石善江 王宏光 劉時助 韓帛特

[摘要] 目的 驗證一個由卷積神經(jīng)網(wǎng)絡的人工智能系統(tǒng)技術模型，從而提高臨床白光內鏡下早期食管癌的診斷水平。方法 回顧性方便收集2016年7月—2018年8月期間吉林市人民醫(yī)院內鏡中心數(shù)據(jù)庫中2 120張食道圖像，其中包括早期食管癌288張，良性病變及正常圖像1 832張。首先通過騰訊覓影人工智能系統(tǒng)技術模型對該2 120張圖像進行驗證，同時在交給4名內鏡醫(yī)師進行診斷，最后分析統(tǒng)計結果。結果 卷積神經(jīng)網(wǎng)絡人工智能模型用于早期食管癌的準確率為88.4%（1 875/2 120）、敏感度89.6%（258/288）、特異度88.3%（1 617/1 832），每張圖像的診斷時間為（0.25±0.03）s，均優(yōu)于4名內鏡醫(yī)師。結論 該實驗證明由卷積神經(jīng)網(wǎng)絡技術建立的人工智能模型對食管癌診斷有較高的準確率、敏感度、特異度，可在臨床白光內鏡中輔助內鏡醫(yī)師進行診斷。

[關鍵詞] 卷積神經(jīng)網(wǎng)絡;人工智能;食管癌;診斷;白光內鏡

[中圖分類號] R735 ? ? ? ? ?[文獻標識碼] A ? ? ? ? ?[文章編號] 1674-0742（2019）06（c）-0007-04

[Abstract] Objective To validate a technical model of artificial intelligence system by convolutional neural network， so as to improve the diagnosis of early esophageal cancer under clinical white endoscopy. Methods A retrospective convenient collection of 2 120 esophageal images in the endoscopy center database of Jilin City People's Hospital from July 2016 to August 2018 included 288 early esophageal cancers， benign lesions and 1 832 normal images. Firstly， 2 120 images were verified by Tencent's shadow artificial intelligence system technology model， and then diagnosed by four endoscopists， and finally the statistical results were analyzed. Results The accuracy of convolutional neural network artificial intelligence model for early esophageal cancer was 88.4% （1 875/2 120）， sensitivity 89.6% （258/288）， specificity 88.3% （1 617/1 832）， diagnosis of each image time was （0.25±0.03） s， which was better than 4 endoscopists. Conclusion This experiment proves that the artificial intelligence model established by convolutional neural network technology has higher accuracy， sensitivity and specificity for the diagnosis of esophageal cancer， and can be diagnosed by clinical endoscopy in clinical white endoscopy.

[Key words] Convolutional neural network; Artificial intelligence; Esophageal cancer; Diagnosis; White endoscopy

目前，食管癌居全球惡性腫瘤發(fā)病率第8位，死亡率第6位，我國是食管癌的高發(fā)國家之一，每年食管癌的新發(fā)病例可超過22萬例，其中約20萬例死亡[1-3]。據(jù)統(tǒng)計，90%的食管癌患者已達到中晚期，其5年生存率不超過20%，除生活質量大大降低外，還增加了家庭負擔。早期食管癌是指病變僅累及粘膜層及黏膜下層，不伴有淋巴結轉移的食管癌，其發(fā)現(xiàn)時可經(jīng)內鏡下微創(chuàng)治療，5年生存率可達95%[4]。我國第三次全國死因調查及食管癌登記資料指出，近年來其發(fā)病率和死亡率總體有下降趨勢[5-6]，但仍占世界同期約49%[1]。雖然有下降，但我國人口眾多，患者量仍巨大，患者量大片子太多，醫(yī)生看不過來，基層醫(yī)院買得起設備，請不來醫(yī)生，非高發(fā)地區(qū)的醫(yī)生，缺乏實踐經(jīng)驗等因素，導致我國早期食管癌的診斷水平低，以上問題對于基層醫(yī)院來說，尤為可見。

隨著科技的不斷發(fā)展，機器學習出現(xiàn)在醫(yī)學的各個領域，人工智能（artificial intelligence，AI）深度學習技術也逐漸被廣泛應用。該研究選擇2016年7月—2018年8月期間吉林市人民醫(yī)院內鏡中心數(shù)據(jù)庫中的2 120張食道圖像，驗證了一個由卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNN）的人工智能系統(tǒng)技術模型，明確了其在早期食管癌診斷中的臨床價值，希望提高臨床白光內鏡下早期食管癌的診斷水平。現(xiàn)報道如下。

1 ?資料與方法

1.1 ?一般資料

回顧性方便收集吉林市人民醫(yī)院內鏡中心數(shù)據(jù)庫中2 120張食道圖像，其中包括早期食管癌288張，良性病變及正常圖像1 832張。良性病變包括慢性食管炎、反流性食道炎、Barrett食道、食管息肉、食管粘膜下隆起等5種，而早期食管癌的病例圖像均由該院行內鏡下黏膜剝離術（endoscopic submucosal dissection，ESD）的90例患者中選取，術后病理診斷包括癌前病變（低級別上皮內瘤變、高級別上皮內瘤變）、局限于粘膜層或黏膜下層的癌（以鱗狀細胞癌和腺癌為主），首先通過騰訊覓影人工智能系統(tǒng)技術模型對該2 120張圖像進行驗證，同時在交給4名內鏡醫(yī)師進行診斷，最后分析統(tǒng)計結果。所有的病例都有活檢病理診斷或術后病理診斷及病變范圍明確。為方便實驗進行，該實驗將上述ESD術后病理回報的類型定位“早期食管癌”，并不等同于指南工人的早期食管癌定義[3]。

1.2 ?實驗器械

所有圖像均在白光、非放大模式、非碘染下拍攝，所使用的設備包括Olympus公司的260及290系列，F(xiàn)ujinon公司的580和590系列。同時應用由騰訊公司提供的騰訊覓影-人工智能醫(yī)學影像專家系統(tǒng)進行驗證。

1.3 ?實驗方法

利用騰訊公司提供的騰訊覓影-人工智能醫(yī)學影像專家系統(tǒng)對所收集2016年7月—2018年8月期間吉林市人民醫(yī)院內鏡中心數(shù)據(jù)庫中2 120張食道圖像進行比對分析識別。后選取4名內鏡醫(yī)師，分為低年資2名和高年資2名，低年資內鏡醫(yī)師是指從事內鏡行業(yè)不足3年，內鏡檢查例數(shù)為1 000～2 000例，高年資內鏡醫(yī)師是指從事內鏡行業(yè)超過5年，且內鏡檢查例數(shù)超過5 000例。由4名醫(yī)師分別對選取的食道圖像進行識別診斷，分別其診斷每張圖片所用時間，以及統(tǒng)計其針對的準確率、敏感度及特異度。

1.4 ?統(tǒng)計方法

采用SPSS 17.0統(tǒng)計學軟件進行數(shù)據(jù)處理，計量資料采用（x±s）表示，行t檢驗，計數(shù)資料[n（%）]采用χ2檢驗，P<0.05為差異有統(tǒng)計學意義。

2 ?結果

該次實驗總共選取2 120張食道圖像，其中包括早期食管癌288張，良性病變及正常圖像1 832張。而288張早期食管癌圖像中，騰訊覓影的卷積神經(jīng)網(wǎng)絡人工智能模型正確識別258張，其敏感度為89.6%;正確識別良性病變及正常圖像1 617張，其特異度為88.3%;總準確率為88.4%，每張圖像的診斷時間為（0.25±0.03）s。

對于2名低年資內鏡醫(yī)師及2名高年資內鏡醫(yī)師對選取的2120張食道圖像診斷的敏感度分別為58.7%、61.1%、70.1%、80.2%，特異度分別為：80.1%、72.5%、82.0%、75.9%，其識別的總準確率分別為77.1%、70.9%、80.4%、76.5%。而4名醫(yī)師對每張圖像的平均診斷時間分別為（3.54±1.62）s、（2.86±1.78）s、（2.54±1.38）s、（3.12±2.12）s。對比應用騰訊覓影人工智能模型及內鏡醫(yī)師識別圖像的敏感度、特異度、總準確率，見表1、表2。

3 ?討論

該實驗將新興的醫(yī)療新技術卷積神經(jīng)網(wǎng)絡的人工智能深度學習模型應用在早期食管癌的診斷中，并再一次印證了該模型對于消化內鏡領域中應用具有較好的臨床效果。通過回顧性收集2 120張食道圖像，通過騰訊覓影人工智能系統(tǒng)技術模型對該2 120張圖像進行驗證，同時在交給4名內鏡醫(yī)師進行診斷，最后分析統(tǒng)計結果表示前者的敏感度89.6%、特異度為88.3%、總準確率為88.4%，每張圖像的診斷時間為（0.25±0.03）s，均明顯優(yōu)于4名內鏡醫(yī)師。

我國食管癌的發(fā)病和死亡人數(shù)仍均世界首位，20世紀50年代以來，食管癌篩查和早診早治一直都受到國家衛(wèi)生部門的重視，企業(yè)是降低死亡率提高生存率的主要策略[3]。對于目前的國情來看，對于食道癌最直觀有效的檢查方法為內鏡檢查，在內鏡下早期發(fā)現(xiàn)，早期治療是改善預后、節(jié)約國家醫(yī)療資源、減輕家庭和社會負擔的有效途徑。對于目前的研究顯示，早期食道的診斷方法最普通的是白光內鏡，但由于早期食道癌病變不典型，診斷難度較多，醫(yī)生診斷水平較低，醫(yī)療資源分配不均衡等等原因是造成早期食道癌漏診的主要因素。應用碘染色可以大大提高早期食管癌及高度異型增生的檢出率，但仍存在一些問題，如：特異性低，操作時間略長，難度大，增加患者痛苦，只能確定病變存在的部位和范圍，無法判斷良惡性質[7]。為解決上述難題，隨之又出現(xiàn)了窄帶成像技術（narrow band imaging，NBI）[8]，可通過染色后觀察IPCL進行診斷，但有研究顯示對于沒有經(jīng)驗的內鏡醫(yī)師通過NBI對食管鱗狀細胞癌診斷的敏感度僅為53%[9]。技術不斷更新，藍激光成像技術也應用于食管癌的診斷當中，研究表明在藍激光模式下，由于其亮度更高，能遠距離發(fā)現(xiàn)病變，較NBI更早發(fā)現(xiàn)病灶[10]。對于早期食管癌的診斷方法如此之多，但診斷率仍然較低，是因為我國人口眾多，患者量仍巨大，患者量大片子太多，醫(yī)生看不過來，基層醫(yī)院買得起設備，又請不來醫(yī)生的醫(yī)療資源分配不均衡，非高發(fā)地區(qū)的醫(yī)生，缺乏實踐經(jīng)驗等，以上問題對于基層醫(yī)院來說，尤為可見。如何能解決上述的問題，是當前需棘手解決的。

AI在醫(yī)療領域的出現(xiàn)，幫助消化內鏡醫(yī)師解決了上述的問題。這種深度學習的AI技術是由哈佛大學醫(yī)學院Wells教授在其綜述中指出，其解決了醫(yī)學圖像分析任務的發(fā)展趨勢[11]。而其原理則基于CNN，其通常由多個交替出現(xiàn)的卷積層和池化層，以及末端的全連接層構成多層次人工神經(jīng)網(wǎng)絡，CNN在本質上是通過學習網(wǎng)絡具有輸入到輸出的映射能力，通過前向的傳播技術輸出值，然后將輸出值與理想標簽值的誤差通過梯度下降法對最小化誤差問題尋優(yōu)，再利用反向傳播梯度調整CNN參數(shù)以達到更為精準的深度學習模式[12]，從而應用到醫(yī)學圖像的分類、檢測、分割中。AI深度學習模型已應用于全身各個系統(tǒng)的診療中，如放射腫瘤學診斷[13]、皮膚癌診斷[14]、糖尿病視網(wǎng)膜病變分類[15]。近幾年該技術以及逐步應用于消化疾病領域，如利用計算機深度學習與智能圖像提高對胃高分化腺癌病理的診斷[16]，利用圖像分析技術鑒別超聲內鏡下自身免疫性胰腺炎與慢性胰腺炎的診斷[17]。AI對于消化道早期領域也在不斷探入，有研究表明[18]，AI可用于輔助結腸鏡檢查，從腸黏膜檢查的充分性、腸息肉探查、光學活檢等方面提升結腸鏡檢查質量。長海醫(yī)院回顧性選取了5 159張胃鏡圖像進行AI深度學習模型的訓練及驗證中得出，其診斷早期胃癌的敏感度高達88.8%，特異度89.7%，準確率為89.4%，大大提高了早期胃癌的診斷水平[19]。而Horie教授研究表明，根據(jù)CNN建立的AI模型對于食道癌的診斷在短時間內具有較大的敏感度[20]?；谝陨系难芯?，該科選取大量的食管圖像對騰訊覓影的AI模型進行再一次的驗證，驗證表面該AI模型具有較高的敏感度、特異度、準確率，且用時少。

該實驗結果表明騰訊覓影建立的CNN的人工智能系統(tǒng)對早期食管癌的診斷有較大的幫助，可以協(xié)助臨床消化內鏡醫(yī)師進行診斷，從而達到早診早治的效果，但該模型的建立仍需日后大量樣本數(shù)據(jù)的充實，才能不斷提高其診斷效果，從而解決基層醫(yī)療資源分配不均衡，醫(yī)療診治水平落后的現(xiàn)狀，希望由CNN技術構建的人工智能系統(tǒng)可以廣泛的應用于臨床醫(yī)療工作中。

[參考文獻]

[1] ?中國早期食管癌篩查及內鏡診治專家共識意見（2014年，北京）[J].中華消化內鏡雜志，2015，32（4）：205-224.

[2] ?Wells III WM. Medical imagc analysis-past，presect，and future[J]. Medical Image Analusis，2016，33（2）：4-6.

[3] ?田秀娟，劉國才，谷姍姍，等.醫(yī)學圖像分析深度學習方法研究與挑戰(zhàn)[J].自動化學報，2018，44（3）：401-420.

[4] ?Bibault JE， Giraud P， Burgun A. Big data and machine learning in radiation oncology： state of the art and future prospects[J]. Cancer Lett，2016，382（1）：110-117.

[5] ?Esteva A， Kuprel B， Novoa RA， et al. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature，2017，546（7660）：115-118.

[6] ?Gulshan V， Peng L， Coram M， et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs[J]. JAMA， 2016，316（22）：2402-2410.

[7] ?夏靖媛，紀小龍.計算機深度學習與智能圖像診斷對胃高分化腺癌病理診斷的價值[J].世界華人消化雜志，2017，25（12）：1043-1049.

[8] ?Byrne MF，Shahidi N，R ex DK.Will Computer-AidedDetection and DiagnosiRevolutionize Colonoscopy[J].Gastroenterology，2017，153 （6） ：1460-1464.

[9] ?王智杰，高杰，孟茜茜，等.基于深度學習的人工智能技術在早期胃癌診斷中的應用[J].中華消化內鏡雜志，2018，35（8）：551-556.

[10] ?Cui Y， Dong Q， Hong D， et al. Predicting protein-ligand binding residues with deep convolutional neural networks[J]. BMC Bioinformatics， 2019， 20（1）： 93-99.

[11] ?Panda R， Puhan N B， Rao A， et al. Deep convolutional neural network-based patch classification for retinal nerve fiber layer defect detection in early glaucoma[J].J Med Imag ing （Bellingham）， 2018， 5（4）： 440-443.

[12] ?Park H， Chun S M， Shim J， et al. Detection of chromosome structural variation by targeted next-generation sequencing and a deep learning application[J]. Sci Rep， 2019， 9（1）： 3644-3649.

[13] ?Paul R， Schabath M， Balagurunathan Y， et al. Explaining Deep Features Using Radiologist-Defined Semantic Features and Traditional Quantitative Features[J]. Tomography， 2019， 5（1）： 192-200.

[14] ?Ren H， Wang Q H， Xing Y， et al. Super-multiview integral imaging scheme based on sparse camera array and CNN super-resolution[J]. Appl Opt， 2019， 58（5）： A190-A196.

[15] ?Theagarajan R， Bhanu B. DeephESC 2.0： Deep Generative Multi Adversarial Networks for improving the classification of hESC[J]. PLoS One， 2019， 14（3）： 849-856.

[16] ?Winter R， Montanari F， Noe F， et al. Learning continuous and data-driven molecular descriptors by translating equiva lent chemical representations[J].ChemSci， 2019， 10（6）： 1692-1701.

[17] ?Wu E， Hadjiiski L M， Samala R K， et al. Deep Learning Approach for Assessment of Bladder Cancer Treatment Response[J]. Tomography， 2019， 5（1）： 201-208.

[18] ?戴垚均，閆士舉，宋成利.基于密集網(wǎng)絡改進的肺結節(jié)良惡性分類模型[J].中國醫(yī)學影像技術，2018，34（7）：1104-1109.

[19] ?孔小函，檀韜，包凌云，等.基于卷積神經(jīng)網(wǎng)絡和多信息融合的三維乳腺超聲分類方法[J].中國生物醫(yī)學工程學報，2018，37（4）：414-422.

[20] ?萬艷麗，胡紅濮，陳荃，等.基于深度卷積神經(jīng)網(wǎng)絡的腦部圖像疾病類別特征庫構建[J].醫(yī)學信息學雜志，2018，39（3）：16-20.

（收稿日期：2019-03-25）