人工智能與大數(shù)據(jù)在糞便顏色及性狀識別中的應(yīng)用

李泉 劉釘賓* 李娟 魯廣州 葉婧雯

（1.重慶市長壽區(qū)人民醫(yī)院醫(yī)學(xué)檢驗(yàn)科 重慶市 401220 2.重慶大學(xué)航空航天學(xué)院 重慶市 400030）

（3.天海醫(yī)療設(shè)備有限公司 重慶市 401336）

臨床上糞便的性狀識別是理學(xué)檢測的重要部分，目前較多的醫(yī)院在糞便檢測時采用傳統(tǒng)的人工觀察性狀，《全國臨床檢驗(yàn)操作規(guī)程》（第4版）都是通過人工手法理學(xué)檢驗(yàn)糞便、鏡檢糞便有形成分以及糞便隱血試驗(yàn)。由此可以看出，糞便手工檢驗(yàn)操作已經(jīng)沿用了數(shù)十年，并未對其開展自動化儀器操作，也未深入、系統(tǒng)地對尿液、血液檢查進(jìn)行質(zhì)量監(jiān)控。近年來，隨著醫(yī)學(xué)檢驗(yàn)標(biāo)準(zhǔn)化與自動化的逐漸深入，自動化檢驗(yàn)糞便是未來發(fā)展的必然趨勢，但目前全自動糞便分析儀糞便常規(guī)檢查尚無行業(yè)標(biāo)準(zhǔn)。另外，采用手工鏡檢往往生物安全風(fēng)險比較高，檢驗(yàn)人員也會因?yàn)闃?biāo)本氣味與形狀而形成排斥心理，手工鏡檢也具有較大勞動強(qiáng)度，檢出率比較低，極易出現(xiàn)交叉感染的情況，由此就會對該檢測項(xiàng)目的實(shí)際應(yīng)用造成限制。此外，在生物安全方面亦是臨床考慮的一大痛點(diǎn)問題?，F(xiàn)如今隨著科技的不斷發(fā)展與進(jìn)步，人工智能因云計(jì)算、互聯(lián)網(wǎng)以及大數(shù)據(jù)等現(xiàn)代技術(shù)的全面開展，而屢屢取得突破性進(jìn)展。已然在醫(yī)學(xué)領(lǐng)域起到了舉足輕重的作用，本文就重慶天海全自動糞便分析儀（DBFJ-1000）對患者糞便顏色及性狀的識別結(jié)果進(jìn)行相關(guān)探討。

1 材料與方法

1.1 一般資料

利用全自動糞便分析儀（DBFJ-1000）對2019年3月到2019年10月，在重慶市長壽區(qū)人民醫(yī)院就診患者的糞便進(jìn)行分析，所有研究患者均無其他條件限制。

1.2 儀器與試劑

重慶天海醫(yī)療設(shè)備有限公司提供的全自動糞便分析儀（DBFJ-1000，渝械注準(zhǔn)20192220208）及配套使用的糞便樣本處理杯。

1.3 原理

全自動糞便分析儀（DBFJ-1000）采用醫(yī)學(xué)上常用的布里斯托大便分類法結(jié)合AI性狀識別系統(tǒng)，以AI性狀識別為基礎(chǔ)的靶向掃描技術(shù)，采用深度學(xué)習(xí)和經(jīng)典算法不斷的優(yōu)化和擴(kuò)充數(shù)據(jù)庫，提高性狀識別的準(zhǔn)確性。

糞便性狀圖像識別的特征提取原理：圖像矩陣在通過卷積核相應(yīng)卷積操作后獲得第二圖像矩陣，該矩陣被稱為“特征映射”（英文名為feature map）。各卷積核均可將其特定特征提取出來，而且不同卷積核所提取特征也有所差異。比如說，輸入糞便圖像一張，通過卷積核將糞便顏色特征提取出來，但要用另外的卷積核對糞便輪廓特征進(jìn)行提取。特征映射其實(shí)是圖像在卷積運(yùn)算之后所得特征值矩陣。

單個的卷積核只能提取單一的特征，多層的特征提取可以從各個維度獲取豐富的特征用于分類計(jì)算。多層卷積組成了深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，也就是特征提取網(wǎng)絡(luò)。以VGG16模型為例（見圖1），能夠清洗觀察到該神經(jīng)網(wǎng)絡(luò)對任意大小、形狀P×Q的圖像，先將圖像縮小到M×N的固定大小，再向神經(jīng)網(wǎng)絡(luò)輸送M×N圖像。Conv layers內(nèi)含有Conv層共13個，另有pooling層4個、relu層13個。對于RPN網(wǎng)絡(luò)，先通過3×3卷積，其次生成positive anchors與相對應(yīng)的bounding box regression偏移量，最后將proposals計(jì)算出來。Roi Pooling層主要是通過proposals將proposal feature提取出并送入后續(xù)網(wǎng)絡(luò)，以作相應(yīng)的分類預(yù)測。

圖1：VGG16模型圖

Conv層：卷積計(jì)算，提取特征。

Pooling層：也就是池化層，通過池化的方式能夠縮小比較大規(guī)格的圖像，而且也能夠?qū)D像信息保留下來。

Relu層：也就是激活層，此為非常微小且必不可少的操作，被稱為Relu (全稱為Rectified Linear Units)，也叫作修正線性單元。在輸入負(fù)值方面，輸出全為0，對于正值，原樣輸出。

Full connection層：全連接層，特征與卷積核做完整的卷積運(yùn)算。

RPN（Region Proposal Networks）：RPN網(wǎng)絡(luò)生成預(yù)選檢測框，并通過Softmax分類獲得目標(biāo)和背景分類的預(yù)選檢測框，排除點(diǎn)背景檢測框，將獲得的目標(biāo)檢測框進(jìn)行分類預(yù)測。

分類預(yù)測：分類預(yù)測部分利用已經(jīng)獲得的feature maps，利用Softmax和full connection層對proposal的所屬類別進(jìn)行計(jì)算，比方說粘液狀、黃褐色、硬塊狀等，并對cls.prob概率向量進(jìn)行有效輸出。在通過bounding box regression將各proposal偏移量獲取出來，主要用于目標(biāo)檢測框的回歸。

學(xué)習(xí)機(jī)制（即反向傳播算法BP）：屬于反向傳播類別，即比較真實(shí)值與預(yù)測值，并折返對網(wǎng)絡(luò)參數(shù)進(jìn)行修改的過程，最初對卷積核參數(shù)進(jìn)行隨機(jī)初始化，并在誤差指導(dǎo)下采用反向傳播算法，實(shí)現(xiàn)卷積核最終數(shù)值的自動適應(yīng)，以獲得最小化模型真實(shí)數(shù)值與預(yù)測數(shù)值的誤差。

分析方法：對儀器檢測所得結(jié)果進(jìn)行統(tǒng)計(jì)，并對其結(jié)果進(jìn)行分析與討論。

1.4 方法

將所有就診患者自行采集的1.6萬個糞便標(biāo)本，用全自動糞便分析儀（DBFJ-1000）進(jìn)行AI自動性狀識別，嚴(yán)格按照儀器操作說明書進(jìn)行操作。每個糞便標(biāo)本進(jìn)行人工復(fù)查，對兩組數(shù)據(jù)進(jìn)行分析。

1.5 統(tǒng)計(jì)及分析

對AI和人工檢測所得13000例有效性結(jié)果，以SPSS19.0統(tǒng)計(jì)軟件對兩組結(jié)果實(shí)施kappa一致性檢驗(yàn)，判定一致性強(qiáng)度指標(biāo)為：Kappa系數(shù)被Koch與Landis進(jìn)行了六個區(qū)段的劃分，代表著不同強(qiáng)弱程度。如果κ小于0，則表示一致性強(qiáng)度非常差；如果κ的區(qū)間在0~0.2，則表示一致性強(qiáng)度微弱；如果κ的區(qū)間在0.21~0.40，則表示一致性強(qiáng)度弱；如果κ的區(qū)間在0.41~0.60，則表示一致性強(qiáng)度居中；如果κ的區(qū)間在0.61~0.80，則表示一致性強(qiáng)度較高；如果κ的區(qū)間在0.81~1.00，則表示一致性強(qiáng)度非常強(qiáng)。

2 結(jié)果

2.1 AI識別16000個標(biāo)本結(jié)果比例統(tǒng)計(jì)

從表1中可見：全自動糞便分析儀（DBFJ-1000）所檢測的16000例標(biāo)本中有56.88%標(biāo)本性狀識別為正常黃軟便，黃稀便占12.18%，黏液便占8.13%，膿血便所占比最少，占4.06%。另有18.75%的檢測標(biāo)本無法識別，可能原因?yàn)椴蓸颖瓋?nèi)存在霧氣等影響識別效果。

表1： AI識別與未識別結(jié)果統(tǒng)計(jì)表

2.2 13000個標(biāo)本AI與人工識別符合率

從表2中可見：對13000個糞便標(biāo)本，以人工復(fù)檢為金標(biāo)準(zhǔn)，儀器利用AI和大數(shù)據(jù)對大便的顏色及性狀進(jìn)行識別，黃軟便的識別符合率為100%，黃稀便為94.72%，膿血便為98.77%，黏液便為100%。

表2： 13000個標(biāo)本AI與人工識別符合率

2.3 13000個有效案例對稱度量統(tǒng)計(jì)分析

從表3中可見：對統(tǒng)計(jì)的13000個有效案例進(jìn)行kappa一致性檢驗(yàn)，Kappa值為0.982，漸進(jìn)標(biāo)準(zhǔn)誤差a為0.002，近似值Tb為164.054，近似值Sig.為0.000。

表3：13000個有效案例對稱度量統(tǒng)計(jì)分析

3 討論

作為臨床常規(guī)檢查項(xiàng)目，糞便檢查對診斷消化道出血、防治腸道傳染病以及篩查消化道腫瘤等發(fā)揮著重要作用。檢測糞便主要包括化學(xué)檢測、理學(xué)檢測以及有形成分檢測，其中最關(guān)鍵的就是理學(xué)檢測，臨床醫(yī)生根據(jù)檢測結(jié)果中糞便的性狀與特點(diǎn)，能夠?qū)颊卟∏樽龀龀醪搅私?，以此判斷出患者的胰腺外分泌功能。除此之外，大便性狀和大便在腸道內(nèi)停留的時間密切相關(guān)，因此可通過大便判斷患者所吃食物在腸道內(nèi)的停留時間。

現(xiàn)階段，國內(nèi)醫(yī)學(xué)影像數(shù)據(jù)的年增長率超過30%，每年因?yàn)檎`診而導(dǎo)致病情延誤的患者高達(dá)5700萬/人次，且大多在基層社會發(fā)生，我國放射科醫(yī)生比較少，醫(yī)生年增長速率比較低，大約在4.7%，明顯低于影像數(shù)據(jù)增長速率。人工智能與大數(shù)據(jù)背景下，醫(yī)學(xué)影像在臨床檢查中應(yīng)用頻率逐漸提高，將現(xiàn)代影響檢測技術(shù)應(yīng)用于醫(yī)學(xué)影像診斷中，通過計(jì)算機(jī)視覺技術(shù)有助于以下三大醫(yī)學(xué)影像需求的解決：

（1）患者病灶的識別和標(biāo)注；

（2）靶區(qū)勾畫和放射治療；

（3）影像三維重建。

醫(yī)學(xué)影像技術(shù)的原理步驟主要分為兩大階段：第一階段為圖像識別，主要包括匹配判斷、圖像預(yù)處理以及特征提取等，由此獲得定量級高質(zhì)量數(shù)據(jù)。第二階段屬于深度學(xué)習(xí)，將定量級醫(yī)學(xué)數(shù)據(jù)當(dāng)作深度學(xué)習(xí)模型，對模型進(jìn)行深入訓(xùn)練與優(yōu)化，從而得出精準(zhǔn)判斷。數(shù)據(jù)統(tǒng)計(jì)發(fā)現(xiàn)，截止到2021年，我國醫(yī)學(xué)人工智能企業(yè)大約在150多家，其中有78家涉及到醫(yī)學(xué)影像，騰訊、阿里巴巴、科大訊飛以及百度等企業(yè)先后涌入醫(yī)學(xué)影像領(lǐng)域，由此可見，醫(yī)學(xué)影像是人工智能醫(yī)療應(yīng)用的一個熱門領(lǐng)域。本研究中應(yīng)用人工智能和大數(shù)據(jù)檢測糞便的顏色與形狀等，對13000個糞便標(biāo)本，以人工復(fù)檢為金標(biāo)準(zhǔn)，儀器利用AI和大數(shù)據(jù)對大便的顏色及性狀進(jìn)行識別，黃軟便的識別符合率為100%，黃稀便為94.72%，膿血便為98.77%，黏液便為100%。對統(tǒng)計(jì)的13000個有效案例進(jìn)行kappa一致性檢驗(yàn)，Kappa值為0.982，漸進(jìn)標(biāo)準(zhǔn)誤差a為0.002，近似值Tb為164.054，近似值Sig.為0.000?？梢娙斯ぶ悄芎痛髷?shù)據(jù)檢測糞便的識別符合率比較高，而且檢測誤差比較小。采用AI醫(yī)學(xué)影像技術(shù)，能夠?qū)︶t(yī)療機(jī)構(gòu)進(jìn)行全面覆蓋，實(shí)現(xiàn)影像數(shù)據(jù)的跨區(qū)域整合，互聯(lián)網(wǎng)環(huán)境下，能夠?qū)崿F(xiàn)實(shí)時圖像后處理、圖像調(diào)閱以及遠(yuǎn)程會診等諸多功能，有助于改善醫(yī)療資源配置失衡的矛盾，對我國醫(yī)學(xué)衛(wèi)生制度改革具有推動作用。

根據(jù)數(shù)據(jù)統(tǒng)計(jì)與分析，發(fā)現(xiàn)全自動糞便分析儀（DBFJ-1000）所檢測的16000例標(biāo)本，其中有56.88%標(biāo)本性狀識別為正常黃軟便，糊狀便占12.18%，黏液便占8.13%，血便所占比最少，為4.06%。數(shù)據(jù)表明糞便儀器的人工智能和大數(shù)據(jù)的檢測原理對于糞便性狀的檢測識別率與結(jié)果的準(zhǔn)確性達(dá)81.25%，復(fù)合臨床檢驗(yàn)儀器的識別率要求，這對檢測人員的工作和效率具有不容忽視的幫助作用。表2.3中Kappa檢測κ值為0.982，根據(jù)其分析標(biāo)準(zhǔn)，表明儀器與人工復(fù)核檢測結(jié)果的一致性極強(qiáng)，符合率極高，已接近臨床人工對糞便標(biāo)本檢測的準(zhǔn)確性。這一點(diǎn)突出了檢驗(yàn)對于臨床的重要性，因?yàn)榫团R床醫(yī)生而言糞便性狀的檢測結(jié)果不同所反映的疾病信息亦會有所不同。對于疾病的輔助診斷也有十分重要的作用，因?yàn)橐话憬】党扇耸屈S褐色成形或條帶狀軟便，嬰幼兒與成人不同，常見的是黃綠色或金黃色糊狀便。而檢測時糞便的性狀結(jié)果異常的有鮮血便，在診斷結(jié)腸癌、直腸息肉、肛裂及痔瘡等相關(guān)疾病具有輔助作用；膿血便的疾病診斷多見于細(xì)菌性痢疾、阿米巴痢疾、潰瘍性結(jié)腸炎、血吸蟲病、結(jié)腸癌、腸結(jié)核等；黏液便常見于腸壁受刺激、直腸炎、腸痙攣；米湯樣的糞便多考慮見于霍亂或副霍亂等相關(guān)疾病；乳凝塊可能會考慮脂肪或酪蛋白消化不全、嬰兒消化不良、嬰兒腹瀉等疾病；羊糞樣粒便可能是痙攣性便秘；水樣便則是消化不良、急性腸炎；細(xì)條狀便可能是結(jié)腸緊張亢進(jìn)、肛門狹窄或贅生物擠壓；糊狀便可能是假膜性腸炎、消化不良所導(dǎo)致?？梢娂S便性狀檢測十分重要，和疾病緊密相關(guān)。

糞便的性狀檢查對于疾病的診斷影響重大，使用全自動糞便分析儀對大便檢測標(biāo)準(zhǔn)化的提升極為有利，而且有助于降低交叉感染率，實(shí)現(xiàn)人工檢測生物安全風(fēng)險的降低。隨著大數(shù)據(jù)挖掘與分析等方法的逐漸成熟，人工智能技術(shù)已經(jīng)在醫(yī)療領(lǐng)域廣泛應(yīng)用。甚至參與了檢驗(yàn)工作的每個階段，主要包括檢測結(jié)果審定、樣本處理以及形態(tài)學(xué)檢驗(yàn)等工作中發(fā)揮關(guān)鍵作用，有助于減少由于主觀判斷造成的誤差。是臨床提高檢驗(yàn)專業(yè)水平的質(zhì)量要求得到滿足，通過當(dāng)前的人工智能和大數(shù)據(jù)原理的全自動儀器對性狀進(jìn)行識別和判斷，對于檢驗(yàn)科與科研實(shí)驗(yàn)室都提供了很好的便利，也減少了檢驗(yàn)人員的勞動力，有力的推動了檢驗(yàn)技術(shù)的應(yīng)用,這些技術(shù)的應(yīng)用也有效的提高了檢驗(yàn)的工作效率。

4 結(jié)論

就本次探討相關(guān)的檢驗(yàn)科糞便常規(guī)檢測而言，從形態(tài)學(xué)數(shù)據(jù)庫進(jìn)步到性狀識別數(shù)據(jù)庫的建立，實(shí)現(xiàn)了全面自動化的突破，性狀識別結(jié)果準(zhǔn)確性的保證，解決了人眼識別糞便性狀的困擾，也是使用人工智能和大數(shù)據(jù)在糞便常規(guī)檢查的一大突破。綜上所述人工智能與大數(shù)據(jù)在標(biāo)本檢測以及糞便性狀識別中應(yīng)用趨于成熟，檢測結(jié)果的準(zhǔn)確性和識別率接近人工肉眼觀看，且符合生物安全要求，值得在臨床應(yīng)用與推廣。

未來醫(yī)學(xué)發(fā)展道路中，人工智能和大數(shù)據(jù)不僅有諸多機(jī)遇，而且也面臨很多挑戰(zhàn)，在政策、技術(shù)以及市場全面支持下，牢牢把握現(xiàn)階段的技術(shù)革命浪潮，緊抓機(jī)遇，在醫(yī)療行業(yè)各環(huán)節(jié)廣泛應(yīng)用人工智能和大數(shù)據(jù)技術(shù)，并和臨床實(shí)踐相結(jié)合，保證人工智能醫(yī)療設(shè)備能夠應(yīng)用于實(shí)際醫(yī)療工作中。由于5G時代的加持，大數(shù)據(jù)與人工智能技術(shù)能夠被深入應(yīng)用于醫(yī)療行業(yè)，可對各類醫(yī)療資源進(jìn)行有效整合，謀求更為新穎的服務(wù)與發(fā)展模式。相信在未來，人工智能和大數(shù)據(jù)能夠與醫(yī)療深入融合，最終造福人類社會。