李焱冬 王 實

中國科學(xué)院大學(xué)附屬腫瘤醫(yī)院(浙江省腫瘤醫(yī)院)內(nèi)鏡科 中國科學(xué)院基礎(chǔ)醫(yī)學(xué)與腫瘤研究所(310022)

人工智能(artificial intelligence, AI)系指計算機執(zhí)行與智能生物相關(guān)任務(wù)的能力，包括可能模仿人類思維的認(rèn)知功能，進行自主學(xué)習(xí)的能力[1]。以大數(shù)據(jù)為支撐兼具強大計算能力和學(xué)習(xí)能力的AI技術(shù)已用于解決復(fù)雜的醫(yī)學(xué)問題。深度學(xué)習(xí)(deep learning)是機器學(xué)習(xí)中一種基于對數(shù)據(jù)進行表征學(xué)習(xí)的算法，其采用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來替代手工獲取特征[2-3]。近年將AI深度學(xué)習(xí)技術(shù)與消化內(nèi)鏡相結(jié)合的應(yīng)用已成為研究熱點，尤其是上消化道疾病，其難點在于病灶的識別和診斷。本文就AI在上消化道疾病診斷中的研究進展作一綜述。

一、AI在食管疾病中的應(yīng)用

1.Barrett食管(BE)瘤變的識別：BE是發(fā)生食管腺癌最重要的危險因素，高清晰度的白光內(nèi)鏡是檢測BE瘤變的最佳選擇[4]。但早期食管腺癌比較少見，且表現(xiàn)為平坦病變，難以與周圍BE黏膜進行區(qū)別，故漏診時有發(fā)生[5]。Ebigbo等[6]研發(fā)出了一種計算機輔助診斷(CAD)系統(tǒng)，可識別BE中的早期食管腺癌。應(yīng)用CAD在兩個白光內(nèi)鏡圖像數(shù)據(jù)集中進行測試，敏感性分別達97%和92%，特異性分別達88%和100%；在窄帶成像(NBI)數(shù)據(jù)集中的敏感性為94%，特異性為80%。后續(xù)研究[7]選取14例BE合并早期食管腺癌的患者進行實時胃鏡下識別，敏感性為83.7%，特異性為100%，準(zhǔn)確率為89.9%。該研究的局限性為總體樣本量較小，且僅檢測早期食管腺癌，未納入異型增生。

de Groof等[8]使用AI對1 704例BE合并瘤變(包括早期食管腺癌和異型增生)患者的高清白光內(nèi)鏡圖像進行學(xué)習(xí)，其采用的CAD系統(tǒng)對BE是否發(fā)生瘤變圖像的診斷準(zhǔn)確率為89%，敏感性為90%，特異性為88%，診斷效能優(yōu)于普通內(nèi)鏡醫(yī)師，并可標(biāo)注瘤變的輪廓，標(biāo)注結(jié)果與內(nèi)鏡專家一致。因此，使用AI輔助內(nèi)鏡診斷可幫助內(nèi)鏡醫(yī)師尤其是低年資內(nèi)鏡醫(yī)師識別BE早期瘤變，并指導(dǎo)活檢部位。

2. 食管癌的識別：食管鱗癌是最常見的食管癌類型，占全球食管癌的80%[9]。進展期食管鱗癌的預(yù)后差，早期發(fā)現(xiàn)并進行治療可明顯改善患者的預(yù)后。Ohmori等[10]使用9 591張非放大和7 844張放大表淺食管鱗癌NBI圖像作為訓(xùn)練集，訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的AI系統(tǒng)，非放大NBI內(nèi)鏡圖像測試敏感性、特異性、準(zhǔn)確率分別為90%、76%和81%，放大內(nèi)鏡NBI(ME-NBI)圖像測試敏感性、特異性、準(zhǔn)確率分別為98%、56%和77%，與有經(jīng)驗的內(nèi)鏡醫(yī)師測試結(jié)果無明顯差異。Cai等[11]的研究使用CAD對早期食管鱗癌進行識別，對普通白光內(nèi)鏡圖像的測試敏感性、特異性和準(zhǔn)確率分別為97.8%、85.4%和91.4%，優(yōu)于低年資內(nèi)鏡醫(yī)師，且該系統(tǒng)具有實時病灶標(biāo)注提示功能，內(nèi)鏡醫(yī)師在參考該系統(tǒng)提示后作出的診斷準(zhǔn)確率明顯提升。由于不同研究所使用訓(xùn)練集和測試集圖像不同，直接比較準(zhǔn)確率可能并不科學(xué)，但與內(nèi)鏡醫(yī)師使用相同測試集的結(jié)果進行比較，AI對提高低年資內(nèi)鏡醫(yī)師識別早期食管癌的能力具有較高的價值。最近Guo等[12]使用CAD可在視頻中實時對早期食管鱗癌病灶進行識別，并勾勒出病灶的輪廓范圍。

侵犯深度是早期食管癌能否接受內(nèi)鏡下治療的重要因素，ME-NBI觀察病灶上皮乳頭內(nèi)毛細(xì)血管襻(IPCL)形態(tài)是判斷侵犯深度的重要標(biāo)準(zhǔn)之一。Everson等[13]發(fā)現(xiàn)，CNN經(jīng)深度學(xué)習(xí)后可判斷IPCL是否異常，并對其進行分型。細(xì)胞內(nèi)鏡通過使用亞甲藍等化合物進行活體染色，可實時觀察體內(nèi)的表面上皮細(xì)胞，在不取活檢的情況下獲得實時的組織學(xué)參考。然而缺乏足夠的學(xué)習(xí)訓(xùn)練和病理醫(yī)師在場的情況下，內(nèi)鏡醫(yī)師對細(xì)胞內(nèi)鏡圖像的性質(zhì)判斷存在一定的難度。Kumagai等[14]構(gòu)建的AI模型可對不同放大程度的食管細(xì)胞內(nèi)鏡圖像進行良惡性的判斷。內(nèi)鏡下早期食管癌通常表現(xiàn)為黏膜輕微隆起、凹陷或色澤變化，診斷存在一定困難，尤其是對于低年資內(nèi)鏡醫(yī)師。上述研究結(jié)果表明，AI對早期食管癌及其癌前病變的內(nèi)鏡下診斷具有良好的輔助價值，對于一些新標(biāo)準(zhǔn)、新技術(shù)的應(yīng)用，亦具有較好的指導(dǎo)學(xué)習(xí)的作用。

二、AI在胃部疾病中的應(yīng)用

1. 幽門螺桿菌(Hp)感染的識別：Hp感染與胃癌的發(fā)生關(guān)系密切，根除Hp是預(yù)防胃癌的有效措施。胃鏡下Hp感染常伴隨胃黏膜皺襞腫大、規(guī)則集合靜脈消失等表現(xiàn)，但總體而言人眼判斷并不準(zhǔn)確，通常需采用活檢或呼氣試驗來診斷，但上述診斷存在一定假陰性的可能。Zheng等[15]應(yīng)用基于CNN的AI系統(tǒng)對納入的1 959例受試者進行研究，通過胃鏡圖像判斷是否伴有Hp感染，結(jié)果表明聯(lián)合多張圖像的診斷效果明顯優(yōu)于單張圖像，ROC曲線下面積達0.97，敏感性和特異性分別為91.6%和98.6%。Shichijo等[16]的研究發(fā)現(xiàn)采用基于CNN的AI系統(tǒng)可快速識別內(nèi)鏡圖像的Hp陽性、Hp陰性和Hp根除這三種狀態(tài)，對臨床工作具重要的指導(dǎo)意義。由此可見，AI對內(nèi)鏡下判斷Hp感染具有很好的應(yīng)用潛力，但存在一定的局限性，上述研究均為對胃鏡圖像的回顧性診斷，目前仍缺乏內(nèi)鏡下實時診斷的工具。

2. 早期胃癌的識別：早期胃癌內(nèi)鏡下的表現(xiàn)不典型，診斷較困難，ME-NBI可觀察胃黏膜微血管結(jié)構(gòu)和微表面結(jié)構(gòu)，有助于早期胃癌性質(zhì)和邊界的判斷。但對多數(shù)內(nèi)鏡醫(yī)師而言，通過ME-NBI識別早期胃癌仍充滿挑戰(zhàn)，通過AI對ME-NBI圖像進行識別是一種潛在的可行方式。一項單中心回顧性研究[17]使用CNN系統(tǒng)對1 492張早期胃癌和1 078張胃炎的ME-NBI圖像進行學(xué)習(xí)，隨后在包含早期胃癌和胃炎的258張ME-NBI圖像中進行驗證，其敏感性和特異性分別為95.4%和71.0%；但在107張胃炎圖像中，31張被AI診斷為早期胃癌。一項前瞻性多中心研究[18]采用基于CNN的AI診斷早期胃癌，在341張ME-NBI圖像(包括171張非癌病灶和170張早期胃癌病灶)中驗證的敏感性、特異性和準(zhǔn)確率分別為91.18%、90.64%和90.91%，AI的敏感性明顯高于內(nèi)鏡專家，特異性和準(zhǔn)確率無明顯差異；而AI的敏感性、特異性、準(zhǔn)確性均明顯優(yōu)于非專家內(nèi)鏡醫(yī)師。

早期胃癌根據(jù)是否伴有黏膜下侵犯又分為黏膜內(nèi)癌(T1a)和黏膜下癌(T1b)，侵犯深度是決定早期胃癌治療方式的重要依據(jù)。內(nèi)鏡超聲對早期胃癌侵犯深度的判斷具有一定的價值，然而準(zhǔn)確率并不理想，約70%[19]。Yoon等[20]使用AI系統(tǒng)通過白光內(nèi)鏡圖像對早期胃癌的侵犯深度進行判斷，敏感性和特異性分別為79.2%和77.8%，全部訓(xùn)練集和測試集的病灶侵犯深度均由手術(shù)或內(nèi)鏡切除標(biāo)本證實。進一步多因素分析顯示，組織學(xué)分化差是唯一與準(zhǔn)確率低顯著相關(guān)的因素。上述研究目前僅限于AI系統(tǒng)對圖像的分析，尚未能投入臨床應(yīng)用，但AI在早期胃癌的診斷以及侵犯深度的判斷上均具有很大的潛力。

3. 胃鏡檢查盲點的監(jiān)測：為減少內(nèi)鏡下早期胃癌的漏診，一方面需要內(nèi)鏡醫(yī)師具備豐富的經(jīng)驗?zāi)茏R別病灶，另一方面仔細(xì)規(guī)范的操作沒有盲點地觀察整個胃腔是發(fā)現(xiàn)病灶的基礎(chǔ)。在胃鏡檢查中，若操作者未能充分暴露病變并進行攝圖，將導(dǎo)致不能有效識別病灶。目前許多專家和協(xié)會均已意識到無盲點胃鏡檢查的重要性，并對胃鏡圖像拍攝提出了標(biāo)準(zhǔn)化要求，但在實際臨床診療過程中，全胃攝像的要求往往沒有被很好地執(zhí)行，對胃鏡檢查的質(zhì)量造成了一定影響。

Wu等[21]結(jié)合胃鏡攝圖標(biāo)準(zhǔn)化要求，分別將胃鏡檢查分為26個部位并使用AI進行識別，以監(jiān)督胃鏡檢查時是否完成了全胃觀察。為減少真實世界噪音的干擾和加強AI動態(tài)決策的能力，該研究在CNN的基礎(chǔ)上聯(lián)合深度加強學(xué)習(xí)的技術(shù)對324例患者進行分析。結(jié)果顯示AI最終監(jiān)測盲點的平均準(zhǔn)確率為90.02%，AI組胃鏡檢查盲點率顯著低于對照組(5.86%對22.46%，P<0.05)。

三、局限和展望

AI輔助診斷消化道疾病是當(dāng)前的研究熱點，但存在一些問題和局限：①缺乏統(tǒng)一規(guī)范的數(shù)據(jù)集和驗證標(biāo)準(zhǔn)，各個研究中心使用自己的數(shù)據(jù)進行訓(xùn)練和驗證，結(jié)果缺乏多中心、大數(shù)據(jù)檢驗；②大部分研究是基于對圖像或視頻檢測的臨床前研究，缺乏隨機對照試驗、常規(guī)的臨床應(yīng)用；③深度學(xué)習(xí)的算法是一個黑箱模型，難以理解決策的過程，使醫(yī)師很難判斷混雜干擾因素；④需注意潛在的倫理問題，AI無法判斷患者的個體情況和選擇傾向，也不能負(fù)擔(dān)法律責(zé)任，如出現(xiàn)誤診，內(nèi)鏡醫(yī)師、程序設(shè)計者和生產(chǎn)商，究竟誰來承擔(dān)責(zé)任？但AI在圖像識別方面有著天然優(yōu)勢，相比于人眼識別具有更穩(wěn)定、不易疲勞、速度更快的特點，在與消化內(nèi)鏡相結(jié)合的方面具有廣闊的應(yīng)用前景。

綜上所述，近年來AI在上消化道早癌識別、侵犯深度判斷以及檢查盲點監(jiān)測等方面的應(yīng)用均取得了較大的進展。盡管存在一些問題，但隨著其算法和試驗設(shè)計的不斷成熟和完善，未來可期待AI將會作為內(nèi)鏡醫(yī)師的得力助手，輔助病灶的識別，減少漏診，使內(nèi)鏡醫(yī)師能更快地學(xué)習(xí)新理論、新技術(shù)，更規(guī)范地完成內(nèi)鏡檢查，使患者獲益。