人工智能在早期胃癌诊断和治疗中的应用现状及未来展望

李靓璐 刘军娜 石泽璇 牛琼

滨州医学院附属医院消化内科，滨州 256603

近年来，以卷积神经网络（CNN）为代表的深度学习模型发展迅速，广泛应用于诸多领域。医学生物数据的广泛可用性使人工智能（AI）在医学领域也得以崭露头角。在精准医疗时代，AI将辅助医生完成由数据收集转向数据分析，将数据转化成辅助临床操作有效工具，减少失误以提高诊断准确性，AI正在革新医疗方式。

胃癌是全球第五大恶性肿瘤，也是癌症相关死亡的第三大相关原因［1］。胃癌5年生存率为30%，大多数患者在最初诊断时已有局部扩散及转移。如果能在早期检测并诊断出胃癌，则可以进行根治性切除，从而将5年生存率提高到95%［2］。因此早期发现胃癌及癌前病变是提高生存率的关键。通常胃癌被认为是Correa级联的最后一步［3］。具体来说，这一步的进化始于慢性幽门螺杆菌感染，接着是萎缩、肠化（被认为是“不归路点”）和肿瘤。幽门螺杆菌感染是目前已知胃癌的最强生物因素。根据《亚太地区胃癌预防共识指南》提出，筛查及根除幽门螺杆菌可降低高危人群的胃癌发病率［4］。国际癌症研究机构（IARC）认为根除幽门螺杆菌来预防胃癌是合理的，并呼吁相关国家及地区将其纳入国家癌症控制计划［5］。在日本、韩国等胃癌高发地区的内镜检查可使胃癌病死率下降40%［6-8］。欧美等发病率较低地区因成本效益及缺乏经验丰富的内镜医生则重点关注具有癌前病变及胃癌家族史的高危患者的二级预防［9］。因此，为了进一步了解AI在胃癌发展各个阶段的相关进展作一综述。

AI与幽门螺杆菌感染

内镜检查有助于诊断幽门螺杆菌感染。白光内镜是消化内镜技术发展的基础，也是使用最广泛、最具临床价值的技术。在普通白光内镜下，幽门螺杆菌感染主要表现为黏液附着、弥漫性发红、点状发红、皱襞增粗、黏膜水肿、RAC消失、黏膜马赛克样改变或马赛克样改变伴中心或周围充血［10］。目前活体组织病理检查仍是诊断幽门螺杆菌感染的金标准，但以光学活体组织检查取代侵入性活体组织检查是我们的终极目标。2019年，Zheng等［11］为了评估CNN检验幽门螺杆菌感染的准确性进行了一项研究。实验共回顾性纳入1 959例患者，其中847例患者在胃活检和/或幽门螺杆菌呼气试验中记录了幽门螺杆菌感染。CNN对每位患者的多张胃图像的曲线下面积（AUC）、灵敏度、特异度和准确度分别为0.97、91.6%、98.6%和93.8%。这表明AI系统在诊断幽门螺杆菌感染性胃炎方面有着较高的准确性。随着各种内镜技术的发展，诊断方法的增加，也在实践中逐渐提高了幽门螺杆菌感染的检出能力。2020年，Nakashima等［13］发表研究，旨在开发一个计算机辅助诊断（CAD）系统，将患者的幽门螺杆菌感染状态分为3类：未感染状态（无幽门螺杆菌感染史）、当前感染状态、根除后状态。内窥镜数据用于开发两个不同的CAD系统，一个用于LCI（LCI-CAD），另一个用于WLI（WLI-CAD）图像。LCI是一种图像增强内镜技术，使用激光光源扩大不同病变黏膜之间的色差，有利于黏膜病变的识别［14］。对比显示，LCI-CAD数据的诊断准确率高于基于WLI-CAD的诊断准确率。另外一项单中心、前瞻性研究应用激光光源的图像增强内镜系统，其有两个激光光源，可以提供白光成像、蓝色激光成像和链接彩色成像。结果显示，AI系统辅助白光成像、蓝色激光成像和链接彩色成像内镜下诊断幽门螺杆菌感染性胃炎的AUC分别为0.66、0.96、0.95［22］。这表明AI系统辅助图像增强内镜检查可提高内镜下幽门螺杆菌感染性胃炎的检出率。以上研究可表明在AI辅助下光学活体组织检查取代侵入性活体组织检查具有较大潜力及临床应用价值。

AI与癌前病变

《中国胃黏膜癌前状态和癌前病变的处理策略专家共识（2020年）》指出［15］，胃黏膜萎缩和肠化生属于癌前状态，胃上皮内瘤变属于癌前病变，二者均有胃癌发生风险。胃黏膜萎缩、肠化生、胃上皮内瘤变是胃癌发生的独立危险因素，为胃癌的发生提供了基础条件［16］。在内镜检查中，胃肠道癌通常表现出典型的形态学特征，相比之下，癌前病变则很少表现出形态学变化，在内镜检查中进行病变的筛查需要耗费大量人力及时间，且严重依赖临床经验。内镜诊断萎缩性胃炎的灵敏度仅为42%，这就导致慢性萎缩性胃炎的漏诊率特别高。为提高慢性萎缩性胃炎的诊断率，Zhang等［17］构建并训练了一个CNN慢性萎缩性胃炎模型。共收集1 699例患者的5 470张胃窦图像来训练模型，根据病理结果，其中有3 042张图像描绘了萎缩性胃炎。通过反复交叉验证及与专家的诊断结果进行比较，结果示：CNN慢性萎缩性胃炎模型诊断萎缩性胃炎的准确度、灵敏度和特异度分别为0.942、0.945和0.940，均高于专家组。轻度、中度和重度萎缩性胃炎的检出率分别为93%、95%和99%。利用AI检出萎缩性胃炎的准确性和有效性被验证。2021年，Xu等［18］回顾性地将来自760名患者的6 200张内窥镜图像和来自77名接受图像增强内镜患者的98段视频片段被纳入研究。GA在内部测试集的诊断准确率为0.901，在多中心外部测试集的诊断准确率为0.864，在前瞻性视频测试集中的诊断准确率为0.878。而IM在内部测试集中的诊断准确率为0.908，在多中心外部测试集中为0.859，在前瞻性视频测试集中为0.898。CNN对胃癌前病变的诊断准确率高，与内镜专家相似。AI辅助消化内镜检查可提高癌前病变的检出率及效率。

AI与早期胃癌

胃镜及活组织检查是目前诊断胃癌的金标准。普通内镜适用于发现进展期胃癌，对早期胃癌的检出率较低，早期胃癌的发现更依赖于检查者的内镜操作经验和电子、化学染色及放大内镜设备［19］。然而针对胃癌高发地区而言，患者数量巨大、内镜医师数量短缺、内镜意识诊断早癌的技术和经验不足、先进内镜设备缺乏等问题均成为早期胃癌内镜下检出率提高的障碍。2019年，Li等［20］基于CNN来分析窄带成像放大内镜（ME-NBI）观察到的胃黏膜病变。结果CNN系统诊断早期胃癌的灵敏度、特异度和准确度分别为91.18%、90.64%和90.91%。CNN的诊断准确率与专家的诊断准确率差异无统计意义。然而，CNN的诊断灵敏度明显高于专家。此外，CNN的诊断灵敏度、特异度和准确度明显高于非专家组。从而可以窥见CNN系统可以在通过常规和放大内镜获得的图像上定量识别EGC。Horiuchi等［21］则利用ME-NBI获得的1 492张癌症图像和1 078张非癌症图像对CNN系统进行预训练。此外，使用174个视频（87个癌视频和87个非癌视频）评估CNN系统的诊断性能，结果CAD系统显示AUC为0.868 4，准确度、灵敏度、特异度、阳性预测值（PPV）和阴性预测值（NPV）分别为85.1%、87.4%、82.8%、83.5%和86.7%。CNN系统在实时诊断和使用视频图像描绘EGC方面显示出巨大潜力。AI联合染色内镜在多个研究中均显示出具有较高的早期胃癌检出率，具有较大的临床潜力。在实际应用中可有效辅助内镜医生进行内镜下早期胃癌的诊断及治疗。

早期胃癌有其独特的行为特点，既往传统的治疗以追求肿瘤根治的开腹胃切除及淋巴结清扫为主，但外科手术破坏了胃的正常生理结构，影响了胃的远期生理功能。随着近年来内镜技术的进步，内镜下治疗具有创伤小、恢复快、并发症少、费用低等优点。尽管内镜下治疗早期胃癌是大势所趋，但术前准确临床分期存在困难，且其操作依赖于经验丰富的内镜医师，存在一定的技术门槛。Zhu等［23］构建CNN模型对790幅胃癌内镜图像进行训练和学习，并对203幅胃癌图像进行测试，利用CNN系统判断胃癌的侵袭深度，其灵敏度与特异度分别是76.47%与95.56%，整体精准率是89.16%，其精准率与特异度都高于内镜医师。AI系统对肿瘤侵袭胃壁的深度有精准评估，可避免不必要的外科手术。

AI系统辅助消化内镜同时结合了计算机强大的学习能力、运算能力以及内镜专家的诊断能力，在胃癌发生的各个阶段均大幅提高了诊断的准确性及效率，极大地避免了内镜医师在诊治过程中的主观性偏倚。然而，当前对于AI辅助消化内镜的相关研究仍存在一定的局限性。首先，在于AI本身，一个AI系统的建立到临床应用，需要耗费大量人力、财力、物力，我国地区之间发展不平衡，难以大范围推广此项技术；第二，目前多数研究为回顾性研究，缺乏对于临床远期疗效的对比；第三，数据不足。患者数目众多，且个体差异较大，为进一步提高系统诊断的准确性，需要大量原始数据，当前研究多为单中心验证，缺乏多中心验证进一步评估其临床价值；第四，随着消化内镜技术的发展，内镜下早期胃癌的诊断不能仅依赖于白光内镜，多数情况需变换模式，目前尚无变换模式的计算机模型出现。总之，AI辅助消化内镜在早期胃癌的早诊、早治方面具有较高的临床价值及潜力。同时，此多种交叉学科的进步需要多学科专家的协同努力，仍需设计更多更加合理的试验。相信在不久的将来，AI辅助消化内镜检出早期胃癌可以越来越普遍地应用于临床，造福于患者，为患者提供更加个体化、精准化以及高性价比的治疗。