胶囊内镜图像筛选系统的临床应用

2021-04-01南京医科大学附属苏州医院苏州市立医院消化内科江苏苏州215000

中国医疗器械信息 2021年5期

南京医科大学附属苏州医院苏州市立医院消化内科（江苏苏州 215000）

内容提要：目的：评估胶囊内镜筛选系统在图像判读中的应用价值。方法：回顾性分析2019年6月～2020年6月本院经胶囊内镜检查的患者共94例，收集所有患者的胶囊内镜检查图像及一般临床资料，由临床医师对原始图像及筛选系统处理后的图像进行判读，统计所有病例的阅片时间、图片数量、病灶检出率及各筛选模式的病灶保留率；结果：94例受检者中共发现病变46例，检出率为48.94%。图像筛选所需时间平均为（15.33±1.65）min，筛选后医师判读图像所用时间与原来相比明显降低[（34.13±6.17），（93.92±13.79）min，P＜0.001]，最终病灶保留率为98.48%。结论：图像筛选系统可剔除大量无效图片及相似图片，在保留病灶的前提下极大地缩减阅读图片数量和阅片时间，减轻了临床医师工作压力并提高了胶囊内镜检查的效率。

胶囊内镜是新兴的一种无创的消化道无线监测系统，目前主要用于不明原因消化道出血、克罗恩病及消化道肿瘤的诊断。但由于其检查时间较长及人工智能技术的限制，目前胶囊内镜采集的图片数量巨大，人工阅片工作量大、耗时长、漏诊率高，严重影响了胶囊内镜的普及和发展。本文拟评估内镜图片筛选系统在临床阅片中的应用价值。

1.资料与方法

1.1 临床资料

收集自2019年3月～2020年6月本院行胶囊内镜检查患者的图像资料共94例，其中男50例，女44例，平均年龄54.24岁（20～84岁）。行胶囊内镜检查的原因包括：体检15例，不明原因腹痛46例，不明原因消化道出血24例，怀疑小肠克罗恩病6例，不明原因消瘦、腹泻3例。

仪器设备：国产OMOM胶囊内镜、诊断工作站及信号接收器。

1.2 方法

肠道准备：所有患者检查前禁食12h，检查前4h口服聚乙二醇电解质2L进行肠道准备。口服胶囊内镜2h后通过无线显示器实时监测胶囊位置，若出现胶囊内镜胃内治疗的情况，需及时通过药物或内镜处理。

收集所得原始数据为A组，同时将OMOM胶囊内镜系统筛选所得数据分为B组。然后由经验丰富的临床医师（从事内镜工作3年以上）分别对2组图像进行判读，统计各组阅片的总时间、病灶保留率。（病灶保留率=系统筛选后检出的病灶/原始数据检出病灶×100%）。

1.3 统计学分析

本研究数据均使用SPSS24.0统计学软件计算各项观察指标的均数和标准差。数据记录采用，计量资料采用t检验，计数资料采用χ2检验，当P＜0.05为有统计学意义。

2.结果

所有患者均完成胶囊内镜检查，其中7例在吞服胶囊内镜2h后仍滞留在胃腔，2例予促动力药物30min后进入十二指肠，5例经胃镜由圈套器直接送入十二指肠降部。最终88例胶囊成功到达回盲部，完成全小肠检查，回盲部到达率约93.62%，平均小肠运转时间为（279.63±72.5）min。所有胶囊内镜均在7d内排出体外，无小肠滞留发生。46例患者胶囊内镜检查结果阳性，共发现病灶132处，其中多数为多发病灶，最多达11处。4例怀疑克罗恩病患者病灶较多，且病灶间界限不明，采用病变节段数统计。

所有病例的摄片总量平均约为（55207.32±5389.47）张，经图像筛选系统处理后剩余图像（26792.12±2854.07）张，删除率约51.47%。图像筛选的平均时间为（15.33±1.65）min，经处理后图像的阅片时间由原来的（93.92±13.79）min降低至（34.13±6.17）min（P＜0.001）。132处病灶经系统处理后，有2处病灶（均为小肠非特异炎症灶）被错误筛除，病灶保留率为98.48%。

3.讨论

目前临床使用的各型胶囊内镜工作原理基本相同，其图像采集系统每秒拍摄2帧图像，总体检查时间约8～10h，最终每例患者在完整检查后约采集到6万张肠道图片[1]。由于肠道准备效果、灯光照射及肠道蠕动等方面的影响，其中夹杂有大量的重复图片集无效图片，而临床医师需对其进行逐张判读并从中找出实体病灶，这一过程枯燥、耗时，即使是有经验的临床医师也需2h完成[2]。随着胶囊内镜的普及，目前其检查数量在逐渐增加，临床医师的工作量也在与日俱增，长期保持高度的注意集中极易造成精神疲劳，最终出现漏诊可能，影响胶囊内镜的检查效果[3]。

目前胶囊内镜工作站可提供一些的图像回放和基本的相似图像处理功能，但处理过后遗留的图片数量仍然巨大，如何合理降低医师的阅片时间减轻工作量是胶囊内镜技术的主要发展方向之一。受限于技术原因，人工AI直接对图片进行分析和诊断的方法目前正处于研究阶段，但通过程序筛选剔除无效图片和相似图片的技术已初步应用于临床[4-6]。

该技术采用无监督聚类学习的方法，根据相邻区间内颜色、纹理、形状等特征表现自动识别相似图片，然后挑选同类图片中最能代表该类别的关键帧图像（KF），删除其他相似图片。其优势在于：①聚类依据的特征是符合人眼判定的颜色、纹理、形状等，此类筛选方法与人眼识别删除效果相同；②可解释性强，有别于深度神经网络类学习算法的黑匣子模型；③为机器学习无监督学习算法，不依赖于标注数据，不需要大量的人工标注；④适应性强，对于未见过的图像类型可根据特征识别相似图像。

叶山亮等[5]通过此技术对50例患者进行分析，结果显示在最大限度的保留病灶图片的前提下，≤60%的筛除比例下可有效减少医师阅片数量，将平均阅片时间降低至15.62min。本研究中，设定的删除比列约51.47%（筛除效果见图1），最终病灶保留率98.48%，这与既往结果相似。2处误删病灶如图2所示，2者均为非特异性肠道炎症，病灶表面可见较多胆汁或残渣遮挡，裸露部分不明显，这可能是系统误删的原因，由此推测提升肠道准备质量可提高筛除系统最终的病灶保留率。