人工智能在消化系统疾病诊治中的应用和展望

宋 欣 孙 菁

苏州大学医学院1(215000) 上海交通大学医学院附属瑞金医院消化内科2

二十世纪四十年代，研究人员就开始尝试研发出能作为医学顾问的计算机程序用以辅助临床医师的诊疗工作，这是人工智能在医学领域的最早报道[1]。随着计算机科技的发展，人工智能展现出了更强大的数据处理能力，适用于医学图像的识别和复杂临床数据的分析。在消化内科领域，已发展出了多种智能技术，可提升内镜检查的效率和质量，辅助常见消化系统疾病的诊断和预后的判断，以及预测消化道恶性肿瘤的发生风险。本文就人工智能技术在消化系统疾病诊治中的应用和前景作一综述。

一、人工智能的定义

通常人工智能的定义有两种表述，其一从认知的角度出发可将人工智能技术定义为研究人类智力过程的系统理论；其二从行为角度将其定义为制造可完成需要人类智力才能完成的工作的机器的科学。前者关注的重点在于认知心理学，强调机器对自身推理过程的理解；后者强调的重点在于机器行为的复杂程度。本文所提到的人工智能属于后者。

二、医学人工智能技术的发展历程

1. 早期计算机辅助程序：早期计算机辅助程序使用流程图、布尔代数、贝叶斯算法、模式匹配和统计学决策分析的方法进行工作，这些单纯的数学程序由于与医学专业知识相脱离，只能解决一些非常简单的问题，并不具备实用价值。

2. 专家系统：二十世纪七十年代研究人员通过模拟人类专家解决医学问题的方法，发展出了多种类型的专家系统，如CASNET、MYCIN、INTERNIST和PIP，在特定领域已被证实可达到人类专家的水平[2]，但在临床实践中并未体现出不可或缺的作用。

3. 深度神经网络：Szolovits等[3]于1988年提出将深度神经网络运用于疾病的诊治。与传统计算机回归分析的单层结构不同，神经网络是一个复杂的多层感知模型，基本结构包括输入层、模拟神经元层、输出层三个部分。从数据处理能力上看，回归分析仅能用于处理线性可分的数据，而神经网络可处理回归分析所不能处理的非线性数据。事实上神经网络的每一层均可看作一个线性分类器，每一层的线性分析结果均被作为特征送入下一层，数据在层与层之间的变换就是一个不断进行特征提取的过程，也就是神经网络的学习过程。通过在数据库中的训练，神经网络会对各层中的参数以及训练算法进行调整，最终得到较回归分析更复杂的模型。该模型可从不同层级的抽象数据中学习数据特征，具有很强的拟合能力，可模拟任意复杂的函数，适用于解决复杂的医学问题。

二十一世纪以来，以深度神经网络为代表的人工智能真正意义上走进了医学领域，特别是深度学习技术的兴起，极大增强了计算机的数据分析能力，借助反向传播算法，深度学习技术能指出机器如何基于上一层的特征通过改变内部参数计算下层特征，用于发现大型数据集中复杂的结构。借助深度卷积网络，医学图像和视频的处理迎来了重大突破。目前，已有许多项目用于全身各个系统疾病的诊疗，包括消化系统疾病、生殖系统疾病、内分泌系统疾病、心血管系统疾病、血液系统疾病等[4]。

三、人工智能技术在消化内镜领域中的应用

高质量的内镜检查对于消化道肿瘤的早期诊断有重要意义，目前已有高分辨内镜、荧光成像、增强内镜成像等先进技术用于提高内镜下肿瘤的检出率。但这些辅助策略能否充分发挥作用受到医师检查水平这一因素的限制。如新技术能着力于提高医师的检查水平, 对我国这一消化道肿瘤大国而言具有重要作用。

1. 人工智能技术辅助结肠镜检查：一项最新的研究[5]中，人工智能技术已可用于辅助结肠镜检查，并从肠黏膜检查的充分性、肠息肉探查、光学活检等方面提升结肠镜检查质量。①确保肠黏膜检查的充分性：临床上通常使用腺瘤检出率(adenoma detection rate, ADR)作为评价结肠镜检查质量的指标。ADR每增加1%，可降低3%的间期结肠癌风险和5%的间期结肠癌相关死亡率。在结肠镜检查过程中，EM-Automated-RT[6]这项人工智能技术可提供实时分析和反馈，该系统将内镜视野划分为四个象限，当系统从特定的象限识别肠腔空洞时，就将相反象限标记为已检查区域，表明可观察到该部分肠壁，当四个象限的肠壁均被标记为已检查后，系统给出提示从而确保检查者对每个象限的肠黏膜均能进行充分检查。该系统可有效提升平均黏膜可视化评分、平均病灶清除评分以及ADR，并显著缩短结肠镜检查时间。②辅助肠息肉探查：由于一些肠息肉体积小、形状扁平或与正常黏膜颜色相似，漏诊率可高达22%。目前已发展出许多自动化息肉识别技术。Tajbakhsh等[7]通过几何约束和局部强度变化模式提取形状和纹理特征用于识别息肉(流程见图1)，对300个结肠镜检查图像的敏感性为88%。Wang等[8]提出的Polyp-Alert系统通过横断面分析提取息肉边缘轮廓特征对息肉进行识别，能为检查者提供实时反馈，在对53个内镜检查视频的测试中，可正确检出98%的息肉，但假阳性率较高。其后有研究[9]创新性地提出一种融合了在线和离线学习模型的深度神经网络，可有效减少离线神经网络对阑尾口、回盲瓣、肠壁突出的皱褶以及食物残余的误报，假阳性率较离线模型降低了近50%。这些技术将显著降低内镜检查对检查者的依赖性，对内镜医师具有很好的辅助作用。③光学活检：光学活检指通过先进的成像技术结合现有的分类系统(如结合使用窄带成像和NICE国际结直肠内镜分类法)，可通过内镜预测组织学性质。但准确的光学活检对操作人员的专业知识具有相当高的要求。目前人工智能技术已实现自动化光学活检，如The EndoBRAIN可实时捕捉内镜检查图像，并在 0.3 s 内作出光学诊断。在100幅随机挑选的结肠息肉图像中，通过与息肉切除后的病理结果相对比，系统诊断的准确性达90%[10]。Byrne等[11]使用深度卷积神经网络结合窄带成像技术对增生性息肉和腺瘤进行鉴别，在对内镜检查视频的测试中，该系统的准确性为94%，对腺瘤的敏感性和特异性分别为98%和83%。

综上所述，当前的人工智能技术几乎可辅助完成结肠镜检查过程中从肠腔探查到病变定位再到病灶定性的全部工作，即使是实习生，亦能行高质量结肠镜检查。

2. 人工智能技术在胶囊内镜检查中的应用：胶囊内镜作为一种可直视整个消化道的检查手段，具有耐受性良好的优点，尤其适用于小肠病变的检查，但手动分析患者的数据是一个异常繁杂的过程，即使训练有素的内镜医师亦需花费数小时。目前已提出了一系列自动化解决方案，主要从出血和病变的检测、胶囊内镜定位、简化胶囊内镜视频等三个方面提升胶囊内镜检查的效率和质量。

①出血和病变的检测：图像颜色特征可作为识别消化道出血的主要指标。其智能过程可概括为对内镜图像进行智能分割，并从不同分辨率的子图像中提取对应区域的颜色分布特征从而发现颜色分布异常的出血区域。目前已发展出许多自动化图像分割技术和颜色特征分析技术，如Sainju等[12]提出的区域生长算法(算法从最初散在的像素集合开始，迭代地选择相邻像素并最终形成连续的图像区域)和Fu等[13]提出的超像素算法(该算法将像素划分为具有认知意义的图像区域，用于替换像素网格的刚性结构)。一项研究[14]采用了自适应性算法(该算法可根据不同患者而调整相应颜色参数)，对消化道出血的敏感性和特异性分别94.8%和96.1%。

图像纹理可用于对息肉、溃疡、肿瘤、克罗恩病、钩虫病等的识别。Karargyris等[15]采用一种融合了图像颜色特征和纹理特征的检测方法(识别流程见图2)识别溃疡，敏感性和特异性分别为75.00%和73.30%。随后，Yu等[16]使用更复杂的特征融合技术检测溃疡，敏感性和特异性分别为99.17%和 80.00%。Zhou等[17]的研究使用深度神经网络GoogLeNet分析胶囊内镜检查视频，定量测量小肠病变程度，对乳糜泻的诊断敏感性和特异性均达100%，有望推广到其他消化道疾病的检查中。

②胶囊内镜的定位：地形分割、运功估测等智能视频分析技术使不借助外部设备实现胶囊内镜定位成为可能[18]。借助地形分割技术可自动识别消化道不同部分，判断胶囊所处肠段。在此基础上运用运动估测技术，通过追踪连续视频图像之间的对应像素，并以之为参照物计算胶囊在胃肠道内的位移和旋转，可进一步精确对胶囊的定位，从而明确病变部位。

③简化胶囊内镜视频：该技术旨在挑选出胶囊内镜视频中具有代表性的图像，其中一种策略是筛选出一段视频中内容明显偏离其他图像的图像，即可能的病变区域，Iakovidis等[19]的研究结果显示该法可减少85%的帧数且不影响病变的检测。另一种方法是筛除未能显示肠壁的无信息画面或删除由于胶囊运动缓慢而产生的冗余图像。Sun等[20]通过模式匹配策略，对无信息视频帧的识别准确率高达99.3%。Chen等[21]对6个内镜视频的测试中，通过去除冗余视频帧和无信息视频帧，将视频的总体数据量减少了65%，且不影响视频的诊断价值。

图1 智能息肉检测流程图

图2 智能溃疡检测流程图

不久的将来，在人工智能技术的帮助下，消化道内镜检查或许会变得非常简单，医师仅需按要求采集相应图像或录制检查影像，人工智能系统即能迅速作出相应诊断，对实现消化道疾病的早诊断早治疗具有巨大的推动作用。

四、人工智能技术在消化系统疾病诊治中的应用

1. 食管疾病：Johanson等[22]使用人工智能技术分析食管刷片检查结果，有效提升了Barrett食管(BE)的诊断率和筛查效率；Chan等[23-24]提出了一种非侵入性BE智能诊断技术，使用“e-nose”与患者呼出的挥发性有机物相互作用并测量其电子电导率分布，然后使用人工神经网络对检测数据进行分析，以确定BE患者的电子电导率分布特征。该技术的ROC曲线下面积(AUC)为0.79，敏感性和特异性分别为82%和80%。挥发性有机物变化与BE的关联性可能在于挥发性有机物差异能反映BE黏膜异常代谢或上消化道微生物群组成分布的变化。e-nose技术虽不能从食管黏膜组织学层面作出明确的诊断，但对BE大规模筛查和监测较内镜检查更具成本效益。但上述研究的对象并非为真正意义上的筛查人群，故结论有待进一步完善。此外，“e-nose”技术对诊断肠道艰难梭菌感染的敏感性和特异性均较高。

2. 肝脏疾病：Streba等[25]使用深度神经网络系统结合人口统计学和临床数据以及成像数据对486例肝局灶性病变进行鉴别诊断，准确性达92.7%，使用神经网络综合分析患者各项数据的分类准确性较单纯影像学更高。除肝肿瘤的鉴别诊断外，人工智能技术还能应用于肝肿瘤CT图像的三维分割，Vorontsov等[26]提出了一个基于多层感知器的可变模型用于立体像素分类，借助纹理分析，该模型可区分肿瘤组织和非肿瘤组织并自动拟合肿瘤边界，重建肿瘤三维模型，计算肿瘤体积。在对40个腹部平扫CT的肿瘤分割测试中，该模型的准确性、敏感性和特异性分别为0.88±0.11、0.84±0.13和0.92±0.16。肿瘤体积较肿瘤直径更能预测患者生存率，且更能反映肿瘤进展和评价治疗效果。但在目前临床实践中，多数肿瘤仍需手动分割，从而限制了肿瘤体积信息的临床应用。自动化肿瘤分割技术旨在精确描绘肿瘤位置、形状、体积等信息，重建三维模型，还可更直观反映肿瘤与其他组织的毗邻关系，这项技术的发展将为临床上实体肿瘤的诊治提供更丰富的影像学信息。在组织学诊断上，人工智能技术同样具有独特的优势。Li等[27]发现，与病理学家依据经验的定性判断不同，分级模型可对HE图像上每个细胞核的类别进行统计，对病理切片作定量分析，分类准确性可达0.811±0.029，系统提供的定量信息可为医师提供有价值的参考，特别是区分正常细胞与高分化癌。

人工智能结合影像学和血清学检查有望作为诊断肝纤维化的非侵入性技术。在影像学领域，Gao等[28]运用灰度梯度共生矩阵和灰度共生矩阵提取超声图像纹理特征供反向传播神经网络学习，诊断肝纤维化分期(S0～S4)的准确性分别为100%、90%、70%、90%和100%。Chen等[29]比较了多元回归分析、支持向量机、朴素贝叶斯算法、随机森林和K近邻算法结合弹性成像诊断肝纤维化的能力，结果显示四种机器算法明显优于统计学多元回归分析，其中随机森林法的准确性最高。在血清学领域，Lemoine等[30]的研究显示γ-谷氨酰转肽酶/血小板比率(GPR)诊断肝纤维化的价值较传统谷草转氨酶/血小板指数(APRI)和Fib-4升高，三者诊断显著肝纤维化的AUC分别为0.73、0.62和 0.57，诊断弥漫性肝纤维化的AUC分别为0.93、0.89和0.71。Lu等[31]指出，虽然GPR具有一定的诊断价值，但仅通过血清学检查诊断肝纤维化仍是难以实现的。在无创性肝纤维化诊断领域，整合多方面数据结合人工智能技术对肝纤维化进行分级同时全面评估患者出血[32]、肝癌[33]等并发症风险才是未来更具前景的方向。

3. 胰腺疾病：以鉴别假肿瘤性胰腺炎和胰腺癌为例，目前临床上常采用的方法为超声引导下细针穿刺活检，但阴性价值较低，对部分怀疑胰腺癌但穿刺结果为阴性的患者而言，并不能排除胰腺癌的可能。一项研究[34]发现，以深度神经网络为基础的超声内镜弹性成像系统对11例假肿瘤性胰腺炎和32例胰腺癌的鉴别诊断价值较高，其训练准确率达97%，测试准确率达90%。未来人工智能系统所提供的诊断信息将为医师的决策提供更多参考。

4. 人工智能技术辅助预后判断以及风险预测：运用人工智能技术进行疾病预后和各项风险评估，对患者的临床管理具有重要意义。Graham等[35]以唾液中特定RNA标记的表达、质子泵抑制剂使用史和既往癌症史等参数建立预测模型，预测食管癌风险的敏感性和特异性分别为93%和73%，可用于筛选食管癌高危人群。Klein等[36]的前瞻性研究运用多元回归模型、判别分数和神经网络证实克罗恩病早期组织学检查结果与未来临床表型以及手术需求之间的联系，并建议克罗恩病患者在早期行结肠活检，用于预测疾病未来行手术的需求，以实现更好的患者管理。Walczak等[37]使用三个不同的神经网络模型预测胰腺癌患者术后生存率，准确性最高为80.73%。虽然手术是控制胰腺癌的最佳手段，但术后复发风险高可能会降低患者的生活质量甚至缩短生存期。准确预测患者术后生存率将为临床治疗策略的选择提供指导。特别是对等待器官移植的患者而言，准确预测短期生存率可更好地进行供体分配，降低患者在等待供体过程中的死亡率。Cucchetti等[38]的研究通过神经网络预测终末期肝硬化患者的死亡率，在外部队列验证中获得了0.96的AUC，明显优于临床常规使用的终末期肝病模型。

五、结语

目前人工智能技术仍有需改进的地方，如一些诊断程序要求输入的变量较多，程序时间复杂度高，但已能应用于内镜、CT、超声等影像学检查的分析和多种消化系统疾病的病理诊断。不同于人类医师经验性定性分析，计算机定量数据分析模式可提供稳定准确的诊断信息供临床医师参考。此外，借助人工智能技术强大的数据分析能力，临床医师能结合人口统计学、血清学、成像数据甚至基因表达和基因序列等复杂的分子生物学信息，对患者当前病情和未来可能的进展作出更准确的判断，有利于个体化临床决策的制定。未来人工智能将会成为消化病诊治领域不可或缺的技术。