人工智能在消化系统疾病领域的研究现状和展望

张希钢，孙大勇，戴捷，王湘雨

【提要】 近年来，人工智能的开发和应用研究为内镜的发展和普及提供了广阔的空间。深度学习是主要的人工智能学习方法，提取某种在医学图像上的特征应用于医学图像识别，利用计算机的数据处理能力达到快速和精准的内镜诊断。本文结合国内外研究结果，叙述人工智能在胃镜检查中的食管恶性病变、胃良恶性病变及结肠镜检查中的结肠良恶性病变、胶囊内镜等领域的应用探索，思考人工智能在消化系统疾病诊断领域的未来应用前景及不足。

消化内镜在消化系统疾病的诊疗过程中发挥着不可替代的作用，随着内镜技术的发展，白光、窄带成像（NBI）及放大NBI、放大内镜、共聚焦激光显微内镜等技术应用于临床，部分三甲医院应用可扩展电子分光色彩强调技术（FICE）［1］。然而，不同级别的内镜医师因医师个人原因导致相同疾病的不同内镜诊断，使先进的内镜技术广泛普及推广受到阻碍。目 前人工智 能（Artificial intelligence，AI）被应用于社会生产生活的多个领域，包括消化系统疾病领域。深度学习（deep learning）是主要的人工智能学习方法。该方法通过构建多隐层的机器学习模型和大量的训练数据，对数据的特征进行学习，组合低层特征形成抽象高层特征表示属性类别［2］。目前常用的深度学习技术包含全连接网络、卷积神经网络、循环卷积神经网络、图卷积等，提取某种在医学图像上的特征应用于医学图像识别，并利用计算机的数据处理能力，带来更加快速和精准的内镜诊断。

1 在胃镜领域的临床研究应用

食管胃十二指肠镜检查（EGD）为最常用的内镜诊治手段，包括内镜下诊断及治疗。由于内镜技术的发展，不同医师诊查水平有所差异并导致不同的诊疗后果。其中，由于内镜检查的不当，易导致上消化道肿瘤尤其是早期恶性肿瘤漏诊，而早期肿瘤的发现往往与患者预后高度相关。本文将从食管、胃及十二指肠等部位简述人工智能辅助应用的研究现状。

1.1 人工智能在食管恶性病变的辅助应用

食道癌是全球第七大最常见的癌症［3］。中国是食管癌大国，2019年食管癌新发患者约28万人［4］。食管癌分为两种不同的组织学类型：食管鳞状细胞癌（ESCC），食管腺癌（EAC）。食管癌的早期发现对于预后非常重要，常用的成像及染色方式有白光、NBI、碘染色。经验欠佳的的内镜医师的诊断率较低［5］。国外学者有将人工智能辅助系统应用于食管癌诊断的探索，包括食管恶性肿瘤和食管恶性肿瘤浸润深度的诊断。Horie等报告了基于CNN的人工智能系统，可以同时检测ESCC和EAC［6］。他们使用8428张食管癌内窥镜图像训练了CNN系统，包含365例ESCC和32例EAC。该系统可以98%的准确度差异诊断浅表和晚期癌症。Tokai等使用基于CNN的人工智能系统诊断ESCC的浸润深度，将EP-SM1病变与浅表ESCC中比SM2较深的病变区分开来［7］，且其辅助诊断的准确度和特异度高于被测试的内镜医师。关于食道癌的人工智能辅助诊断系统的研究，多为静止内镜图像训练形成人工智能系统并使用静止图像验证结果，国外已有实验使用视频验证了ESCC的报道［8］，较静止图像更为有效。

1.2 人工智能在胃非肿瘤性病变的辅助应用

人工智能在胃非肿瘤性病变方面的研究较早，也是比较热门的领域。主要集中在幽门螺杆菌胃炎、慢性萎缩性胃炎、胃部检查盲点监测、良恶性溃疡鉴别等方面的辅助诊断应用。Guimarães P等使用CNN技术用于诊断高分辨率白光图像（WLI）上的幽门螺杆菌胃炎，准确率达92.9%［9］，其主要目的为通过幽门螺杆菌胃炎的早期发现和治疗减少胃癌的发生。AI在国内也有预测和评估慢性萎缩性胃炎的探索，张雅琼 等［10］收集了1470例患者的5470张胃窦图像，设计并训练了卷积神经网络-慢性萎缩性胃炎模型，结果提示卷积神经网络-慢性萎缩性胃炎模型在诊断萎缩性胃炎中的诊断准确性、敏感性和特异性分别为0.942、0.945和0.940，均高于对照组（含三位专家）。于红刚教授等开发了“内镜精灵”以执行实时胃部盲点监测［11－12］。他们对324位患者进行了一项随机对照试验，结果证明在胃镜检查期间使用AI可将盲点减少15%。

1.3 人工智能在胃恶性肿瘤诊断领域的辅助应用

研究数据提示，2018年度世界胃癌新发病例约103.3万例，死亡病例约78.3万例，胃恶性肿瘤具有发病率高、转移早、预后差的特点，早期诊断的胃癌患者5年生存率可达90% 以上［13－14］。相关研究证明，人工智能系统有助提高胃镜检查中胃癌的检出率，并在胃癌的浸润深度辅助诊断方面具有优势。Hirasawa等基于深度学习技术使用了13584张胃癌的WLI，窄带图像（NBI）和含靛蓝胭脂红的色谱内窥镜进行了训练［15］。每 组2296张图像的验证结果显示灵敏度为92.2%，但阳性预测值（PPV）仅为30.6%，易将非恶性病变误诊为恶性病变。近期Yohei Ikenoyama等使用来自2639个胃癌病例的13584张内窥镜图像构建CNN系统，并采用独立的测试数据集（来自140个病例的2940张图像）将其与67名内窥镜医师的诊断能力进行了比较，结果显示CNN可用更短时间检测到更多的早期胃癌病例［16］。关于胃癌表征的判断，徐美东研究组等应用基于AI的系统使用WLI评估胃癌的浸润深度，总体准确率为89.16%，也明显高于内镜医师［17］，同时基于AI的诊断系统可能更有利于检测较小的病变或更难识别的病变。以上结果提示不久的将来人工智能有希望在一定程度上代替或者辅助医生更好地进行内镜下胃癌诊断。

1.4 人工智能在胃镜其他领域的辅助应用

人工智能也可用于评估胃十二指肠溃疡并预测复发性出血的风险。AI识别出1年后复发性溃疡出血的患者，AUC为0.775，总准确度为84.3%［18］。

2 人工智能在肠镜领域的临床研究和应用

2.1 人工智能在肠道良性肿瘤方面的辅助应用

人工智能在结肠镜领域的研究热点为结直肠息肉的识别，且已取得良好结果。结直肠腺瘤性息肉是肠道癌前病变，大肠息肉，特别是腺瘤和无柄锯齿状病变（SSLs），被认为是癌前病变，漏出的息肉可能是间隔癌的一部分原因［20－21］。越来越多的研究者将人工智能与肠镜的诊治相结合，对于提高肠道良性腺瘤性息肉、锯齿状腺瘤、黏膜下肿瘤等良性病变的检出率有提升价值。荟萃分析结果显示，结肠镜检查可能会漏掉多达26%的腺瘤。Lui TK等［19］通过深度学习AI模型，经52例前瞻性结肠镜视频证实，使用实时AI辅助，可以防止多达80% 的腺瘤漏诊。Kudo等开发了用于内窥镜检查的CADx系统，称为内窥镜检查Endo-BRAIN®［22－23］。CADx系统具有98% 的准确性，96.9% 的敏感性，100% 的特异性，100% 的PPV和94.6% 的NPV，可有效区分肿瘤性息肉与非肿瘤性息肉［23］。展现了人工智能在肠镜辅助诊治方面具有一定的优势和使用价值。

2.2 人工智能在结肠炎症及恶性肿瘤中的辅助应用

国外学者有将人工智能系统应用于溃疡性结肠炎的辅助诊断。Yasuharu Maeda等使用187例内镜检查后获得活检样本的UC患者的数据，基于计算机辅助诊断（CAD）系统学习训练后形成辅助诊断系统，用于肠道组织炎症评估。CAD提供的诊断敏感性，特异性和准确性为74%、97% 和91%，重现性较好［24］。大肠癌在结肠镜检查中较少会遗漏，目前人工智能针对大肠恶性肿瘤的研究及应用较少。

3 人工智能在胶囊内镜领域的临床研究和应用

人工智能在胶囊内镜领域的研究应用显示出较大优势，主要为较高的准确度、低漏诊率及较短的阅片时间。胶囊内镜一般用于各种小肠疾病的诊治，例如小肠溃疡、憩室、黏膜破损、血管畸形、黏膜隆起和出血等。通常情况下，每例患者胶囊内镜约拍摄50，000张图像，阅片工作对于医生来说非常耗时。此外，病灶偶会出现在仅有的几帧图片中，很容易因为个人原因疏忽遗漏。计算机辅助支持系统将通过自动检测胃肠道异常来帮助减少阅读时间和医生疏忽。Zou等人基于CNN的方法，在胶囊内窥镜检查中对消化器官（胃，小肠或结肠）进行分类，其准确率为95.5%，高于传统的基于尺度不变特征变换和SVM的方法（90.3%）［25］。丁震教授等报道了他们使用原始CNN用于检测各种类型的小肠异常，使用了5000份完整的小肠胶囊内窥镜检查视频，共包含4206种病变［26］。该研究比较了两种阅读方法（由CNN首次筛查后由内镜医师进行的阅读与单纯内镜医师的阅读）在内镜医师的阅读时间和异常检出率方面的差异。仅内镜医师组每位患者的平均阅读时间为96.6分钟，基于CNN的辅助阅读组仅需5.9分钟（P＜0.001）。基于CNN的辅助阅读组的异常检出率显著高于仅由内镜医师检查组的异常检出率（每个病灶分析：99.90%对76.89%；每位患者分析：99.88%对74.57%），显示出较大的优势。

4 总结

人工智能在消化内镜的应用目前已成为国内外机构的研究热点，其拥有广阔的应用前景，但目前尚未有成熟的人工智能产品应用于消化内镜领域，其应用范围多局限于辅助诊断，治疗方面无特殊优势。但可以期待人工智能在食管早癌、早期胃癌、胃幽门螺杆菌感染识别、减少大肠腺瘤性息肉漏诊等方面发挥更加重要的作用。尤其在医疗资源匮乏地区或者内镜技术不成熟的医疗机构，人工智能结合内镜技术的应用可有效提高内镜诊断水平，减少内镜漏诊、误诊，使就诊人群切实受益。同时，利用先进的内镜技术，可有效识别内镜下病理性诊断，减少病理取材，增加诊断准确度。人工智能在消化系统疾病领域的研究目前多为内镜图像等研究，部分以内镜图像研究为基础，使用内镜视频来验证，内镜视频作为研究素材来开发应用的文章尚少，主要是内镜视频研究中遇到种种问题。例如运动模糊、气泡、镜面反射、漂浮物体和像素饱和度等伪影阻碍了内窥镜视频的图像信息提取，但通过一些技术如全自动恢复框架，可使视频增加25%帧合格胃镜图像［27］。总之，目前人工智能结合内镜的应用尚处于试验验证阶段，有较高假阳性率，距其广泛推广应用还有距离。尚需更多的临床实践及探索，需开展更多的多中心研究、前瞻性研究及内镜视频检测等。