人工智能与大数据在粪便颜色及性状识别中的应用

李泉 刘钉宾* 李娟 鲁广州 叶婧雯

（1.重庆市长寿区人民医院医学检验科 重庆市 401220 2.重庆大学航空航天学院 重庆市 400030）

（3.天海医疗设备有限公司 重庆市 401336）

临床上粪便的性状识别是理学检测的重要部分，目前较多的医院在粪便检测时采用传统的人工观察性状，《全国临床检验操作规程》（第4版）都是通过人工手法理学检验粪便、镜检粪便有形成分以及粪便隐血试验。由此可以看出，粪便手工检验操作已经沿用了数十年，并未对其开展自动化仪器操作，也未深入、系统地对尿液、血液检查进行质量监控。近年来，随着医学检验标准化与自动化的逐渐深入，自动化检验粪便是未来发展的必然趋势，但目前全自动粪便分析仪粪便常规检查尚无行业标准。另外，采用手工镜检往往生物安全风险比较高，检验人员也会因为标本气味与形状而形成排斥心理，手工镜检也具有较大劳动强度，检出率比较低，极易出现交叉感染的情况，由此就会对该检测项目的实际应用造成限制。此外，在生物安全方面亦是临床考虑的一大痛点问题。现如今随着科技的不断发展与进步，人工智能因云计算、互联网以及大数据等现代技术的全面开展，而屡屡取得突破性进展。已然在医学领域起到了举足轻重的作用，本文就重庆天海全自动粪便分析仪（DBFJ-1000）对患者粪便颜色及性状的识别结果进行相关探讨。

1 材料与方法

1.1 一般资料

利用全自动粪便分析仪（DBFJ-1000）对2019年3月到2019年10月，在重庆市长寿区人民医院就诊患者的粪便进行分析，所有研究患者均无其他条件限制。

1.2 仪器与试剂

重庆天海医疗设备有限公司提供的全自动粪便分析仪（DBFJ-1000，渝械注准20192220208）及配套使用的粪便样本处理杯。

1.3 原理

全自动粪便分析仪（DBFJ-1000）采用医学上常用的布里斯托大便分类法结合AI性状识别系统，以AI性状识别为基础的靶向扫描技术，采用深度学习和经典算法不断的优化和扩充数据库，提高性状识别的准确性。

粪便性状图像识别的特征提取原理：图像矩阵在通过卷积核相应卷积操作后获得第二图像矩阵，该矩阵被称为“特征映射”（英文名为feature map）。各卷积核均可将其特定特征提取出来，而且不同卷积核所提取特征也有所差异。比如说，输入粪便图像一张，通过卷积核将粪便颜色特征提取出来，但要用另外的卷积核对粪便轮廓特征进行提取。特征映射其实是图像在卷积运算之后所得特征值矩阵。

单个的卷积核只能提取单一的特征，多层的特征提取可以从各个维度获取丰富的特征用于分类计算。多层卷积组成了深度学习的神经网络，也就是特征提取网络。以VGG16模型为例（见图1），能够清洗观察到该神经网络对任意大小、形状P×Q的图像，先将图像缩小到M×N的固定大小，再向神经网络输送M×N图像。Conv layers内含有Conv层共13个，另有pooling层4个、relu层13个。对于RPN网络，先通过3×3卷积，其次生成positive anchors与相对应的bounding box regression偏移量，最后将proposals计算出来。Roi Pooling层主要是通过proposals将proposal feature提取出并送入后续网络，以作相应的分类预测。

图1：VGG16模型图

Conv层：卷积计算，提取特征。

Pooling层：也就是池化层，通过池化的方式能够缩小比较大规格的图像，而且也能够将图像信息保留下来。

Relu层：也就是激活层，此为非常微小且必不可少的操作，被称为Relu (全称为Rectified Linear Units)，也叫作修正线性单元。在输入负值方面，输出全为0，对于正值，原样输出。

Full connection层：全连接层，特征与卷积核做完整的卷积运算。

RPN（Region Proposal Networks）：RPN网络生成预选检测框，并通过Softmax分类获得目标和背景分类的预选检测框，排除点背景检测框，将获得的目标检测框进行分类预测。

分类预测：分类预测部分利用已经获得的feature maps，利用Softmax和full connection层对proposal的所属类别进行计算，比方说粘液状、黄褐色、硬块状等，并对cls.prob概率向量进行有效输出。在通过bounding box regression将各proposal偏移量获取出来，主要用于目标检测框的回归。

学习机制（即反向传播算法BP）：属于反向传播类别，即比较真实值与预测值，并折返对网络参数进行修改的过程，最初对卷积核参数进行随机初始化，并在误差指导下采用反向传播算法，实现卷积核最终数值的自动适应，以获得最小化模型真实数值与预测数值的误差。

分析方法：对仪器检测所得结果进行统计，并对其结果进行分析与讨论。

1.4 方法

将所有就诊患者自行采集的1.6万个粪便标本，用全自动粪便分析仪（DBFJ-1000）进行AI自动性状识别，严格按照仪器操作说明书进行操作。每个粪便标本进行人工复查，对两组数据进行分析。

1.5 统计及分析

对AI和人工检测所得13000例有效性结果，以SPSS19.0统计软件对两组结果实施kappa一致性检验，判定一致性强度指标为：Kappa系数被Koch与Landis进行了六个区段的划分，代表着不同强弱程度。如果κ小于0，则表示一致性强度非常差；如果κ的区间在0~0.2，则表示一致性强度微弱；如果κ的区间在0.21~0.40，则表示一致性强度弱；如果κ的区间在0.41~0.60，则表示一致性强度居中；如果κ的区间在0.61~0.80，则表示一致性强度较高；如果κ的区间在0.81~1.00，则表示一致性强度非常强。

2 结果

2.1 AI识别16000个标本结果比例统计

从表1中可见：全自动粪便分析仪（DBFJ-1000）所检测的16000例标本中有56.88%标本性状识别为正常黄软便，黄稀便占12.18%，黏液便占8.13%，脓血便所占比最少，占4.06%。另有18.75%的检测标本无法识别，可能原因为采样杯内存在雾气等影响识别效果。

表1： AI识别与未识别结果统计表

2.2 13000个标本AI与人工识别符合率

从表2中可见：对13000个粪便标本，以人工复检为金标准，仪器利用AI和大数据对大便的颜色及性状进行识别，黄软便的识别符合率为100%，黄稀便为94.72%，脓血便为98.77%，黏液便为100%。

表2： 13000个标本AI与人工识别符合率

2.3 13000个有效案例对称度量统计分析

从表3中可见：对统计的13000个有效案例进行kappa一致性检验，Kappa值为0.982，渐进标准误差a为0.002，近似值Tb为164.054，近似值Sig.为0.000。

表3：13000个有效案例对称度量统计分析

3 讨论

作为临床常规检查项目，粪便检查对诊断消化道出血、防治肠道传染病以及筛查消化道肿瘤等发挥着重要作用。检测粪便主要包括化学检测、理学检测以及有形成分检测，其中最关键的就是理学检测，临床医生根据检测结果中粪便的性状与特点，能够对患者病情做出初步了解，以此判断出患者的胰腺外分泌功能。除此之外，大便性状和大便在肠道内停留的时间密切相关，因此可通过大便判断患者所吃食物在肠道内的停留时间。

现阶段，国内医学影像数据的年增长率超过30%，每年因为误诊而导致病情延误的患者高达5700万/人次，且大多在基层社会发生，我国放射科医生比较少，医生年增长速率比较低，大约在4.7%，明显低于影像数据增长速率。人工智能与大数据背景下，医学影像在临床检查中应用频率逐渐提高，将现代影响检测技术应用于医学影像诊断中，通过计算机视觉技术有助于以下三大医学影像需求的解决：

（1）患者病灶的识别和标注；

（2）靶区勾画和放射治疗；

（3）影像三维重建。

医学影像技术的原理步骤主要分为两大阶段：第一阶段为图像识别，主要包括匹配判断、图像预处理以及特征提取等，由此获得定量级高质量数据。第二阶段属于深度学习，将定量级医学数据当作深度学习模型，对模型进行深入训练与优化，从而得出精准判断。数据统计发现，截止到2021年，我国医学人工智能企业大约在150多家，其中有78家涉及到医学影像，腾讯、阿里巴巴、科大讯飞以及百度等企业先后涌入医学影像领域，由此可见，医学影像是人工智能医疗应用的一个热门领域。本研究中应用人工智能和大数据检测粪便的颜色与形状等，对13000个粪便标本，以人工复检为金标准，仪器利用AI和大数据对大便的颜色及性状进行识别，黄软便的识别符合率为100%，黄稀便为94.72%，脓血便为98.77%，黏液便为100%。对统计的13000个有效案例进行kappa一致性检验，Kappa值为0.982，渐进标准误差a为0.002，近似值Tb为164.054，近似值Sig.为0.000。可见人工智能和大数据检测粪便的识别符合率比较高，而且检测误差比较小。采用AI医学影像技术，能够对医疗机构进行全面覆盖，实现影像数据的跨区域整合，互联网环境下，能够实现实时图像后处理、图像调阅以及远程会诊等诸多功能，有助于改善医疗资源配置失衡的矛盾，对我国医学卫生制度改革具有推动作用。

根据数据统计与分析，发现全自动粪便分析仪（DBFJ-1000）所检测的16000例标本，其中有56.88%标本性状识别为正常黄软便，糊状便占12.18%，黏液便占8.13%，血便所占比最少，为4.06%。数据表明粪便仪器的人工智能和大数据的检测原理对于粪便性状的检测识别率与结果的准确性达81.25%，复合临床检验仪器的识别率要求，这对检测人员的工作和效率具有不容忽视的帮助作用。表2.3中Kappa检测κ值为0.982，根据其分析标准，表明仪器与人工复核检测结果的一致性极强，符合率极高，已接近临床人工对粪便标本检测的准确性。这一点突出了检验对于临床的重要性，因为就临床医生而言粪便性状的检测结果不同所反映的疾病信息亦会有所不同。对于疾病的辅助诊断也有十分重要的作用，因为一般健康成人是黄褐色成形或条带状软便，婴幼儿与成人不同，常见的是黄绿色或金黄色糊状便。而检测时粪便的性状结果异常的有鲜血便，在诊断结肠癌、直肠息肉、肛裂及痔疮等相关疾病具有辅助作用；脓血便的疾病诊断多见于细菌性痢疾、阿米巴痢疾、溃疡性结肠炎、血吸虫病、结肠癌、肠结核等；黏液便常见于肠壁受刺激、直肠炎、肠痉挛；米汤样的粪便多考虑见于霍乱或副霍乱等相关疾病；乳凝块可能会考虑脂肪或酪蛋白消化不全、婴儿消化不良、婴儿腹泻等疾病；羊粪样粒便可能是痉挛性便秘；水样便则是消化不良、急性肠炎；细条状便可能是结肠紧张亢进、肛门狭窄或赘生物挤压；糊状便可能是假膜性肠炎、消化不良所导致。可见粪便性状检测十分重要，和疾病紧密相关。

粪便的性状检查对于疾病的诊断影响重大，使用全自动粪便分析仪对大便检测标准化的提升极为有利，而且有助于降低交叉感染率，实现人工检测生物安全风险的降低。随着大数据挖掘与分析等方法的逐渐成熟，人工智能技术已经在医疗领域广泛应用。甚至参与了检验工作的每个阶段，主要包括检测结果审定、样本处理以及形态学检验等工作中发挥关键作用，有助于减少由于主观判断造成的误差。是临床提高检验专业水平的质量要求得到满足，通过当前的人工智能和大数据原理的全自动仪器对性状进行识别和判断，对于检验科与科研实验室都提供了很好的便利，也减少了检验人员的劳动力，有力的推动了检验技术的应用,这些技术的应用也有效的提高了检验的工作效率。

4 结论

就本次探讨相关的检验科粪便常规检测而言，从形态学数据库进步到性状识别数据库的建立，实现了全面自动化的突破，性状识别结果准确性的保证，解决了人眼识别粪便性状的困扰，也是使用人工智能和大数据在粪便常规检查的一大突破。综上所述人工智能与大数据在标本检测以及粪便性状识别中应用趋于成熟，检测结果的准确性和识别率接近人工肉眼观看，且符合生物安全要求，值得在临床应用与推广。

未来医学发展道路中，人工智能和大数据不仅有诸多机遇，而且也面临很多挑战，在政策、技术以及市场全面支持下，牢牢把握现阶段的技术革命浪潮，紧抓机遇，在医疗行业各环节广泛应用人工智能和大数据技术，并和临床实践相结合，保证人工智能医疗设备能够应用于实际医疗工作中。由于5G时代的加持，大数据与人工智能技术能够被深入应用于医疗行业，可对各类医疗资源进行有效整合，谋求更为新颖的服务与发展模式。相信在未来，人工智能和大数据能够与医疗深入融合，最终造福人类社会。