王鑫鑫 綜述,鄭 盛,楊 涓△ 審核

(1.大理大學(xué)臨床醫(yī)學(xué)院,云南 大理 671000;2.大理大學(xué)第二附屬醫(yī)院消化內(nèi)科,云南 昆明 650011)

消化系統(tǒng)疾病病種繁多,很多疾病臨床表現(xiàn)復(fù)雜并且早期一般無明顯癥狀,不易于早期診斷和治療[1-2]。目前,越來越多的研究將人工智能(AI)技術(shù)應(yīng)用于胃腸病學(xué)和肝病學(xué)等醫(yī)學(xué)領(lǐng)域,包括內(nèi)鏡識別、病情監(jiān)測、預(yù)后評估等。該文就AI技術(shù)在部分胃腸疾病和肝臟疾病診療中的應(yīng)用研究進(jìn)展進(jìn)行了綜述。

1 AI技術(shù)在胃腸病學(xué)中的應(yīng)用

根據(jù)算法的不同,AI在醫(yī)學(xué)領(lǐng)域主要分為傳統(tǒng)的機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法[3]。深度學(xué)習(xí)算法具有無需人工提取各種特征的優(yōu)勢,其學(xué)習(xí)過程更迅速、更智能、更準(zhǔn)確。在臨床實踐中,AI由人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)和遞歸神經(jīng)網(wǎng)絡(luò)等多種重疊技術(shù)組成[4]。近年來,基于內(nèi)窺鏡、病理學(xué)、血清學(xué)指標(biāo)等臨床數(shù)據(jù)開發(fā)的多個AI模型已廣泛應(yīng)用于胃腸疾病的精確診斷和預(yù)后評估,如胃癌識別、結(jié)直腸癌預(yù)后評估及消化道出血檢測等。

1.1胃癌早期診斷 胃癌癥狀隱匿、無特異性,確診時多為晚期且預(yù)后較差,是全球癌癥相關(guān)死亡率的第4大原因[5],早期發(fā)現(xiàn)和合理治療對降低胃癌病死率至關(guān)重要。目前已有多項研究關(guān)注深度學(xué)習(xí)算法在胃癌診治中的應(yīng)用[6-11]。CNN是一種高效的深度學(xué)習(xí)圖像識別方法,HUANG等[6]設(shè)計了一個基于CNN的模型,其可以通過分析數(shù)字蘇木素伊紅染色病理圖片準(zhǔn)確診斷胃癌。值得一提的是該模型的診斷性能與病理醫(yī)生不相上下。LUO等[7]收集上消化道腫瘤患者內(nèi)鏡影像數(shù)據(jù),建立了基于深度學(xué)習(xí)的人工智能診斷系統(tǒng),其可在內(nèi)鏡檢查中為上消化道癌提供實時輔助診斷,其診斷靈敏度幾乎與內(nèi)鏡專家不相上下,有助于降低可疑病變的漏診風(fēng)險。有研究顯示,基于深度CNN的計算機(jī)輔助系統(tǒng)能夠較內(nèi)鏡醫(yī)生更準(zhǔn)確地檢出早期胃癌,而且在食管胃十二指腸鏡檢查過程中可主動跟蹤可疑癌灶并監(jiān)測盲點[8-9]。在此基礎(chǔ)上,有學(xué)者又開發(fā)了一種基于深度學(xué)習(xí)的實時AI系統(tǒng),實現(xiàn)了在食管胃十二指腸鏡檢查中對內(nèi)鏡盲點和早期胃癌檢測的實時監(jiān)控,大大提高了內(nèi)鏡檢測早期胃癌的潛力[10]。另一項有趣的研究建立了基于舌部圖像的AI深度學(xué)習(xí)模型,該模型發(fā)現(xiàn)舌象可以作為一種穩(wěn)定的胃癌識別方法,并且顯著優(yōu)于傳統(tǒng)的血液生物標(biāo)志物,可有效區(qū)分胃癌和非胃癌,甚至能區(qū)分早期胃癌和萎縮性胃炎等癌前病變[11]。

1.2結(jié)直腸癌預(yù)后評估 結(jié)直腸癌是消化系統(tǒng)中一種常見的惡性腫瘤,具有較高的發(fā)病率和病死率。精確識別預(yù)后不良的高?；颊咭赃M(jìn)行個體化預(yù)后預(yù)測對醫(yī)生制定臨床決策至關(guān)重要[12-13]。有研究使用深度學(xué)習(xí)分析了1 200多萬張病理切片圖像后發(fā)現(xiàn)了一種能夠預(yù)測原發(fā)性結(jié)直腸癌切除術(shù)后患者預(yù)后的生物標(biāo)志物,其可將患者劃分為不同的預(yù)后組,有助于輔助治療選擇的決策[14]。LI等[15]基于隨機(jī)生存森林構(gòu)建了納入癌胚抗原、糖鏈抗原19-9和糖鏈抗原125等圍手術(shù)期縱向測量信息的預(yù)測模型,可以更準(zhǔn)確地預(yù)測結(jié)直腸癌患者預(yù)后,為患者提供個性化的動態(tài)預(yù)測。另外,微衛(wèi)星不穩(wěn)定性(MSI)作為結(jié)直腸癌的重要預(yù)后生物標(biāo)志物,也是免疫檢查點封鎖療法的泛癌生物標(biāo)志物[16-17]。有研究表明,深度學(xué)習(xí)可以直接預(yù)測MSI狀態(tài)[18]。YAMASHITA等[19]研究發(fā)現(xiàn),基于深度學(xué)習(xí)的自動篩查模型在預(yù)測MSI方面優(yōu)于有經(jīng)驗的病理醫(yī)生,這些發(fā)現(xiàn)有助于輔助判斷結(jié)直腸癌的預(yù)后和選擇化療藥物。

1.3消化道出血診斷和預(yù)后評估 消化道出血是臨床實踐中一種常見的疾病,其病因和表現(xiàn)多種多樣。AI技術(shù)已被應(yīng)用于輔助檢測消化道出血。MOHAN等[20]報道了基于CNN的計算機(jī)輔助診斷技術(shù)在無線膠囊內(nèi)鏡識別胃腸道潰瘍和出血中展現(xiàn)出了良好的光學(xué)診斷性能,有潛力優(yōu)化無線膠囊內(nèi)鏡審查過程的效率和準(zhǔn)確性。BANG等[21]研究也有相似結(jié)論。另外,有研究基于增強(qiáng)CT圖像,針對肝硬化患者食管靜脈曲張破裂出血的風(fēng)險,建立了一種新的無創(chuàng)放射學(xué)診斷模型[22]。該模型具有較高的準(zhǔn)確性,有望實現(xiàn)及早識別和干預(yù),從而降低急性食管靜脈曲張破裂出血相關(guān)的死亡率。有研究提出了可以自動識別上消化道出血患者并生成風(fēng)險特征的機(jī)器學(xué)習(xí)模型,該模型性能優(yōu)于現(xiàn)有的內(nèi)鏡前臨床風(fēng)險評分,可為臨床醫(yī)生的治療決策提供建議[23]。魏子健等[24]使用logistic回歸模型、基于決策樹的AdaBoost算法和XGBoost算法,從消化道出血樣本中提取、篩選得到關(guān)鍵核心血清學(xué)指標(biāo),并提出一種院內(nèi)消化道致命性再出血預(yù)測模型,在消化道出血救治方面具有重大意義。AI技術(shù)應(yīng)用于臨床實踐的主要優(yōu)勢是提高審查效率、診斷性能,降低漏診率,并且在一定程度上可減輕內(nèi)鏡醫(yī)生負(fù)擔(dān)。

2 AI技術(shù)在肝臟病學(xué)中的應(yīng)用

AI技術(shù)在肝臟疾病中的應(yīng)用起步略晚于胃腸疾病。近幾年,關(guān)于AI技術(shù)應(yīng)用于肝臟疾病的研究逐漸增多,尤其是深度學(xué)習(xí)或影像組學(xué),目前已有多項研究將其用于肝纖維化檢測、肝細(xì)胞癌(HCC)轉(zhuǎn)移及術(shù)后生存預(yù)估、肝性腦病風(fēng)險預(yù)測等方面。

2.1肝纖維化無創(chuàng)檢測 肝纖維化的準(zhǔn)確檢測和量化在監(jiān)測疾病進(jìn)展、指導(dǎo)治療決策和評估治療反應(yīng)方面至關(guān)重要。XIE等[25]利用CNN分析提取肝臟纖維化的超聲圖像特征,設(shè)計了一種對纖維化進(jìn)行定量分期的自動診斷系統(tǒng),該系統(tǒng)能夠及時并準(zhǔn)確地判斷患者是否存在肝纖維化和評估纖維化程度,有助于實現(xiàn)更好的肝纖維化防治。另一項研究發(fā)現(xiàn),基于深度學(xué)習(xí)的影像組學(xué)顯著提高了肝硬化和晚期纖維化的診斷準(zhǔn)確性,其具備與肝活檢相似的診斷效能[26]。GAWRIEH等[27]開發(fā)了一種集成的自動化AI工具,其可準(zhǔn)確檢測和量化肝纖維化程度,并可評估非酒精性脂肪性肝病患者肝纖維化結(jié)構(gòu)模式。SARVESTANY等[28]研究發(fā)現(xiàn),利用常規(guī)收集的數(shù)據(jù)進(jìn)行訓(xùn)練后的集成機(jī)器學(xué)習(xí)算法,在檢測肝臟疾病晚期纖維化方面的性能優(yōu)于多數(shù)傳統(tǒng)的無創(chuàng)檢測方法,其檢測性能與專家組不相上下。AI技術(shù)的應(yīng)用有助于及早發(fā)現(xiàn)肝纖維化患者,從而降低了肝臟相關(guān)死亡率。未來需要對這些模型進(jìn)行更全面的培訓(xùn)和評估,并在大型獨立隊列中進(jìn)行前瞻性驗證。

2.2HCC轉(zhuǎn)移及術(shù)后生存預(yù)估 HCC具有高侵襲性,極易向血管系統(tǒng)擴(kuò)散[29]。近年來,關(guān)于AI在HCC血管侵犯預(yù)測及切除術(shù)后生存預(yù)估中的應(yīng)用研究均取得了良好結(jié)果。FU等[30]結(jié)合臨床因素和影像組學(xué)特征,構(gòu)建了基于多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)模型,其可以準(zhǔn)確預(yù)測HCC大血管侵犯風(fēng)險。LIU等[31]研究顯示,利用HCC患者動脈期CT圖像與臨床因素構(gòu)建的深度學(xué)習(xí)模型,能夠自動捕獲并學(xué)習(xí)微血管侵犯相關(guān)的影像特征,提高了術(shù)前無創(chuàng)評估微血管侵犯的準(zhǔn)確性。其他學(xué)者的相關(guān)研究(文獻(xiàn)[32-33])也有類似發(fā)現(xiàn)。此外,SAILLARD等[34]研究發(fā)現(xiàn),在預(yù)測肝癌預(yù)后和生存期方面,基于組織學(xué)切片圖像分析的CNN模型比其他經(jīng)典的臨床、生物學(xué)和病理特征更準(zhǔn)確。JI等[35]研究發(fā)現(xiàn),使用機(jī)器學(xué)習(xí)框架結(jié)合影像組學(xué)分析能準(zhǔn)確預(yù)測臨床HCC患者個體復(fù)發(fā)風(fēng)險,從而促進(jìn)HCC的個體化治療。ZENG等[36]報道了隨機(jī)生存森林模型在預(yù)測術(shù)后早期復(fù)發(fā)方面的良好效能,該模型有助于指導(dǎo)術(shù)后隨訪和輔助治療。這些模型的應(yīng)用在幫助臨床醫(yī)師確定治療決策和改善患者預(yù)后方面具有重大意義。

2.3肝性腦病風(fēng)險預(yù)測和輕微肝性腦病識別 肝性腦病不僅可通過降低生活質(zhì)量來影響患者和照顧者生活[37],而且臨床病死率較高。我國肝性腦病發(fā)病率為10%～50%,在肝硬化住院患者中,輕度肝性腦病患病率高達(dá)39.9%[38]。因此,早期發(fā)現(xiàn)并預(yù)防肝性腦病高危患者,對于延長患者生存期和提高其生活質(zhì)量具有重要意義。YANG等[39]研究顯示,在相同的臨床數(shù)據(jù)下,加權(quán)隨機(jī)森林、加權(quán)支持向量機(jī)和邏輯回歸模型對肝性腦病患者識別能力優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)模型,其中加權(quán)隨機(jī)森林模型尤其適用于不平衡數(shù)據(jù)的分類,有利于輔助臨床醫(yī)生識別肝性腦病高危患者。談軍濤等[40]的研究結(jié)果與上述研究有相似結(jié)論。CHENG等[41]提出的基于機(jī)器學(xué)習(xí)的CT影像組學(xué)模型,在預(yù)測靜脈肝內(nèi)門體分流術(shù)術(shù)后肝性腦病方面具有良好性能。這一發(fā)現(xiàn)使常規(guī)CT檢查作為一種無創(chuàng)工具,能夠準(zhǔn)確地進(jìn)行肝性腦病風(fēng)險預(yù)測,有廣泛的臨床應(yīng)用潛力。

此外,輕微肝性腦病只能通過神經(jīng)心理學(xué)或心理測試來診斷,但耗時較長,而且目前沒有公認(rèn)的“金標(biāo)準(zhǔn)”。JIAO等[42]的研究發(fā)現(xiàn),基于貝葉斯機(jī)器學(xué)習(xí)技術(shù)確定的具有代表性的內(nèi)在連接網(wǎng)絡(luò),可能是識別輕微肝性腦病的潛在神經(jīng)影像學(xué)生物標(biāo)志物,并可為現(xiàn)有的其他輕微肝性腦病診斷方法提供補(bǔ)充信息。另一項相似研究發(fā)現(xiàn),基于白質(zhì)成像和貝葉斯數(shù)據(jù)挖掘技術(shù)確定的表征組間差異的白質(zhì)異常區(qū)域,可以提供生物標(biāo)志物區(qū)分輕度肝性腦病和非肝性腦病,有助于輕微肝性腦病的檢測和后續(xù)治療[43]。

3 小 結(jié)

AI技術(shù)發(fā)展迅速,一直處于科學(xué)研究前沿,特別是深度學(xué)習(xí)和放射組學(xué)在胃腸病學(xué)和肝臟病學(xué)領(lǐng)域的疾病診斷、風(fēng)險預(yù)測、預(yù)后及生存評估等各個方面均有良好的應(yīng)用前景。本文提到的研究大多數(shù)為回顧性研究,可能存在固有偏倚,有待進(jìn)行進(jìn)一步研究,以便開發(fā)出更精確的AI工具。未來還需要建立大規(guī)模、高質(zhì)量、多中心的臨床數(shù)據(jù)庫來進(jìn)行更多研究,探索AI的臨床適用性和推廣性。