黎 健 馮 莉

復(fù)旦大學(xué)附屬中山醫(yī)院閔行分院內(nèi)鏡中心(201100)

人工智能(artificial intelligence, AI)在醫(yī)學(xué)中的應(yīng)用已引起廣泛關(guān)注，AI輔助消化內(nèi)鏡診斷是目前的研究熱點(diǎn)。臨床上內(nèi)鏡操作由內(nèi)鏡醫(yī)師完成，診斷則依靠醫(yī)師肉眼結(jié)合病理活檢完成，其本質(zhì)是一個不斷積累經(jīng)驗(yàn)、逐漸完善的過程。AI輔助內(nèi)鏡診斷有望提高內(nèi)鏡醫(yī)師對消化道病灶的檢出率，有效減少誤診和漏診。本文就AI在消化系統(tǒng)疾病內(nèi)鏡診斷中的作用和研究進(jìn)展作一綜述。

一、AI簡介

AI可定義為由機(jī)器模仿人類認(rèn)知功能所展示的智能[1-2]。機(jī)器學(xué)習(xí)(machine learning)是一種實(shí)現(xiàn)AI的方法，機(jī)器可在沒有明確指令的情況下利用數(shù)據(jù)來提升自身性能。深度學(xué)習(xí)(deep learning)是一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)，其通過模仿動物神經(jīng)系統(tǒng)來創(chuàng)建自身神經(jīng)網(wǎng)絡(luò)[3]。由于醫(yī)學(xué)數(shù)據(jù)通常由非結(jié)構(gòu)化文本、圖像和視頻組成，不易加工成有明確特征的數(shù)據(jù)，因此在臨床醫(yī)學(xué)中深度學(xué)習(xí)尤為有價(jià)值[4]。AI、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系見圖1。特征學(xué)習(xí)屬于深度學(xué)習(xí)，指機(jī)器內(nèi)部的某些設(shè)定要求機(jī)器主動識別并學(xué)習(xí)原始數(shù)據(jù)中的特征，而非被動識別學(xué)習(xí)已標(biāo)記的數(shù)據(jù)特征[5]。這種技術(shù)可使機(jī)器學(xué)習(xí)特征并能在沒有預(yù)先提供特征的情況下，自動推斷輸入值和輸出值。

采用機(jī)器學(xué)習(xí)方法的AI大致分為兩類：手工算法和深度學(xué)習(xí)算法。在手工算法中，研究人員基于臨床知識，手動輸入數(shù)據(jù)特征，如病灶邊緣、大小、顏色和圖像表面特征；深度學(xué)習(xí)算法則主動提取并學(xué)習(xí)鑒別圖像特征。從技術(shù)層面上而言，深度學(xué)習(xí)算法能使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)來分析復(fù)雜信息，通常較手工算法更具優(yōu)勢，但需要更多學(xué)習(xí)材料用于準(zhǔn)確識別和分析[6]。

二、AI在食管疾病中的應(yīng)用

1. Barrett食管(Barrett’s esophagus, BE)異型增生的識別：BE是食管腺癌發(fā)生的危險(xiǎn)因素之一，但在內(nèi)鏡檢查中常被誤診，原因可能為：①內(nèi)鏡醫(yī)師無法區(qū)分胃(近賁門處)柱狀黏膜和遠(yuǎn)端食管的化生上皮；②獲取的食管活檢組織中缺少杯狀細(xì)胞[7]。自動識別BE異型增生是計(jì)算機(jī)輔助診斷(computer-aided diagnosis, CAD)領(lǐng)域的研究熱點(diǎn)之一。CAD能幫助內(nèi)鏡醫(yī)師進(jìn)行精準(zhǔn)定位活檢，減少不必要的隨機(jī)活檢。隨機(jī)活檢對異型增生的敏感性較低，約64%[8]。有研究發(fā)現(xiàn)，精準(zhǔn)定位活檢診斷高級別上皮內(nèi)瘤變和食管腺癌的敏感性為90%，特異性為80%，陰性預(yù)測值為98%[9]。Veronese等[10]提出的一種CAD方法分析共聚焦圖像區(qū)分胃上皮化生、腸化生和上皮內(nèi)瘤變的敏感性分別為96%、95%、100%。因此，在臨床實(shí)踐中采用AI輔助內(nèi)鏡診斷，有望提升內(nèi)鏡醫(yī)師識別和診斷病變的水平。

圖1 AI與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系

基于病變部位特定紋理和對常規(guī)內(nèi)鏡圖像進(jìn)行機(jī)器學(xué)習(xí)，van der Sommen等[11]研發(fā)了一套能自動識別早期腫瘤的系統(tǒng)，識別過程分3個步驟：①預(yù)處理；②對獲取的圖像進(jìn)行降維度特征提取；③識別分類。結(jié)果顯示對44例BE患者100張圖像的早期腫瘤病變的診斷敏感性和特異性均為83%。Swager等[12]發(fā)現(xiàn)，容積激光顯微內(nèi)鏡(volumetric laser endomicroscopy, VLE)能對食管壁層深達(dá)3 mm處的病變進(jìn)行識別，其結(jié)果接近顯微鏡分辨率掃描，使用AI模型對60張VLE圖像進(jìn)行體外交叉驗(yàn)證，敏感性為90%，特異性為93%。

2. 食管癌的識別：食管癌為全球第六大癌癥死亡原因，其發(fā)病率位居第七位，多數(shù)病例預(yù)后較差且?guī)缀跛胁±鶠轺[狀細(xì)胞癌[13]。內(nèi)鏡下盧戈碘色素染色為目前診斷食管鱗狀細(xì)胞癌的主要方法，敏感性>90%，特異性約70%[14]，可能與炎性病變可引起假陽性表現(xiàn)有關(guān)。此外，作為篩查手段，碘染色引起的胃灼熱不適和過敏反應(yīng)風(fēng)險(xiǎn)在一定程度上限制了該方法的臨床應(yīng)用[15]。隨著內(nèi)鏡技術(shù)的發(fā)展，窄帶成像(narrow-band imaging, NBI)技術(shù)是一種非侵入性、安全性更高且可獲取高清圖像的診斷方法。在一項(xiàng)納入123例患者的交叉試驗(yàn)中，NBI對異型增生的檢出率明顯高于普通白光內(nèi)鏡(30%對21%，P=0.01)，且NBI所需的活檢次數(shù)更少[8]。有研究[16]發(fā)現(xiàn)NBI診斷食管高級別上皮內(nèi)瘤變的敏感性和特異性分別為91%和95%。目前，包括共聚焦激光顯微內(nèi)鏡(confocal laser endomicroscopy, CLE)和細(xì)胞內(nèi)鏡(endocytoscopy)在內(nèi)的更先進(jìn)的內(nèi)鏡成像技術(shù)正處于臨床前應(yīng)用階段[17]。值得注意的是，內(nèi)鏡醫(yī)師對這些新技術(shù)的顯微圖像進(jìn)行診斷時，不僅需要專業(yè)知識，還需大量強(qiáng)化訓(xùn)練，可能阻礙了這些新技術(shù)的臨床推廣。因此，CAD系統(tǒng)用于自動分析診斷所獲取的內(nèi)鏡圖像時，能減少內(nèi)鏡醫(yī)師的學(xué)習(xí)成本，提升臨床工作效率，凸顯AI的診斷價(jià)值。

Shin等[18]采用一種定量圖像分析由高分辨率顯微內(nèi)鏡(high-resolution microendoscopy, HRME)獲取的細(xì)胞核與細(xì)胞質(zhì)區(qū)域圖像，HRME能產(chǎn)生與CLE類似圖像，但成本明顯降低。結(jié)果顯示該法對食管鱗狀細(xì)胞癌的診斷敏感性和特異性分別為87%和97%，在算法中加入實(shí)時圖像分析功能后，敏感性和特異性分別為95%和91%。Horie等[19]的大樣本量研究基于CNN構(gòu)建了AI模型，對384例食管癌患者的8 428張內(nèi)鏡圖像進(jìn)行機(jī)器學(xué)習(xí)，結(jié)果顯示癌灶檢測的敏感性為98%，陽性預(yù)測值為40%?；跈C(jī)器學(xué)習(xí)的特性，隨著學(xué)習(xí)材料的增加，陽性預(yù)測值會逐漸增高，可作為一種較好的輔助診斷工具。

三、AI在胃部疾病中的應(yīng)用

1. 早期胃癌的識別：胃癌是一種嚴(yán)重危害人類健康的消化道惡性腫瘤，占全球癌癥死亡率的8.2%[13]。早期內(nèi)鏡診斷并治療是降低胃癌死亡率、提高患者生存率的主要方法。目前臨床上早期診斷胃癌存在兩個問題：①內(nèi)鏡下識別早期胃癌存在一定困難，內(nèi)鏡下早癌通常表現(xiàn)為黏膜輕度隆起或凹陷伴輕度發(fā)紅，極易遺漏；②內(nèi)鏡下如何預(yù)測病灶浸潤深度。分化型黏膜內(nèi)癌(M期)或侵入黏膜下層≤0.5 mm(SM1期)的病灶可行內(nèi)鏡下切除；而侵入黏膜下層>0.5 mm(SM2期)的病灶，通常采取手術(shù)切除。AI的應(yīng)用可在一定程度上解決上述兩個問題。

Sakai等[20]使用CNN學(xué)習(xí)內(nèi)鏡圖像來自動識別早癌，在926張內(nèi)鏡圖像中，228張為早癌，其余為正常圖像。經(jīng)數(shù)據(jù)訓(xùn)練后再行驗(yàn)證，結(jié)果顯示228張癌癥圖像中，共205張(89.9%)診斷準(zhǔn)確，除去用于學(xué)習(xí)的圖像，診斷準(zhǔn)確率為82.8%；698張正常圖像中，491張(70.3%)被系統(tǒng)識別成正常。表明通過少量數(shù)據(jù)學(xué)習(xí)，CNN就能在早期胃癌檢測中實(shí)現(xiàn)較高的準(zhǔn)確性。Miyaki等[21]采用CAD系統(tǒng)自動識別癌與非癌區(qū)域，對胃癌的診斷準(zhǔn)確性達(dá)85.9%，敏感性為84.8%，特異性為87.0%。該團(tuán)隊(duì)隨后將類似技術(shù)用于放大BLI圖像來識別早期胃癌，結(jié)果顯示癌變平均輸出值為0.846±0.220，紅色病變?yōu)?.381±0.349，周圍組織為0.219±0.277，癌變輸出值明顯高于其他類型[22]。上述研究結(jié)果說明AI在自動分析診斷早期胃癌方面具有一定的潛力。Hirasawa等[23]使用深度學(xué)習(xí)技術(shù)自動檢測早期胃癌。將13 584張傳統(tǒng)內(nèi)鏡圖像(而非NBI、FICE、BLI圖像)用于訓(xùn)練CNN，并從連續(xù)77處胃癌病變中收集2 296張圖像，結(jié)果顯示該模型準(zhǔn)確診斷71處胃癌病變僅需77 s，總體敏感性為92%。但仍有161處非癌性病變被誤診為胃癌，陽性預(yù)測值較低(31%)。該研究構(gòu)建的CNN可用于短時間內(nèi)處理大量內(nèi)鏡圖像來診斷胃癌，且具有實(shí)時臨床診斷能力，如何提高陽性預(yù)測值將是后續(xù)研究重點(diǎn)。Zhu等[24]設(shè)計(jì)了能從M/SM1型胃癌中識別SM2型胃癌的AI模型，結(jié)果顯示診斷SM2型胃癌的敏感性和特異性分別為76%和96%，高于內(nèi)鏡醫(yī)師視覺檢查的敏感性和特異性。

2. 幽門螺桿菌(Helicobacterpylori, Hp)感染的識別：Hp已被列為Ⅰ類致癌原，能定植于胃部并引起慢性萎縮性胃炎、腸化生，從而增加胃癌的發(fā)生風(fēng)險(xiǎn)[25]。胃鏡檢查是診斷Hp感染的重要方法，但準(zhǔn)確性并不高，敏感性和特異性分別為62%和89%[26]。目前AI診斷Hp感染已成為消化內(nèi)鏡領(lǐng)域的研究熱點(diǎn)之一。一項(xiàng)單中心回顧性研究[27]基于WLI、BLI、LCI圖像利用AI來診斷Hp感染，共納入222名受試者，其中105名胃鏡和血清學(xué)確診Hp感染陽性。結(jié)果顯示W(wǎng)LI的ROC曲線下面積顯著低于BLI和LCI(0.66對0.96、0.95，P<0.01)。說明基于BLI和LCI圖像，AI已具備較好的診斷Hp感染的能力，有望成為一種有用的輔助診斷工具。但該研究的缺陷在于AI系統(tǒng)為回顧性診斷而非內(nèi)鏡下實(shí)時診斷。由此可見，在胃鏡檢查過程中，AI是一種有效的輔助支持診斷工具，可避免內(nèi)鏡醫(yī)師漏診Hp感染患者，具有較強(qiáng)的臨床應(yīng)用潛力。

四、AI在腸息肉中的應(yīng)用

結(jié)直腸癌(CRC)是全球第三大常見癌癥，癌癥相關(guān)性死因中位居第二位[13]。結(jié)腸鏡結(jié)合病理活檢是診斷CRC的首選方法。研究表明，多數(shù)CRC由腸息肉演變而來[28]。結(jié)直腸息肉(特別是腺瘤性和鋸齒狀息肉)參與CRC的發(fā)生和發(fā)展，屬癌前病變，因此，通過早期診斷和干預(yù)結(jié)直腸息肉，有助于預(yù)防CRC[29]。結(jié)腸鏡檢查預(yù)防CRC的效果取決于腺瘤檢出率，識別并切除這些癌前病變，同時行切除后監(jiān)測，是預(yù)防CRC、降低發(fā)病率、死亡率的重要方法。

AI在腸息肉、腸癌識別領(lǐng)域的應(yīng)用已有較多研究，除傳統(tǒng)CAD外，基于CAD應(yīng)用AI的CNN系統(tǒng)亦取得迅速發(fā)展。Komeda等[30]設(shè)計(jì)了CNN-CAD系統(tǒng)學(xué)習(xí)從常規(guī)結(jié)腸鏡檢查視頻中截取的1 200張圖像，并對腸息肉進(jìn)行診斷和分類。經(jīng)10次交叉驗(yàn)證后，準(zhǔn)確性為0.751。說明該CNN-CAD系統(tǒng)可用于快速診斷腸息肉并進(jìn)行分類，但需在體內(nèi)環(huán)境中行進(jìn)一步的前瞻性研究，以明確CNN-CAD系統(tǒng)在常規(guī)結(jié)腸鏡檢查中的有效性。Urban等[31]的CNN系統(tǒng)對8 641張內(nèi)鏡圖像(包括4 088張各種類型息肉)進(jìn)行深度學(xué)習(xí)，評估診斷息肉的能力，結(jié)果顯示交叉驗(yàn)證準(zhǔn)確率為96.4%，ROC曲線下面積為0.991。且該CNN系統(tǒng)具備實(shí)時識別和定位息肉的功能，可增加腺瘤檢出率并減少CRC的發(fā)生，但仍需在大型多中心試驗(yàn)中行進(jìn)一步驗(yàn)證。Chen等[32]創(chuàng)新性地利用NBI圖像結(jié)合DNN-CAD系統(tǒng)診斷增生性和腫瘤性息肉。該研究收集了1 476張腫瘤性息肉和681張?jiān)錾韵⑷鈭D像，以病理結(jié)果作為參照。結(jié)果顯示DNN-CAD系統(tǒng)鑒別腫瘤性息肉和增生性息肉的敏感性為96.3%，特異性為78.1%，陽性預(yù)測值為89.6%，陰性預(yù)測值為91.5%。DNN-CAD系統(tǒng)鑒別腫瘤性息肉和增生性息肉的用時為(0.45±0.07) s，顯著短于專家和年輕內(nèi)鏡醫(yī)師所需的時間[(1.54±1.30) s、(1.77±1.37) s，P<0.001]。

五、總結(jié)

目前AI在醫(yī)療領(lǐng)域的應(yīng)用已取得較多進(jìn)步，尤其在消化內(nèi)鏡診斷方面。但AI在消化內(nèi)鏡中的應(yīng)用面臨一些問題：AI如何在消化內(nèi)鏡中做到實(shí)時診斷？如何更好地將AI融合于新的內(nèi)鏡技術(shù)？此外，消化內(nèi)鏡醫(yī)師和患者的接受程度亦是面臨的另一問題。自2017年以來，AI作為一項(xiàng)國家戰(zhàn)略，已在皮膚癌、糖尿病視網(wǎng)膜病變中發(fā)揮重要作用，未來基于AI的內(nèi)鏡圖像診斷識別有望在消化內(nèi)鏡篩選消化道早癌方面發(fā)揮重要作用。