李 玲，丁 帥，李霄劍，楊善林

(合肥工業(yè)大學(xué)管理學(xué)院，安徽 合肥 230009)

1 引言

隨著城市化、工業(yè)化、老齡化的加快，上消化道癌已成為威脅全球人類的惡性腫瘤之一[1]。食管癌、賁門(mén)癌和胃癌并稱為上消化道癌，且胃癌和食管癌分別是世界第四大和第九大最常見(jiàn)的人類惡性疾病，也是導(dǎo)致癌癥相關(guān)死亡的第二大和第六大原因[2]。目前，上消化道癌的治愈率很低，五年生存率僅15%-20%[3]。上消化道癌早期發(fā)現(xiàn)和治療是目前提高上消化道腫瘤防治水平的關(guān)鍵。

依托電子胃鏡的上消化道疾病內(nèi)鏡篩查可提前發(fā)現(xiàn)潛在的浸潤(rùn)癌和早期癌以及癌前病變患者，大幅提高早期發(fā)現(xiàn)概率，早期上消化道癌癥的5年生存率可提高至80%[4]。在臨床實(shí)踐中，醫(yī)生可以操控電子胃鏡探頭獲取食道、賁門(mén)、胃和十二指腸等不同部位的內(nèi)鏡影像，并結(jié)合上消化道主要疾病的影像學(xué)特征，發(fā)現(xiàn)癌癥、炎癥、潰瘍、息肉等疑似病灶，進(jìn)而給出內(nèi)鏡診斷。然而，生理環(huán)境不穩(wěn)定、病灶形態(tài)多樣且較為隱蔽、醫(yī)生臨床經(jīng)驗(yàn)的客觀差異，都會(huì)導(dǎo)致依托電子胃鏡系統(tǒng)的上消化道腫瘤篩查存在較高的誤診率和漏診率[5]。Kang等人研究顯示，胃鏡檢查操作經(jīng)驗(yàn)10年以下者漏診率和誤診率約為25%左右[6]。此外，電子胃鏡系統(tǒng)在發(fā)展中國(guó)家的大規(guī)模普及，使得胃鏡檢查醫(yī)生通常需要承擔(dān)高強(qiáng)度的胃鏡檢查工作。

由于深度學(xué)習(xí)方法能夠有效克服傳統(tǒng)機(jī)器學(xué)習(xí)方法存在的特征提取的主觀性、高維特征無(wú)法提取等問(wèn)題，學(xué)術(shù)界和產(chǎn)業(yè)界正在興起以深度學(xué)習(xí)技術(shù)為基礎(chǔ)的臨床決策方法研究熱潮[7-9]?；陔娮游哥R影像的智能輔助決策對(duì)于提高上消化道疾病篩查效率、降低醫(yī)生工作負(fù)擔(dān)具有重要意義。王智杰等人利用長(zhǎng)海醫(yī)院消化內(nèi)鏡中心數(shù)據(jù)構(gòu)建和驗(yàn)證一個(gè)用于早期胃癌自動(dòng)識(shí)別的深度學(xué)習(xí)模型，旨在提高早期胃癌的識(shí)別傅診斷水平[10]。Van等人開(kāi)發(fā)了基于人工智能的巴雷特氏食管診斷系統(tǒng)，能夠自動(dòng)檢測(cè)早期腺癌[11]。Hao等人設(shè)計(jì)基于自適應(yīng)增強(qiáng)的多柱神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)動(dòng)態(tài)胃癌篩查[5]。Hirasawa等人使用Single Shot MultiBox Detector(SSD)檢測(cè)早期和晚期胃癌病變位置[12]。

上述已有的研究主要圍繞上消化道的食管或胃等某一部位的粗粒度疾病輔助診斷，未能實(shí)現(xiàn)上消化道疾病細(xì)粒度疾病篩查與病灶定位。且已有的研究在進(jìn)行臨床智能輔助決策過(guò)程中，具有較高的服務(wù)延遲，無(wú)法實(shí)時(shí)輔助診斷。

同時(shí)，由于醫(yī)療行業(yè)數(shù)據(jù)的稀缺性以及高質(zhì)數(shù)據(jù)獲取過(guò)程困難，深度學(xué)習(xí)方法往往無(wú)法得到充足的醫(yī)療數(shù)據(jù)支撐。為此，過(guò)去常采用數(shù)據(jù)增強(qiáng)方法以滿足深度學(xué)習(xí)需求，這類方法利用水平反轉(zhuǎn)、隨機(jī)切割等方式增加實(shí)驗(yàn)所需數(shù)據(jù)。但是這類方法的多樣性受限于數(shù)據(jù)源本身的特征，并導(dǎo)致實(shí)驗(yàn)結(jié)果擬合程度有限，難以訓(xùn)練出具有高魯棒性的深度學(xué)習(xí)系統(tǒng)，更無(wú)法將系統(tǒng)應(yīng)用于臨床。

為應(yīng)對(duì)以上挑戰(zhàn)，我們首先基于條件生成對(duì)抗網(wǎng)絡(luò)[13-14]實(shí)現(xiàn)胃鏡圖像數(shù)據(jù)庫(kù)的增強(qiáng)，其次，設(shè)計(jì)k-Lconv模塊，在此基礎(chǔ)上開(kāi)發(fā)上消化道病灶檢測(cè)方法Lconv-YOLO，最后，利用來(lái)自某三甲醫(yī)院真實(shí)的臨床數(shù)據(jù)進(jìn)行方法驗(yàn)證。

2 數(shù)據(jù)增強(qiáng)方法

深度學(xué)習(xí)需要大量的訓(xùn)練樣本，然而由于胃鏡圖像的標(biāo)注工作需要專業(yè)醫(yī)生的參與，時(shí)間和經(jīng)濟(jì)成本昂貴。為顯著降低將深度學(xué)習(xí)技術(shù)應(yīng)用于醫(yī)學(xué)影像智能決策分析的標(biāo)注成本，本文首先將上消化道疾病數(shù)據(jù)進(jìn)行分類，并利用條件對(duì)抗生成網(wǎng)絡(luò)針對(duì)數(shù)據(jù)量稀缺的胃鏡影像數(shù)據(jù)進(jìn)行擴(kuò)充。

條件生成對(duì)抗網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1所示，主要由兩個(gè)模塊組成，生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)。生成網(wǎng)絡(luò)根據(jù)輸入的滿足高斯分布的隨機(jī)噪聲以及對(duì)應(yīng)的胃鏡樣本標(biāo)簽?zāi)M出胃鏡圖像，判別網(wǎng)絡(luò)將模擬的胃鏡圖像和樣本標(biāo)簽作為輸入，判別生成網(wǎng)絡(luò)所生成的胃鏡圖像是否可以混淆真實(shí)圖像，以及生成的胃鏡圖像是否對(duì)應(yīng)于樣本標(biāo)簽。生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)以競(jìng)爭(zhēng)性學(xué)習(xí)的方式達(dá)到訓(xùn)練目的，生成以假亂真的胃鏡圖像。

通過(guò)條件生成對(duì)抗網(wǎng)絡(luò)擴(kuò)充胃鏡影像數(shù)據(jù)，為上消化道病灶檢測(cè)模型提供了更多的數(shù)據(jù)，防止了算法的過(guò)擬合。

圖1 條件生成對(duì)抗網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)示意圖

3 上消化道病灶檢測(cè)算法

為了幫助醫(yī)生提高胃鏡檢查效率、降低上消化道疾病篩查的漏診率和誤診率，我們?cè)O(shè)計(jì)了用于協(xié)助醫(yī)生胃鏡診療決策的智能輔助決策方法。近年來(lái)，由于在移動(dòng)或嵌入式環(huán)境下視頻處理的高精度、低計(jì)算負(fù)載等優(yōu)異特性，YOLO算法開(kāi)始被應(yīng)用于人臉識(shí)別、無(wú)人車等目標(biāo)檢測(cè)場(chǎng)景[15]。為了進(jìn)一步降低上消化道病灶檢測(cè)服務(wù)響應(yīng)時(shí)間，提高疾病診斷的敏感性和特異性，我們?cè)赮OLOv3-tiny算法的基礎(chǔ)上設(shè)計(jì)了新的基于k-Lconv模塊的上消化道病灶檢測(cè)算法Lconv-YOLO。該算法可以采用小型深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)學(xué)習(xí)胃鏡圖像的多層次表示和抽象可以快速發(fā)現(xiàn)感興趣的病灶位置和疾病分類。

我們?cè)O(shè)計(jì)了k-Lconv模塊用于提升病灶識(shí)別效率。k-Lconv模塊是將原算法中的k個(gè)3×3標(biāo)準(zhǔn)卷積核分解為兩部分：1個(gè)3×3的深度卷積核和k個(gè)1×1的逐點(diǎn)卷積核。這種設(shè)計(jì)可以將胃鏡圖像的空間信息和參數(shù)信息去耦，減少圖像分析成本、增加網(wǎng)絡(luò)深度。在提高疾病篩查的敏感性和特異性的同時(shí)降低服務(wù)響應(yīng)時(shí)間。圖2給出了新設(shè)計(jì)的k-Lconv模塊的網(wǎng)絡(luò)結(jié)構(gòu)快照。

圖2 k-Lconv模塊網(wǎng)絡(luò)結(jié)構(gòu)

接著，我們進(jìn)一步搭建基于電子胃鏡影像智能輔助決策的上消化道病灶檢測(cè)算法Lconv-YOLO。其結(jié)構(gòu)示意圖如圖3所示，包括k-Lconv模塊、convolution層，pooling層，route層，upsample層和yolo層。k-Lconv模塊、convolution層和pooling層用來(lái)提取胃鏡視頻幀中的特征信息，兩個(gè)yolo層分別從13×13網(wǎng)格和26×26網(wǎng)格這兩個(gè)尺度對(duì)疑似病灶進(jìn)行檢測(cè)和分類。route層和upsample層分別在構(gòu)建特征圖過(guò)程中實(shí)現(xiàn)跳層信息的鏈接和上采樣?？紤]到Anchors設(shè)計(jì)對(duì)模型精度和召回率的顯著影響，我們結(jié)合病灶形態(tài)的客觀差異，采用k-means方法自動(dòng)設(shè)置每一類上消化道疾病適用的anchor box尺寸。

上消化道病灶檢測(cè)算法Lconv-YOLO采用端到端方式對(duì)胃鏡視頻實(shí)時(shí)病灶檢測(cè)。將每一張胃鏡圖像分成S×S的網(wǎng)格，并在每一個(gè)網(wǎng)格上進(jìn)行病灶檢測(cè)。類似于YOLOv3算法，我們的方法回歸每一個(gè)網(wǎng)格上捕獲病灶的準(zhǔn)確定位和對(duì)應(yīng)的疾病分類。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)及評(píng)價(jià)指標(biāo)

我們采用某三甲醫(yī)院真實(shí)的從2016年3月到2017年9月的共計(jì)8883份有效的胃鏡檢查病例。每份病例包含8到40不等的胃鏡圖像。圖4展示了一例完整的上消化道胃鏡檢查數(shù)據(jù)。由于不同疾病的患病率不同，患病率低的疾病樣本量相對(duì)較少。為了提升模型的穩(wěn)健性，避免模型出現(xiàn)過(guò)擬合，我們采用上述數(shù)據(jù)增強(qiáng)方法對(duì)樣本量少的疾病病例進(jìn)行了數(shù)據(jù)擴(kuò)充。經(jīng)5名消化科專家醫(yī)生的篩選后取交集，獲得帶可疑病灶的陽(yáng)性樣本26123張，并使用LabelImg軟件對(duì)異常胃鏡圖像進(jìn)行了病灶標(biāo)注和疾病分類。

實(shí)驗(yàn)采用敏感性(Sensitivity)、特異性(Specificity)、誤診率(Misdiagnosisrate)、漏診率(Misseddiagnosisrate)、病灶檢測(cè)結(jié)果與真實(shí)標(biāo)記結(jié)果的交疊率(IOU)以及服務(wù)響應(yīng)時(shí)間作為評(píng)價(jià)指標(biāo)。它們的計(jì)算公式如下：

圖3 Lconv-YOLO網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖4 胃鏡檢查數(shù)據(jù)

其中，TP表示模型預(yù)測(cè)正確的陽(yáng)性樣本的數(shù)量，F(xiàn)N表示模型預(yù)測(cè)錯(cuò)誤的陽(yáng)性樣本數(shù)量。TN和FP采用相同的定義。GT表示胃鏡圖像上真實(shí)的病灶區(qū)域，DR表示模型所預(yù)測(cè)的病灶區(qū)域。

4.2 實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)中，我們從兩個(gè)維度進(jìn)行對(duì)比實(shí)驗(yàn)。首先，我們使用常用的深度學(xué)習(xí)算法AlexNet、GoogLeNet、VGGNet構(gòu)建了符合我們數(shù)據(jù)特征的疾病分類模型。接著與流行的目標(biāo)檢測(cè)方法YOLOv3、YOLOv3-tiny、Faster-RCNN、RetinaNet和SSD進(jìn)行對(duì)比，分別計(jì)算上述指標(biāo)，對(duì)比實(shí)驗(yàn)結(jié)果如表1所示。圖5展示了Lconv-YOLO所檢測(cè)到的部分視頻幀中病灶。

圖5 病灶檢測(cè)結(jié)果

表1 實(shí)驗(yàn)結(jié)果比較

由表1可以看出，所提出的上消化道病灶檢測(cè)方法Lconv-YOLO在敏感性、特異性、漏診率、誤診率、病灶檢測(cè)結(jié)果與真實(shí)標(biāo)記結(jié)果的交疊率以及服務(wù)響應(yīng)時(shí)間這些評(píng)價(jià)指標(biāo)上都顯著優(yōu)于競(jìng)爭(zhēng)的方法。同時(shí)還可以推斷，所提出的Lconv-YOLO相對(duì)于YOLOv3-tiny在疾病篩查時(shí)敏感性和特異性更高，服務(wù)延遲更短，證明了所提出的k-Lconv模塊對(duì)提高模型的性能和降低服務(wù)響應(yīng)時(shí)間的重要意義。此外，Lconv-YOLO在敏感性上雖然不如YOLOv3，但其特異性可以達(dá)到接近YOLOv3的水平，且服務(wù)響應(yīng)時(shí)間顯著小于YOLOv3，可以達(dá)到實(shí)時(shí)輔助決策的目的。

5 結(jié)語(yǔ)

醫(yī)生在胃鏡檢查時(shí)存在難以定位病灶，誤診率和漏診率較高的問(wèn)題。本文提出一種新穎的智能病灶檢測(cè)算法框架Lconv-YOLO，用于輔助醫(yī)生病灶定位和疾病診斷。在該算法框架下，設(shè)計(jì)了k-Lconv模塊，在提高病灶定位精度的同時(shí)降低算法的復(fù)雜性。此外，本文基于條件生成對(duì)抗網(wǎng)絡(luò)實(shí)現(xiàn)胃鏡圖像數(shù)據(jù)庫(kù)的擴(kuò)充，有利于高魯棒性深度學(xué)習(xí)模型的訓(xùn)練。

經(jīng)實(shí)驗(yàn)驗(yàn)證，該人工智能算法的應(yīng)用能夠有效提高上消化道疾病的病灶檢測(cè)和癌癥篩查水平，并且可以達(dá)到實(shí)時(shí)輔助診斷的目的。同時(shí)，本研究具有很好的移植性，經(jīng)權(quán)重微調(diào)后可以推廣到臨床上結(jié)腸鏡、腹腔鏡檢查輔助決策中。