張宏娜綜述 程艷麗審校

人工智能(artificial intelligence，AI)，廣義上是指關(guān)于人造物的智能行為，智能行為包括知覺、推理、學(xué)習、交流和在復(fù)雜環(huán)境中的行為，自從該定義被首次提出之后就逐漸被應(yīng)用于各個領(lǐng)域并不斷擴大，其中就包括在醫(yī)學(xué)領(lǐng)域的應(yīng)用[1]。機器學(xué)習是一種實現(xiàn)AI的方法，可分為手工算法和深度學(xué)習算法，其中深度學(xué)習算法是當前機器學(xué)習領(lǐng)域一個研究熱點。深度學(xué)習網(wǎng)絡(luò)包括：深度神經(jīng)網(wǎng)絡(luò)(deep neural network， DNN)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)等，其中 CNN是研究最多的。近年來AI技術(shù)的發(fā)展取得了一些進步，各種影像和視覺技術(shù)在這個領(lǐng)域中至關(guān)重要，一些檢查模型也隨之出現(xiàn)，其中以計算機輔助決策系統(tǒng)(computer aided diagnosis,CAD)應(yīng)用最為廣泛。以下著重對AI技術(shù)發(fā)展及在消化道內(nèi)鏡檢查中的應(yīng)用進行綜述。

1 AI發(fā)展概況

1.1 AI產(chǎn)生與發(fā)展 AI是研究如何通過機器模擬和擴展人類認知能力的新興科學(xué)技術(shù)，屬于計算機科學(xué)中的一個分支。1956年，在美國達特茅斯學(xué)院召開的討論會中，約翰·麥卡錫首次提出“人工智能”的概念，并將其視為一門新興學(xué)科。經(jīng)過數(shù)年艱難的發(fā)展，至20世紀90年代人工智能算法被逐步應(yīng)用于解決實際問題，涉及了包括機器人學(xué)、 語音識別、 自然語言識別與處理、 圖像識別與處理、 機器學(xué)習等在內(nèi)的眾多學(xué)科和技術(shù)[2]。人工神經(jīng)網(wǎng)絡(luò)是人工智能的基石，通過模仿人體大腦神經(jīng)元之間信息傳遞和處理方法而產(chǎn)生。神經(jīng)網(wǎng)絡(luò)在經(jīng)歷了單層神經(jīng)網(wǎng)絡(luò)、雙層神經(jīng)網(wǎng)絡(luò)及多層神經(jīng)網(wǎng)絡(luò)的發(fā)展，終于通過深度學(xué)習技術(shù)在語音識別、圖片識別等領(lǐng)域有所突破[3]。

1.2 深度學(xué)習法 伴隨著深度學(xué)習算法的出現(xiàn)，機器學(xué)習完全擺脫了人工提取數(shù)據(jù)低效和不精確的局限性，給AI的研究和發(fā)展帶來了革命性的進步。深度學(xué)習是一種數(shù)據(jù)提取方法，特別適合大數(shù)據(jù)的信息提取。深度學(xué)習技術(shù)基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，是一系列計算方法，通過深層非線性網(wǎng)絡(luò)結(jié)構(gòu)無限接近復(fù)雜函數(shù)，從而實現(xiàn)機器的自主編程，而無需明確指定規(guī)則。自2006年來深度學(xué)習已成為圖像處理和計算機視覺領(lǐng)域的主導(dǎo)工具，其通過直接從大數(shù)據(jù)中抓取處理對象特征使得其對圖像識別的準確度大大提高，常用于圖像識別的模型包括CNN模型及深度信念網(wǎng)絡(luò)模型，其中 CNN 算法分類效果好、適應(yīng)性強、可以有效識別圖像并進行圖像分割而被更多地應(yīng)用于醫(yī)學(xué)圖像的識別[4]。目前，基于深度學(xué)習的圖像識別技術(shù)已發(fā)展的較為成熟，在影像學(xué)領(lǐng)域，特別是CT、磁共振、超聲、PET 等輔助讀片系統(tǒng)已得到較為廣泛的認可，且為藥物開發(fā)也提供了新的研究方向，另外當今機器人技術(shù)也是一項具有重大前景的新技術(shù)。

2 AI在消化內(nèi)鏡檢查中的應(yīng)用

2.1 AI在食管疾病中的應(yīng)用 在食管疾病中，Barrett食管是食管癌的高危因素，但在內(nèi)鏡檢查中常被誤診，有研究利用CAD對Barrett食管在白光內(nèi)鏡下顏色、紋理特征的訓(xùn)練學(xué)習，結(jié)果顯示準確率、敏感度和特異度為92%、95%、85%[5]。復(fù)旦大學(xué)附屬中山醫(yī)院的研究應(yīng)用深度學(xué)習的輔助技術(shù)對食管早癌診斷的敏感度及特異度均較高[6]。有研究表明[7]，精準定位活檢診斷高級別上皮內(nèi)瘤變和食管腺癌的敏感度和特異度為90%、80%，陰性預(yù)測值為98%。另有大樣本的研究顯示[8]，基于CNN構(gòu)建了AI模型，對食管癌檢測的敏感度和陽性預(yù)測值為98%、40%。AI電子染色模式也有研究，有學(xué)者收集了70例患者的臨床資料，結(jié)果顯示AI電子染色內(nèi)鏡模式檢測結(jié)果與病理結(jié)果一致性滿意，電子染色內(nèi)鏡模式診斷食管癌的準確度為94.29%，陰性預(yù)測值為93.10%，優(yōu)于白光內(nèi)鏡，有助于鑒別食管黏膜的微小病變[9]。

2.2 AI在胃部疾病中的應(yīng)用 在胃部疾病中，胃癌一直嚴重威脅著人類健康，早期內(nèi)鏡診斷并治療是降低胃癌病死率、提高患者生存率的主要方法，AI技術(shù)輔助胃癌癌前病變及早癌診斷的研究眾多，其中一項研究采用CNN模型[10]，從數(shù)據(jù)庫選取了5 159張胃鏡圖像，其中包括早期胃癌1 000張、良性病變及正常圖像4 159張，選取4 449張圖像用于深度學(xué)習模型的訓(xùn)練，剩余的710張圖像用于模型的驗證，同時再交給4名內(nèi)鏡醫(yī)師進行診斷，最后統(tǒng)計結(jié)果證實深度學(xué)習模型可在胃鏡檢查中輔助內(nèi)鏡醫(yī)師進行實時診斷，對早期胃癌診斷的準確率、敏感度和特異度為89.4%、88.8%、89.7%，每張圖像的診斷時間為(0.30±0.02)s，均優(yōu)于相比較的4名內(nèi)鏡醫(yī)師。另有研究證實[11]，AI技術(shù)可進一步確定早期胃癌的浸潤深度，來源于黏膜層或黏膜下層，AI技術(shù)對黏膜下早期胃癌的敏感度和特異度分別為76%、96%，明顯高于內(nèi)鏡下直視的檢查，可見利用AI技術(shù)對目標進行識別，可彌補人類視覺捕捉不全的缺點，可在胃鏡檢查中輔助內(nèi)鏡醫(yī)師進行實時診斷，有望改善醫(yī)師的檢測能力。在識別圖像方面，有研究利用 CNN 模型對66例已確診的胃癌圖像識別，確診率達94.1%，檢測中位時間為1 s，提示深度學(xué)習技術(shù)可提供準確和快速的自動檢測結(jié)果[12]。有研究采用深度學(xué)習技術(shù)檢測早期胃癌，將13 584 張傳統(tǒng)內(nèi)鏡圖像用于訓(xùn)練 CNN，并從連續(xù)77處胃癌病變中收集2 296張圖像，結(jié)果顯示該模型準確診斷71處胃癌病變僅需77 s，總體敏感度為92.2%，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，且具有實時臨床診斷能力，但陽性預(yù)測值較低，只有30.6%，推測提高陽性預(yù)測值可能是后續(xù)研究重點[13]。另外幽門螺桿菌(Hp)感染與消化性潰瘍、慢性胃炎、胃癌等密切相關(guān)，且我國Hp感染率較高，但內(nèi)鏡醫(yī)生對Hp的識別存在較大的主觀差異，有研究利用CNN模型，對內(nèi)鏡下胃Hp感染診斷敏感度和特異度均達到86.7%，優(yōu)于內(nèi)鏡醫(yī)生的直接判斷[14]。胃鏡檢查中病灶的定位研究也較多，一項大樣本研究[15]應(yīng)用機器學(xué)習方法將胃鏡圖像分為喉部、食管、胃、十二指腸4個部位進行模型訓(xùn)練，結(jié)果顯示辨別解剖部位的準確度為97%，該研究表明機器學(xué)習方法可能會自動識別消化道解剖部位，在胃鏡實際操作過程中提醒內(nèi)鏡醫(yī)師可能存在的檢查盲區(qū)，以提高胃鏡檢查質(zhì)量，具有較高的應(yīng)用價值。

2.3 AI在大腸疾病中的應(yīng)用 結(jié)直腸癌是美國癌癥相關(guān)死亡的第二大原因，研究表明，大約95%胃腸道腫瘤由腺瘤發(fā)展而來，所以早發(fā)現(xiàn)至關(guān)重要，結(jié)腸腺瘤的檢出可使患者發(fā)生結(jié)腸癌的風險大大降低，腺瘤檢出率在美國已經(jīng)成為衡量內(nèi)窺鏡醫(yī)師能力的重要標準[16]。腺瘤檢出率增加1%，結(jié)直腸癌發(fā)病率降低3%[17]，影響這一比率的因素有兩個：盲點和人為錯誤。盲點可利用廣角鏡可進一步解決，但人為誤差不易克服，作為一種解決人為錯誤的方法，AI一直很受關(guān)注[18]。近幾年更多的研究將模型用于提取更具鑒別性的信息特性，息肉的鑒別是最受關(guān)注的。AI研究結(jié)果顯示，深度學(xué)習所提取的息肉特征明顯優(yōu)于其他手工提取方式，更適合于臨床實踐中結(jié)直腸息肉的智能檢出[19]。CAD-CNN結(jié)腸鏡檢查模型可以幫助內(nèi)窺鏡醫(yī)師用于息肉的檢測和光學(xué)診斷。最近一項涉及8 641張結(jié)腸鏡圖像的大型研究顯示，該系統(tǒng)識別息肉的準確率96.4%[20]，另有研究使用CAD系統(tǒng)，發(fā)現(xiàn)息肉的敏感度為88%，從發(fā)現(xiàn)息肉到診斷息肉僅0.3 s[21]。在窄帶成像放大內(nèi)鏡檢查中，有研究表明CAD系統(tǒng)能夠正確分類息肉的敏感度和特異性分別為95%、93.3%[22]。還有研究識別腫瘤和增生性息肉的敏感度和特異度為96.3%、78.1%，陽性預(yù)測值和陰性預(yù)測值為89.6%、91.5%，且用時比醫(yī)師短，并且可鑒別腫瘤或小于5 mm增生大腸息肉[23]。

在腸鏡檢查中，除息肉的研究外，還有其他病變的研究。當前炎癥性腸病的發(fā)病率日益增高，AI 的應(yīng)用也成為該領(lǐng)域的研究熱點。一項研究[24]建立腸道炎性反應(yīng)識別 CAD系統(tǒng)，發(fā)現(xiàn)該系統(tǒng)對正常和炎性反應(yīng)黏膜的辨識度很高，增加潰瘍性結(jié)腸炎腸道炎性反應(yīng)評估的客觀性，可減少因內(nèi)鏡醫(yī)生水平不同所造成的觀察者間差異。有報道利用AI技術(shù)對早期腸道黏膜炎性反應(yīng)識別的敏感度和特異度為74%、97%，準確率91%，有效加強早期黏膜管理[25]。一項對60萬余幅的結(jié)腸鏡圖像分析數(shù)據(jù)的研究顯示[26]，在臨床結(jié)腸鏡操作中，該模型對結(jié)腸息肉的敏感度為98.30%，特異度為88.10%，診斷結(jié)腸息肉的總體準確率為92.92%，對潰瘍性結(jié)腸炎的敏感度為78.32%，特異度為 67.06%，單張圖像的診斷時長為(0.50±0.03)s。多項研究表明，當前的AI技術(shù)幾乎可輔助完成結(jié)腸鏡檢查過程中從腸腔探查、病灶定性的全部工作。

2.4 AI在小腸疾病中的應(yīng)用 膠囊內(nèi)鏡在小腸疾病的研究和診斷中起著革命性的作用。但每個患者可以收集約6萬張圖像，可能需要集中精力30～120 min來分析[27]，耗時較長，且受不同級別醫(yī)生診斷水平和主觀性影響。小腸病變類型多樣，糜爛和潰瘍是常見類型。有研究應(yīng)用CNN方法，研發(fā)了一個膠囊內(nèi)鏡AI診斷系統(tǒng)用于糜爛和潰瘍的診斷，采用5 360張黏膜損傷和潰瘍圖片作為訓(xùn)練集，并用獨立的10 440張小腸圖片作為獨立驗證集，結(jié)果顯示診斷敏感度為88.2%，特異度為90.9%，準確率為90.8%，且僅用時233 s。在一項小腸克羅恩病的研究中[28]，診斷潰瘍的準確性由95.4%～96.7%不等。在出血方面的檢測，顏色特征可作為識別的主要指標，有研究發(fā)現(xiàn)膠囊內(nèi)鏡發(fā)現(xiàn)消化道出血的敏感度和特異度高達 99%[29]。另有報道應(yīng)用AI技術(shù)對乳糜瀉診斷敏感度和特異度均達100%[30]，可見AI技術(shù)正在逐漸被應(yīng)用于少見病的診斷中。

2.5 AI在其他消化系統(tǒng)疾病中的應(yīng)用 近年來的新技術(shù)，如超聲內(nèi)鏡、胰膽管鏡的出現(xiàn)為消化系統(tǒng)疾病的診斷及治療提供了新方向，一項研究發(fā)現(xiàn)[31]，以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的超聲內(nèi)鏡彈性成像系統(tǒng)對11例假腫瘤性胰腺炎和32例胰腺癌的鑒別診斷價值較高，其訓(xùn)練準確率達97%，測試準確率達90%。AI在內(nèi)鏡逆行胰膽管造影及胰膽管鏡中的文獻報道較少，卷積神經(jīng)網(wǎng)絡(luò)在這些領(lǐng)域運用尚屬空白，未來的探索性研究值得期待。

3 小結(jié)與展望

我國消化內(nèi)鏡技術(shù)發(fā)展迅猛，消化內(nèi)鏡發(fā)展至今取得了顯著成就。目前人工智能在醫(yī)學(xué)內(nèi)窺鏡診斷中已取得較好效果，但仍面臨一些問題，我國人口基礎(chǔ)大、需求量大，所以一些輔助技術(shù)和設(shè)備正在研發(fā)中，其中AI技術(shù)將給消化內(nèi)鏡帶來一種全新的診療體系，但消化內(nèi)鏡AI技術(shù)不同于其他醫(yī)學(xué)影像技術(shù)，因其多為非標準化動態(tài)圖像，數(shù)據(jù)量大，影響因素多，所以研發(fā)難度較大，我國有大量的醫(yī)療數(shù)據(jù)，但人工智能輔助診斷系統(tǒng)的訓(xùn)練與模型建立需要大量、高質(zhì)量結(jié)果可靠的數(shù)據(jù)集，因此目前可供研究使用的數(shù)據(jù)集相對缺乏。其次，不同醫(yī)院采集數(shù)據(jù)的醫(yī)療器械之間的差異使得采集的圖像質(zhì)量有所差異，造成機器學(xué)習的不兼容，所以目前適用于臨床的產(chǎn)品仍需進一步研究。但在不久的將來，隨著科技的進步，AI技術(shù)有望實現(xiàn)消化道疾病的早診斷早治療，有望提升不同級別病變診斷的準確度，尤其是對低度病變和高度病變的區(qū)分。在實現(xiàn)方式上可以著重增加異常病變數(shù)據(jù)的訓(xùn)練且要對異常病變的數(shù)據(jù)進行質(zhì)量控制。總之，在AI技術(shù)的幫助下，消化道內(nèi)鏡檢查或許會變得非常簡單，醫(yī)師僅需按要求采集相應(yīng)圖像或錄制檢查影像，AI系統(tǒng)即能迅速作出相應(yīng)診斷。因此，積極優(yōu)化AI的應(yīng)用，將現(xiàn)代科學(xué)技術(shù)的研究成果與醫(yī)學(xué)檢查和診斷有效結(jié)合，造?；颊?，是醫(yī)生和患者的共同期望，期待早日與AI技術(shù)攜手步入“AI+醫(yī)療”時代。