人工智能在消化领域中的应用现状与展望

金希 顾学微 陈栋

人工智能（artificial intelligence，AI）是指由人工制造出来的系统所表现出来的智能，是在计算机科学、控制论、信息论、决定论、神经心理学、哲学、语言学等多学科研究基础上发展起来的一门交叉学科。自1956年在美国达特茅斯大学举行的首次人工智能研讨会上提出相关概念后，AI取得了迅猛发展，与空间技术、原子能技术一起被誉为20世纪三大科技突破[1]。作为一门综合性前沿学科，AI广泛应用于经济、军事、医学及生活中。随着计算机信息技术革新（机器学习、深度学习、神经网络等新技术不断涌现）及“大数据”时代来临，AI在医疗领域的应用前景及重要性亦日益凸显。

1 AI在医学领域的应用

人工智能在医学领域中的研究主要集中于辅助诊断，早期多聚焦于整合临床病例及医学专家系统的开发和应用。该系统应用AI技术，整合特定领域多名专家共识编制相关计算机程序和流程，进行推理和判断，从而解决那些需要专家决定的复杂问题，减少因疑难病会诊、转诊所造成的医疗资源消耗[2]。21世纪以来，计算机技术进步带来AI方法学出现跨越式发展：从单纯根据文本提取字段信息进行简单判断，到根据静态图片乃至动态录像高速辅助疾病诊断和预后判断；从机器学习（machine learning，ML）到深度学习（deep learning，DL）再到卷积式人工网络（convolutional neural network，CNN）等（图1a），推动其在医学领域应用进入快车道。

当前，基于AI计算能力增加和医学图像、视频处理技术的突破，AI在医学领域的发展主要体现在放射影像和消化系统应用上的革新。如放射领域主要集中应用于肺部结节和肺癌筛查、乳腺癌筛查、前列腺癌影像诊断，可以提高诊断的敏感度和特异度，并且缩小不同级别医疗机构及医生诊断水平间差异[3]。而在消化领域主要表现为内镜检查效率和质量的提升、常见胃肠道疾病的诊断和预后判断、消化系统肿瘤的预测等（图1b），下面将对其应用现状和展望作系统综述。

图1

2 AI在消化道领域的应用

2.1 AI在胃肠道常见疾病诊断、预后及疗效判断中的应用 人工神经网络 (artificial neural network,ANN)模型是ML的常见形式，并且在早期胃肠道疾病的诊断和预后判断中得到较广泛应用。在疾病诊断方面，Pace教授等[4]在2005年基于45项临床指标研发的ANN模型对胃食管反流病的诊断率达100%，而Lahner教授等[5]利用350例患者的临床和生化数据构建的ANN模型在萎缩性胃炎的诊断上取得较高的准确率。在疾病预后判断方面，Sato教授等[6]构建ANN模型成功预测418例食管癌患者的1年和5年生存率，Rotondano教授等[7]则构建ANN模型在2 380例患者中预测非静脉曲张上消化出血率，其预测的灵敏度、特异度和准确率均高于普通方法。ANN还可应用于疾病治疗效果的判断，如Hardalac教授等[8]建立的ANN模型在预测IBD患者硫唑嘌呤治疗后黏膜愈合情况的准确率可达79.1%。更重要的是，Ichimasa等[9]应用支持向量机器学习（support vector machine,SVM）方法，对690例内镜切除的T1期结肠癌患者的45项临床病理因素进行分析，取得较好的淋巴结转移预测效果，其灵敏度、特异度和准确率分别达100%、66%和69%，同时减少了约77%的非必要追加手术。在肝病领域，SVM联合超声弹性成像的应用对慢性肝病诊断的灵敏度达93.5%，特异度达81.2%，准确率达87.3%[10]。

当前世界范围内炎症性肠病（主要包括CD和UC）的发病率日益增高，而AI在该领域的应用成为当前研究热点。对UC患者，肠道炎症程度的评价是制定治疗方案的重要参考。然而，肠镜下准确评估肠道炎症程度需要对内镜医生进行规范培训，且内镜医生之间存在观察者差异。基于CNN模型，日本Ozawa教授等[11]在841例患者累积26 304张肠镜图片基础上建立肠道炎症识别CAD系统，在随后的独立114例患者人群累积3 981张图片的验证中，发现该系统对正常和炎症黏膜的辨识度很高，其ROC曲线AUC分别达到0.86和0.98，增加UC肠道炎症评估的客观性，可减少因内镜医生操作及水平参差不齐所造成的观察者间差异。

当前UC的治疗已经从强调“黏膜愈合”进入强调“组织愈合”的时代。因为日益增多的临床研究提示内镜下“黏膜愈合”的UC患者，实际上远未达到病理上“组织愈合”的状态，而持续的组织炎症会加剧疾病并增加黏膜不典型增生乃至癌变的风险。因此，研发能识别“组织愈合”的内镜技术具有重要意义。2019年Maeda教授等[12]结合520倍NBI电子放大内镜和计算机辅助诊断，基于187例病理证实肠道组织炎症状态的UC患者，研发出UC“组织愈合”判别新方法，并在525个样本共计12 900张放大内镜图片上加以验证，发现其诊断灵敏度达74%、特异度达97%、准确率达91%，为早期发现UC患者肠道组织炎症，系统评价“组织愈合”状态，提供了有力武器。

2.2 AI在早期消化道肿瘤筛查、鉴别诊断中的应用 随着内镜设备的不断更新和光学放大内镜（NBI、FICE、BLI等)/色素染色内镜等的飞速发展，早期消化道肿瘤筛查取得长足进步。而近年来AI技术的发展，更为消化道早期肿瘤性病变的筛查提供有力支持，其在增加早癌检出的灵敏度、提高检查的同质性和降低医疗卫生成本等方面具有巨大潜力。Sommen教授等[13]提取100张内镜图片构建了早期Barrett食管癌变筛查的AI算法，其识别病变的灵敏度和特异度达83%。Horie教授等[14]基于8 428张白光及NBI内镜图片构建CNN模型，其识别早期食管癌的灵敏度为95%，且能探查所有＜10mm的食管癌，尤其对表浅食管癌和进展期食管癌的鉴别诊断准确率达98%。当前肿瘤侵犯深度判断一直是内镜检查的难点，2012年Kubota教授[15]首先报道了基于902张内镜图片所构建的胃癌浸润深度判别AI模型，其对T1～4的诊断准确率分别为 77.2%、49.1%、51.0%和55.3%。同时，联合SVM和NBI放大内镜后，其对早癌灵敏度上升到96.7%，而特异度高达95%[16]。

结肠镜检查是发现结肠息肉的主要方法，但由于肠道准备不足、退镜时间过快、部分息肉隐藏在肠袢中难发现、操作者水平不足等，会导致一定的息肉遗漏率。这其中腺瘤性息肉的遗漏具有较大风险，研究发现每增加1%的腺瘤发现率，可减少3%的结肠癌风险[17]。因此提高结肠息肉的检出率具有重要临床意义，也是当前内镜技术的研究热点。不断增加的临床数据表明AI辅助下的结肠镜检查，可显著增加结肠息肉的发现率[18]。理想的AI辅助结肠息肉检出应满足以下条件，亦是今后不断改进的方向：对息肉的高灵敏度、低假阳性率、低滞后性，以便在肠镜检查时息肉能被实时发现。随着技术的发展，AI辅助息肉识别从静态画面进展到动态实时录像分析，将大幅度提高息肉识别的能力和效率[19]。

指南建议右半结肠的增生性息肉可以随访观察，但是腺瘤性息肉需要内镜治疗。以往息肉性质的判断需要待活检病理，如需内镜治疗则患者要接受二次肠道准备，如果在结肠镜检查时即刻就能判断息肉性质从而决定是否需要治疗，在节省医疗资源和减少患者痛苦方面具有重要意义。常规的放大内镜技术（如针对色素内镜的Kudo分型和针对NBI放大内镜的NICE分型）虽然提高了对息肉类型内镜下鉴别诊断的阳性率，但存在因检查者操作水平参差不齐、过分依靠主观性判断等造成的观察者偏倚情况，以及初学者针对上述内镜技术需较长的学习曲线等不足情况，而AI的发展为此提供了良好的解决方案。AI合并NBI静态画面的识别更是在该领域迈开的坚实的第一步。2010年Tischendorf教授等[20]联合AI机器学习及NBI放大，研发出新型肠道息肉检测公式，其诊断灵敏度达90%。Kominami教授等[21]于2016年首次报道整合AI和NBI放大内镜可在动态过程中实时检测息肉，其诊断的灵敏度达93%，特异度达93.3%，准确率达93.2%，和医生内镜下诊断的符合率达97.5%。2019年Byrne教授团队[22]成功构建人工智能的深度学习模型，可对肠镜录像进行分析，实时鉴别结肠腺瘤性和增生性小息肉，诊断灵敏度高达98%，特异度达83%，极大推动了以前指南提出的“肠镜检查发现息肉-判断性质-直接处理”这一流程的落地。

2.3 AI在消化道其他疾病中的初步应用 除了增加消化道肿瘤的检出率、鉴别诊断能力及在常见消化道疾病领域的应用外，以CNN和AVM为代表的AI在小肠黏膜病变、感染、出血的检查中也显示出较大的优势。Hp感染是萎缩性胃炎、消化性溃疡、胃癌的高危因素，内镜下对Hp的识别存在较大的医生主观性差异，Itoh教授等[23]建立的CNN模型，对内镜下胃Hp感染的诊断灵敏度和特异度均达到86.7%，AUC为0.956，优于内镜医生的直接判断。

胶囊内镜是检查小肠病变的主要手段，但大量阅片给诊断医生带来负担，且受不同级别医生诊断水平参差不齐和主观性影响，诊断结果的灵敏度和特异度不尽如人意。2019年Aoki教授等[24]基于CNN方法，采用5 360张小肠黏膜损伤和溃疡图片作为训练集，并用独立的10 440张小肠图片（包含440张黏膜损伤和溃疡图片）作为独立验证集，发现针对这10 440张图片，CNN系统仅用233s即完成疾病诊断，且灵敏度、特异度和诊断准确率分别高达88.2%、90.9%和90.8%。此外，AI辅助下胶囊内镜对小肠乳糜泻的诊断率亦有提升。如Zhou教授等[25]研发的CNN算法对乳糜泻的诊断灵敏度和特异度均达到100%。Hassan教授等[26]研发的AI深度学习算法对胶囊内镜发现消化道出血的灵敏度和特异度高达99%。而针对小肠感染性疾病如钩虫感染，He教授等[27]研发的CNN算法对胶囊内镜图片判读后，也取得较高的疾病诊断灵敏度和特异度。

3 AI在消化领域的展望和发展方向

消化系统疾病是当前AI应用的热门领域，近年来也取得较大发展。一方面，AI可以提高消化道常见疾病的诊断效能和预后判断；另一方面，基于内镜的静态图像和动态视频，AI可以显著增加疾病的诊断和鉴别诊断的速度和准确度，提高同质化水平，并且减少因操作者主观判断差异所带来的观察者偏倚现象。上述两方面的深化研究是未来需要聚焦的方向。同时，AI辅助消化道黏膜下病变和其他少见疾病的诊断和鉴别诊断，也是今后的研究热点。当然，AI在消化领域的真正临床应用还需克服很多困难。首先，由AI辅助临床作出的诊断或治疗，如果出现医疗失误，责任如何界定？这也是AI在医学领域应用的共性问题。其次，AI虽然可以提高诊断和鉴别诊断的效能，但这种基于计算机的理性工具，缺少医生的人文关怀，会不会影响医患关系？最后，目前AI辅助消化道疾病诊治多为病例对照的回顾性研究，上述研究结果还需在前瞻性队列研究中得到进一步证实。

总之，AI在消化道领域的应用目前取得较大进展，前途光明，但其在临床的大规模应用仍有待临床医生、计算机信息工程人员等共同努力。