并求和,再以所有權(quán)重之和,得到新的像素值,最后保存處理后的圖像;計(jì)算圖像各方向梯度值并篩選最大值,根據(jù)設(shè)定的高閾值采集糞水圖像邊緣信息,以設(shè)定的低閾值和邊緣信息生成輪廓圖,最后基于輪廓圖對(duì)糞水圖像進(jìn)行分割和提取。

1.4.2 生成預(yù)置卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)模型 按7∶3比例將數(shù)據(jù)庫中的16 000幅糞水圖像分為訓(xùn)練集(n=11 200)及驗(yàn)證集(n=4 800)。以訓(xùn)練集數(shù)據(jù)訓(xùn)練CNN模型,將多個(gè)初始化不同而結(jié)構(gòu)相同的CNN模型進(jìn)行結(jié)果平均化,生成預(yù)置CNN模型,以資識(shí)別、提取糞水圖像特征,通過感知哈希算法將其與糞水性狀數(shù)據(jù)庫圖像進(jìn)行對(duì)比而生成腸道準(zhǔn)備結(jié)果[4]。針對(duì)驗(yàn)證集基于ResNet、Vision Transformer、視覺幾何組(visual geometry group, VGG)網(wǎng)絡(luò)及ConvNext進(jìn)行模型效能驗(yàn)證,觀察其準(zhǔn)確率及F1值變化曲線。

1.4.3 手機(jī)部署 將預(yù)置CNN模型部署在手機(jī)云端,囑患者采用手機(jī)微信小程序“腸道準(zhǔn)備” (主要包括拍照、處理及顯示3個(gè)模塊)將糞水圖傳至云端接受評(píng)估及回傳的評(píng)估結(jié)果。拍照模塊:通過手機(jī)拍攝待識(shí)別的糞水圖像;處理模塊:基于機(jī)器學(xué)習(xí)糞水性狀識(shí)別方法程序的中央處理器進(jìn)行處理并生成腸道準(zhǔn)備結(jié)果;顯示模塊:連接手機(jī)顯示屏與處理模塊,顯示評(píng)估結(jié)果。

1.5 評(píng)估參數(shù)

1.5.1 腸道清潔度 由1名醫(yī)師和1名護(hù)師共同于腸鏡檢查退鏡過程中采用波士頓腸道準(zhǔn)備量表(Boston bowel preparation scale, BBPS)評(píng)估腸道準(zhǔn)備情況,根據(jù)下列標(biāo)準(zhǔn)分別對(duì)左半結(jié)腸(left colon, LC)、橫結(jié)腸(transverse colon, TC)和右半結(jié)腸(right colon, RC)清潔度進(jìn)行評(píng)分:0 分,腸腔內(nèi)有大量固體糞便,無法觀察腸黏膜,或腸道準(zhǔn)備過差而嚴(yán)重影響進(jìn)鏡,不得不終止腸鏡檢查0分;1分,腸腔內(nèi)見殘留糞便或不透明液體,部分腸黏膜可見;2分,腸腔內(nèi)殘留少量糞便或不透明液體,腸黏膜基本可見;3分,腸腔內(nèi)無糞便及不透明液體,全部腸黏膜清晰可見。以各段腸管得分總和作為評(píng)估結(jié)果,0～3分表示腸道準(zhǔn)備不滿意,4～6分表示比較滿意,7～9分表示非常滿意。

1.5.2 腸鏡檢查時(shí)間 進(jìn)鏡及退鏡時(shí),分別于肛門口拍照,記錄攝取2幅圖片的時(shí)間差值,即腸鏡檢查時(shí)間。

1.5.3 腺瘤檢出率 以病理組織學(xué)為金標(biāo)準(zhǔn),以腸鏡檢出病灶中至少有1個(gè)為腺瘤為該例檢出腺瘤。

1.6 統(tǒng)計(jì)學(xué)方法 采用SPSS 22.0統(tǒng)計(jì)分析軟件。以±s表示符合正態(tài)分布且方差齊的計(jì)量資料,行獨(dú)立樣本t檢驗(yàn);以中位數(shù)(上下四分位數(shù))表示不符合正態(tài)分布者,行Mann-WhitneyU檢驗(yàn)。采用χ2檢驗(yàn)或Fisher精確檢驗(yàn)法比較計(jì)數(shù)資料。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 基線資料 觀察組患者年齡顯著小于對(duì)照組(P<0.05),而組間患者性別、身高、體質(zhì)量及體質(zhì)量指數(shù)(body mass index, BMI)差異均無統(tǒng)計(jì)學(xué)意義(P均>0.05)。見表1。

表1 190例接受腸道準(zhǔn)備及結(jié)腸鏡檢查患者基線資料比較

2.2 模型性能 CNN模型驗(yàn)證結(jié)果顯示,各模型中ResNet最佳,其識(shí)別糞水圖像性能較高、穩(wěn)健性較強(qiáng)(圖1),故以之作為系統(tǒng)模型。

圖1 CNN模型識(shí)別糞水圖像準(zhǔn)確率(A)及F1值(B)的變化曲線

2.3 腸道準(zhǔn)備 觀察組BBPS評(píng)分及腺瘤檢出率高于對(duì)照組,而腸鏡檢查時(shí)間短于對(duì)照組(P均<0.05)。見表2。

表2 190例接受結(jié)腸鏡檢查患者腸道準(zhǔn)備評(píng)估結(jié)果比較

3 討論

結(jié)腸鏡有助于篩查大腸癌,而充分的腸道準(zhǔn)備是其重要環(huán)節(jié)[2]。本研究建立的人工智能腸道圖像識(shí)別模型可顯著改善腸道清潔度、縮短腸鏡檢查時(shí)間、提高腺瘤檢出率,進(jìn)而提高結(jié)腸鏡檢查質(zhì)量。

多項(xiàng)臨床模型研究[5-9]表明,慢性便秘、糖尿病、服用抗抑郁藥物、年齡>65歲、BMI≥24 kg/m2、結(jié)直腸手術(shù)史及首次接受結(jié)腸鏡檢查是結(jié)腸鏡檢查前腸道準(zhǔn)備失敗的獨(dú)立危險(xiǎn)因素。目前國(guó)內(nèi)多推薦結(jié)腸鏡檢查前口服2～3 L[10]、國(guó)外研究[11]則推薦口服4 L聚乙二醇溶液作為腸道準(zhǔn)備,液量較大,易致患者出現(xiàn)惡心、嘔吐、腹脹和腹痛等不良反應(yīng),且部分患者因無法耐受大劑量口服溶液而不能完成腸道準(zhǔn)備;且由患者根據(jù)腸道準(zhǔn)備清潔圖自行評(píng)價(jià)腸道準(zhǔn)備情況客觀性不足,導(dǎo)致腸鏡檢查不滿意甚至中止檢查。本研究將人工智能腸道圖像識(shí)別模型部署于患者移動(dòng)設(shè)備,由模型對(duì)其上傳的末次糞水圖進(jìn)行分析,以客觀評(píng)價(jià)腸道準(zhǔn)備情況,有助于提高結(jié)腸鏡檢查質(zhì)量。

超過80%結(jié)腸癌為結(jié)腸腺瘤進(jìn)展而來,而結(jié)腸鏡檢查前腸道準(zhǔn)備不充分可顯著降低腺瘤檢出率[12]。研究[13]表明,腸道準(zhǔn)備不充分的結(jié)腸鏡腺瘤漏檢率為42%,其中直徑≥10 mm的腺瘤漏檢率可達(dá)27%。本研究表明,采用人工智能腸道圖像識(shí)別模型評(píng)估腸道準(zhǔn)備情況還可明顯提高腺瘤檢出率、縮短結(jié)腸鏡檢查時(shí)間。本研究前期1例長(zhǎng)期便秘患者曾于腸鏡檢查前采用對(duì)照組方法自行判斷腸道準(zhǔn)備良好,但檢查中發(fā)現(xiàn)盲腸及升結(jié)腸內(nèi)糞水較多而部分視野觀察不清;為滿足臨床要求,征得患者同意后予以加服導(dǎo)瀉劑,并以模型評(píng)估腸道準(zhǔn)備滿意后再次進(jìn)行檢查,BBPS評(píng)分由4分提高到8分,并檢出6 mm×6 mm腺瘤性息肉1枚(圖2)。

圖2 患者男,56歲,長(zhǎng)期便秘 A～D.患者自行判斷腸道準(zhǔn)備良好后的結(jié)腸鏡圖(A～D依次為盲腸、升結(jié)腸、TC及直腸),BBPS評(píng)分4分; E～H.加服導(dǎo)瀉劑并以模型評(píng)估腸道準(zhǔn)備滿意后的結(jié)腸鏡圖(A～D依次為盲腸、升結(jié)腸、TC及直腸),BBPS評(píng)分8分 (黃圈為初次檢查被糞水遮蓋的6 mm×6 mm腺瘤性息肉)

現(xiàn)有結(jié)腸鏡檢查前糞水自動(dòng)檢查方法多通過傳統(tǒng)機(jī)器學(xué)習(xí)方法提取特征,再以線性回歸或支持向量機(jī)(support vector machine, SMV)算法與樣本圖像進(jìn)行逐一比對(duì)而進(jìn)行識(shí)別、評(píng)估,存在識(shí)別效果差、特征提取不完全等情況;且所提取特征多集中某些方面(如僅對(duì)圖像顏色進(jìn)行提取、僅對(duì)糞水性狀進(jìn)行提取),無法全面反映整體狀態(tài),導(dǎo)致難以準(zhǔn)確判斷實(shí)際腸道清潔度。本研究觀察組對(duì)糞水圖像進(jìn)行灰度轉(zhuǎn)換、降噪及標(biāo)準(zhǔn)化等,全面提取糞水形狀特征并用于訓(xùn)練CNN模型,再將糞水圖像與糞水性狀數(shù)據(jù)庫圖像進(jìn)行逐一對(duì)比,能夠準(zhǔn)確評(píng)估腸道準(zhǔn)備效果,有助于減少醫(yī)護(hù)人員工作量及患者就診次數(shù)、節(jié)省檢查前準(zhǔn)備時(shí)間。

綜上所述,采用人工智能腸道圖像識(shí)別模型評(píng)估結(jié)腸鏡檢查前腸道準(zhǔn)備情況可提高BBPS評(píng)分及腺瘤檢出率、縮短腸鏡檢查時(shí)間。本研究的主要不足:①樣本量小;②觀察組患者年齡顯著小于對(duì)照組,而年齡可能影響腸道準(zhǔn)備,有待后續(xù)進(jìn)一步觀察。