張凱璇，丁康

南京中醫(yī)藥大學附屬南京中醫(yī)院肛腸中心，南京210000

結(jié)直腸癌（CRC）起源于結(jié)直腸黏膜上皮，是臨床常見的消化系統(tǒng)惡性腫瘤之一，在全球惡性腫瘤中其發(fā)病率居第三位、死亡率居第二位。CRC 的發(fā)生大多遵循“息肉-腺瘤-癌”序列，通常由良性癌前息肉的局灶性變化發(fā)展而來，從息肉發(fā)展到癌癥往往需要5～10 年。越來越多的證據(jù)表明，早期篩查及早診早治可以降低CRC的發(fā)病率和死亡率［1］。在當前的臨床實踐中，結(jié)腸鏡是CRC 篩查的“金標準”［2］。內(nèi)鏡醫(yī)師可通過鏡頭完整地探查整個腸腔，發(fā)現(xiàn)可疑病灶后取活體組織進行病理學檢查。近年來，隨著人工智能（AI）技術(shù)在疾病診斷中得到快速發(fā)展，結(jié)腸鏡下AI 計算機輔助診斷技術(shù)（CAD）為CRC 的精確診斷提供了新的途徑［3］。已有研究證實，AI 輔助結(jié)腸鏡檢查能夠顯著降低結(jié)直腸息肉和腺瘤的漏診率［4］。本文結(jié)合文獻就基于深度學習（DL）的AI 技術(shù)在輔助CRC 精準診療中的應用進展作一綜述。

1 醫(yī)學影像AI診斷技術(shù)的基本原理

AI 是計算機科學的一個分支，通過計算機系統(tǒng)模擬人類智能和學習能力，從而完成類似人類智能的任務和活動。目前，AI 在人類日常生活中的應用越來越廣泛。近年來，AI 在精準醫(yī)學、醫(yī)學影像輔助診斷、病理檢查與診斷、病例分析與整理等方面也取得了一定成果，其中AI與醫(yī)學影像的結(jié)合被認為是最具發(fā)展前景的領(lǐng)域［5］。醫(yī)學影像AI技術(shù)包括圖像識別和DL兩個方面［6］。

1.1 圖像識別 圖像識別是AI 的一個重要領(lǐng)域，是利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對象的技術(shù)。圖像識別的基本過程可分為三個主要步驟：圖像預處理、特征提取和識別。計算機通過視覺識別系統(tǒng)獲取圖像后，傳輸至圖像處理系統(tǒng)，從而對獲取的圖像進行預處理。對圖像預處理后，即可對組織器官定位、分類以及圖像分割，進而標記疑似病變部位［7］，提取肉眼無法識別的腫瘤特征并使用特定算法識別，從而提高醫(yī)師判讀醫(yī)學影像的工作效率［8］。

1.2 DL DL是機器學習（ML）的一個分支，強調(diào)從一系列連續(xù)的表示層中進行學習。DL 通常包含數(shù)十個甚至上百個連續(xù)的表示層，這些表示層全都是從訓練數(shù)據(jù)中自動學習的。DL 通過對大量醫(yī)學影像數(shù)據(jù)多層神經(jīng)網(wǎng)絡訓練，從樣本數(shù)據(jù)中獲取不同的抽象特征，實現(xiàn)智能化診斷的量化經(jīng)驗，從而對疾病進行分類預測［9］。ML是AI的子領(lǐng)域之一，通過應用統(tǒng)計方法為特定任務優(yōu)化模型。與傳統(tǒng)ML 需要采取支持向量機、決策樹、隨機森林等傳統(tǒng)統(tǒng)計模型進行分類和預測不同，DL可直接對醫(yī)學影像的原始數(shù)據(jù)進行學習，利用卷積神經(jīng)網(wǎng)絡（CNN）對圖像進行分類并提取圖像特征［10-11］，定量分析與預測，從而降低臨床漏診和誤診概率。目前，DL已經(jīng)滲透到醫(yī)學影像領(lǐng)域的各個方面，在一些具體任務中接近甚至超越人類專家的水平。

CNN 是DL 領(lǐng)域的關(guān)鍵概念之一，作為一種前饋神經(jīng)網(wǎng)絡，能夠從具有卷積結(jié)構(gòu)數(shù)據(jù)中提取特征［12］。與利用人工提取模式的傳統(tǒng)算法相比，CNN無需人類邏輯和知識干預，計算機以像素為單位獲取圖像并輸入，自動提取特征并完成特定任務，整個過程可實現(xiàn)端到端的訓練［13］。ESTEVA 等［14］使用129 450 張包含2 032 種不同疾病的臨床圖像數(shù)據(jù)集，通過CNN 進行二元分類，結(jié)果發(fā)現(xiàn)CNN 在此訓練任務中的表現(xiàn)與所有經(jīng)過測試的專家不相上下，證實AI的分類能力與經(jīng)過測試的專家相當。

2 AI在醫(yī)學影像方面的應用現(xiàn)狀

目前，AI 在影像學診斷中的應用主要集中在肺癌、胃癌、甲狀腺結(jié)節(jié)和糖尿病視網(wǎng)膜病變等。醫(yī)學影像借助于X射線、電磁場、超聲波等介質(zhì)與人體的相互作用，將體內(nèi)組織器官的形態(tài)結(jié)構(gòu)、密度以影像方式表現(xiàn)出來，從而為診斷醫(yī)師提供判斷依據(jù)。AI可對圖像降噪、病灶分割以及定量分析，從而提高疾病診斷及療效和預后評估的準確性［5］。SU 等［15］開發(fā)了一種計算機輔助檢測（CADe）系統(tǒng)，該系統(tǒng)既能鑒別結(jié)腸息肉與腺瘤又能評估結(jié)腸鏡檢查質(zhì)量。尹愛桃等［16］研究發(fā)現(xiàn)，超聲醫(yī)師與AI-CAD 系統(tǒng)鑒別甲狀腺良惡性結(jié)節(jié)的靈敏度分別為80.7%、84.5%，特異度分別為73.7%、81.0%，準確度分別為79.0%、84.1%，證實AI-CAD 系統(tǒng)對甲狀腺良惡性結(jié)節(jié)的鑒別診斷價值較高。AI-CAD 能夠幫助醫(yī)師快速檢出病灶，提高閱片效率，完成對病灶的快速精準定位和定性以及臨床分期評價。此外，在醫(yī)學影像領(lǐng)域利用AI 技術(shù)還可對既往數(shù)據(jù)進行更深層次地挖掘。總之，AI 為醫(yī)學影像診斷提供了更先進的方法及工具，可在智能化診斷、病情評估以及預后預測等方面實現(xiàn)重大突破。

3 醫(yī)學影像AI技術(shù)在CRC診斷中的臨床應用

AI 在醫(yī)學影像中的應用最為成熟，尤其是腫瘤影像學方面，對腫瘤的早期診斷、臨床分期評估以及轉(zhuǎn)移和預后預測等方面發(fā)揮了巨大作用?；卺t(yī)學影像學的智能化診斷是將AI 技術(shù)用于醫(yī)學影像學輔助診斷領(lǐng)域，通過分析影像學和病理學特性，實現(xiàn)智能化精準診療。近年來，隨著深度神經(jīng)網(wǎng)絡和ML算法的不斷發(fā)展，醫(yī)學影像AI 技術(shù)取得了長足進步。

CRC 是全球范圍內(nèi)的重大公共衛(wèi)生問題。幾乎所有的CRC 起源于腺瘤性息肉，早期定期結(jié)腸鏡篩查對于降低CRC 的高發(fā)病率和高死亡率至關(guān)重要。結(jié)腸鏡檢查是目前發(fā)現(xiàn)結(jié)直腸腫瘤性病變最靈敏的手段。然而結(jié)腸鏡檢查對內(nèi)鏡醫(yī)師的技術(shù)水平要求較高，經(jīng)驗不足的內(nèi)鏡醫(yī)師對CRC 的診斷準確率明顯偏低。醫(yī)學影像AI 技術(shù)可實時輔助內(nèi)鏡醫(yī)師檢查，避免在內(nèi)鏡檢查過程中出現(xiàn)漏診，彌補了不同內(nèi)鏡醫(yī)師之間的技術(shù)水平差距，從而有效提高CRC 的檢出率。因此，醫(yī)學影像AI 技術(shù)有望成為CRC篩查的重要輔助工具。

3.1 醫(yī)學影像AI技術(shù)在結(jié)直腸息肉診斷中的臨床應用 結(jié)直腸息肉是隆起于結(jié)直腸表面的腫物，包括腫瘤性病變和非腫瘤性病變。結(jié)直腸息肉按病理學性質(zhì)可分為腺瘤性息肉、炎性息肉、增生性息肉和錯構(gòu)瘤型息肉，其中腺瘤性息肉被認為是CRC 的癌前病變。腺瘤檢出率是檢驗內(nèi)鏡醫(yī)師鏡檢水平的重要標準。80%～95% CRC是由結(jié)直腸腺瘤性息肉發(fā)展而來，故提高腺瘤檢出率對降低CRC 的發(fā)病率和死亡率具有重要意義。然而，一些息肉在外觀上僅有細微差別，由于內(nèi)鏡醫(yī)師的檢查水平或患者的腸道準備不足等原因可能導致漏檢。有研究報道，在結(jié)腸鏡檢查過程中有許多結(jié)腸小息肉易被遺漏，其中腺瘤的遺漏率高達26%［17］。

隨著AI技術(shù)在腫瘤篩查領(lǐng)域的廣泛應用，醫(yī)學影像AI 技術(shù)已成功地解決了息肉漏檢問題。NAZARIAN 等［18］在一項薈萃分析中發(fā)現(xiàn)，醫(yī)學影像AI技術(shù)對結(jié)直腸息肉診斷的靈敏度為92%、特異度為93%、準確率為92%，診斷效能遠高于單獨靜止圖像。REPICI 等［19］在一項前瞻性、多中心、隨機對照非劣效性試驗中發(fā)現(xiàn)，讓10位經(jīng)驗尚淺的內(nèi)鏡醫(yī)生（結(jié)腸鏡檢查操作＜2 000 例）連續(xù)對40～80 歲受試者進行診斷性結(jié)腸鏡檢查，在使用或不使用DL 的CADe 情況下進行高清晰度結(jié)腸鏡檢查，以不良反應為主要觀察指標，并以切除病灶的組織學為參考，結(jié)果發(fā)現(xiàn)使用人工智能輔助息肉檢測腺瘤檢出率和每次結(jié)腸鏡檢查的腺瘤率分別增加22%、21%。這些研究結(jié)果表明，使用AI-CAD 系統(tǒng)可顯著提高腺瘤檢出率，但這些研究僅是增加了腺瘤性息肉的檢出率，并沒有增加晚期腺瘤的檢出率；而且這些研究大多集中在歐美國家，其研究結(jié)論可能并不適用于我國現(xiàn)狀。目前，結(jié)腸鏡檢查仍然高度依賴于操作者的技術(shù)水平，存在一定主觀性，容易在息肉檢查中出現(xiàn)遺漏或誤診情況。利用DL 的醫(yī)學影像AI技術(shù)可自動提取結(jié)直腸腺瘤性息肉相關(guān)的圖像特征，在病變部位特征識別方面的表現(xiàn)明顯優(yōu)于內(nèi)鏡醫(yī)師。因此，開發(fā)出更高效的AI-CAD 系統(tǒng)，特別是基于DL或CNN 的AI 技術(shù)，能夠有效提高腺瘤檢出率，降低后續(xù)CRC的發(fā)生風險。

3.2 醫(yī)學影像AI 技術(shù)在CRC 診斷中的應用 目前，廣泛用于圖像識別的DL技術(shù)能夠顯著提高醫(yī)學影像的可讀性，可為臨床提供客觀可靠的診斷意見，幫助醫(yī)師做出更準確的臨床決策。與無淋巴結(jié)轉(zhuǎn)移的癌癥患者相比，有淋巴結(jié)轉(zhuǎn)移的癌癥患者生存率較低、預后較差。T1期CRC 準確的光學診斷和黏膜下浸潤程度判斷有助于確定CRC 的最佳治療方案。目前，大部分T1 期CRC 可通過內(nèi)鏡下切除術(shù)治愈，而內(nèi)鏡下切除術(shù)是否有效取決于有無淋巴結(jié)轉(zhuǎn)移。CRC 相關(guān)的指南預測，僅有10% T1 期CRC 患者會發(fā)生淋巴結(jié)轉(zhuǎn)移，因此大部分T1期CRC患者接受了不必要的手術(shù)切除［20］。SONG 等［21］研究報道，使用AI 技術(shù)預測T1 期CRC 患者有無淋巴結(jié)轉(zhuǎn)移風險的靈敏度為100%，其特異度和準確度比單獨使用美國臨床實踐指南高20%以上。

通過DL 實現(xiàn)的CAD 技術(shù)已成功用于結(jié)腸鏡檢查，其篩查結(jié)直腸腫瘤的靈敏度為95%、特異度為88%［22］。WALLACE 等［23］研究證實，與普通結(jié)腸鏡檢查相比，采用AI輔助的結(jié)腸鏡檢查對結(jié)直腸腫瘤的漏診率能夠降低約50%。因此，AI 輔助的結(jié)腸鏡檢查可明顯提升經(jīng)驗尚淺的內(nèi)鏡醫(yī)師的診斷水平。

醫(yī)學影像AI 技術(shù)在輔助診斷CRC 方面已經(jīng)展現(xiàn)出了巨大潛力，不僅能顯著提高結(jié)直腸息肉的檢出效率，還能早期識別T1 期CRC，從而避免部分患者接受不必要的手術(shù)切除。但如何規(guī)范地標注病灶部位、建立實時AI-CAD 系統(tǒng)，從而提高醫(yī)學影像AI技術(shù)的檢驗效率，仍是今后研究的重點。

4 醫(yī)學影像AI技術(shù)在CRC診斷中面臨的挑戰(zhàn)

醫(yī)學影像AI技術(shù)在提高CRC的診斷效率方面雖然具有很好的應用前景，但在臨床實施中仍面臨一些困難與挑戰(zhàn)。首先，DL模型的“黑箱”特性一直被質(zhì)疑缺乏可解釋性，這是AI應用于臨床的一大障礙。其次，目前的AI算法主要建立在小樣本、單中心數(shù)據(jù)圖像上，而DL模型的優(yōu)化在計算方面要求很高，需要依靠大樣本、多中心的數(shù)據(jù)集進行訓練［24］。盡管研究人員已經(jīng)開發(fā)出了一些增加數(shù)據(jù)集的方法，包括但不限于隨機旋轉(zhuǎn)、隨機翻轉(zhuǎn)、隨機顏色變換和高斯濾波等［25-26］，但僅利用單中心數(shù)據(jù)進行模型訓練仍存在較大的選擇性偏倚。另外，不同型號的掃描儀器圖像處理技術(shù)存在一定差異。因此，醫(yī)學影像AI技術(shù)在臨床應用之前必須進行大樣本、多中心的模型訓練。

綜上所述，隨著ML、DL 和深度神經(jīng)網(wǎng)絡技術(shù)在計算機視覺領(lǐng)域的快速發(fā)展，基于AI的CAD系統(tǒng)在結(jié)腸鏡檢查方面取得了顯著進展，不僅能顯著提高結(jié)直腸息肉的檢出效率，還能早期識別T1 期CRC，從而避免部分患者接受不必要的手術(shù)切除，已成為內(nèi)鏡醫(yī)生不可或缺的輔助診斷工具。醫(yī)學影像AI技術(shù)在提高CRC 的診斷效率方面雖然具有很好的應用前景，但在臨床實施中仍面臨一些困難與挑戰(zhàn)，如DL模型的“黑箱”特性一直被質(zhì)疑缺乏可解釋性，目前的AI算法主要建立在小樣本、單中心數(shù)據(jù)圖像上，尚需大樣本、多中心的研究數(shù)據(jù)進行充分驗證。