深度學(xué)習技術(shù)在胃腸鏡診斷中應(yīng)用研究進展

姜良慧　周長宏

[摘要]深度學(xué)習（DL）為目前主流的人工智能圖像識別方法，在醫(yī)療領(lǐng)域受到越來越多關(guān)注。DL技術(shù)通過對海量訓(xùn)練數(shù)據(jù)中的原始特征進行表征分析，構(gòu)建多隱層的機器學(xué)習模型，模擬腦神經(jīng)元活動，最后計算機輸出單一的診斷結(jié)果。本文結(jié)合國內(nèi)外研究成果，介紹DL在Barrett食管、食管癌、幽門螺旋桿菌感染、胃癌、結(jié)腸息肉等方面的應(yīng)用，以及DL在胃腸鏡診斷中存在的不足及未來發(fā)展前景。

[關(guān)鍵詞] 人工智能;機器學(xué)習;診斷，計算機輔助;胃鏡檢查;結(jié)腸鏡檢查;綜述

[中圖分類號] R319

[文獻標志碼] A

[文章編號] 2096-5532（2020）03-0373-06

doi：10.11712/jms.2096-5532.2020.56.076

[開放科學(xué)（資源服務(wù)）標識碼（OSID）]

[網(wǎng)絡(luò)出版] http：//kns.cnki.net/kcms/detail/37.1517.R.20200417.0906.002.html;2020-04-18 15：26

RESEARCH ADVANCES IN THE APPLICATION OF DEEP LEARNING TECHNOLOGY IN DIAGNOSIS USING GASTROINTESTINAL ENDOSCOPY

JIANG Lianghui， ZHOU Changhong

（Health Care Section， The Affiliated Qingdao Municipal Hospital of Qingdao University， Qingdao 266003， China）

[ABSTRACT]

Deep learning， as the mainstream artificial intelligence image recognition method， has attracted more and more attention in the medical field. Through a characterization analysis of the original features of massive training data， deep lear-

ning technology can build a machine learning model with multiple hidden layers， simulate the activity of cerebral neurons， and finally give a single diagnostic result via computer. With reference to related research findings in China and foreign countries， this article introduces the application of deep learning technology in Barretts esophagus， esophageal cancer， Helicobacter pylori infection， gastric cancer， and colonic polyps， as well as its shortcomings and

future prospects in diagnosis with gastrointestinal endoscopy.

[KEY WORDS]artificial intelligence; machine learning; diagnosis， computer-assisted; gastroscopy; colonoscopy; review

消化內(nèi)鏡技術(shù)是診斷胃腸道疾病的重要手段，普通白光內(nèi)鏡在觀察黏膜淺表血管、組織形態(tài)變化方面已無法滿足臨床需求。隨著窄帶成像放大內(nèi)鏡、智能分光比色技術(shù)、共聚焦激光顯微內(nèi)鏡等較為先進內(nèi)鏡技術(shù)應(yīng)用于臨床，內(nèi)鏡成像包含越來越多的復(fù)雜信息，內(nèi)鏡圖像的解讀成為一項具有挑戰(zhàn)性工作。隨著信息技術(shù)快速發(fā)展，深度學(xué)習（DL）在醫(yī)療領(lǐng)域受到越來越多的關(guān)注，計算機輔助診斷（CAD）胃腸道疾病成為一項熱門的研究課題。通過分析提取疾病信息載體的內(nèi)鏡圖像數(shù)據(jù)特征，CAD可提高臨床醫(yī)生執(zhí)行醫(yī)療任務(wù)能力，并有效提升診斷準確率，進而指導(dǎo)治療、評估預(yù)后。目前，DL已在內(nèi)鏡下診斷Barrett食管、食管癌、幽門螺旋桿菌（Hp）感染、胃癌、結(jié)腸息肉等方面取得一定成果，未來在胃腸病學(xué)中應(yīng)用范圍將進一步擴大。本文對國內(nèi)外關(guān)于DL在Barrett食管、食管癌、Hp感染、胃癌、結(jié)腸息肉等方面應(yīng)用，以及DL在胃腸鏡診斷中存在的不足及未來發(fā)展前景研究進展進行綜述。

1 DL概述

人工智能以人類智慧為基礎(chǔ)，通過技術(shù)手段設(shè)定特定的程序使計算機模擬人類的某些行為或思維過程，致力于實現(xiàn)智能行為自動化。當人工智能與臨床胃腸鏡成像技術(shù)結(jié)合時，往往面對大量圖像數(shù)據(jù)需要進行深度挖掘、剖析內(nèi)鏡圖像數(shù)據(jù)與疾病診斷之間的關(guān)聯(lián)。CAD是借助計算機算法及圖形處理技術(shù)進行內(nèi)鏡圖像預(yù)處理、提取圖像特征、處理數(shù)據(jù)、得出診斷結(jié)果的一種先進技術(shù)[1]。

DL是目前主流的人工智能實現(xiàn)方法，其實質(zhì)是通過構(gòu)建多隱層的機器學(xué)習模型和海量的訓(xùn)練數(shù)據(jù)，對數(shù)據(jù)中的原始特征進行表征學(xué)習，組合低層特征形成抽象高層表示屬性類別或特征[2]。作為建立、模擬人腦神經(jīng)結(jié)構(gòu)進行分析學(xué)習的神經(jīng)網(wǎng)絡(luò)，DL具有較強的建模和推理能力，善于利用計算機算法挖掘、提取原始圖像數(shù)據(jù)中包含的抽象原始特征，通過一系列的復(fù)雜函數(shù)算法解釋醫(yī)學(xué)圖像，邏輯模擬計算機在腦神經(jīng)元中的結(jié)構(gòu)活動，實現(xiàn)計算機輸出單一診斷結(jié)果[3]。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種經(jīng)典而廣泛應(yīng)用DL模型，擅長處理圖像尤其是復(fù)雜圖像相關(guān)的學(xué)習問題。CNN充分挖掘高維數(shù)據(jù)中的內(nèi)在結(jié)構(gòu)，通過卷積來模擬特征區(qū)分，基于卷積的權(quán)值共享及池化，降低圖像參數(shù)的數(shù)量級，對復(fù)雜的圖像數(shù)據(jù)自發(fā)進行降維處理，減少訓(xùn)練參數(shù)數(shù)目，使圖像學(xué)習模型對縮放、平移、扭曲在一定程度上具有不變性、較強的魯棒性和容錯能力，優(yōu)化模型訓(xùn)練，自發(fā)地從原始圖像數(shù)據(jù)中獲得特征的表達[4]。CNN在DL領(lǐng)域是一個“端到端”

圖像分類模型，即輸入原始內(nèi)鏡圖像，輸出內(nèi)鏡下診斷疾病類別[5]。

2 DL技術(shù)在胃腸鏡診斷中的應(yīng)用

2.1 Barrett食管

Barrett食管是食管腺癌潛在的風險因子，絕大部分的指南均建議對可疑Barrett食管的病人進行“每隔2 cm四象限活檢”[6]，然而目前異常增生病變區(qū)域活檢的靈敏度僅為64%[7]。目前以DL為基礎(chǔ)的CAD已研發(fā)用于自動識別Barrett食管及Barrett食管中癌變部位的技術(shù)。

2015年，VAN DER SOMMEN等[8]設(shè)計了機器學(xué)習常規(guī)內(nèi)鏡圖像下特殊紋理、顏色濾過的計算機算法，識別早期Barrett食管病變區(qū)域的每圖像分析的靈敏度和特異度均為83%。該小組又基于容積式激光顯微內(nèi)鏡（VLE）成像技術(shù)開發(fā)了CAD模型，利用分層、信號強度分析、分層與信號衰減統(tǒng)計等計算機算法，分別將60張Barrett食管病人高質(zhì)量離體VLE圖像進行體外交叉驗證，結(jié)果顯示“分層與信號衰減統(tǒng)計”性能最優(yōu)，受試者工作特征曲線下面積（AUC）為0.95，靈敏度為90%，特異度為93%[9]。DE GROOF等[10]就DL的CAD系統(tǒng)輔助內(nèi)鏡醫(yī)生識別Barrett食管展開研究，前瞻性收集經(jīng)組織學(xué)驗證的60例Barrett食管病人內(nèi)鏡圖像，病變圖像由6位專家獨立評估，在線軟件描繪病變區(qū)域，利用DL的監(jiān)督學(xué)習技術(shù)，識別病變區(qū)域相關(guān)組織顏色、紋理，以求高精度檢測和定位Barrett食管癌變部位，結(jié)果顯示系統(tǒng)輔助診斷Barrett食管癌變的靈敏度為95%，特異度為85%，準確率為92%。

2.2 食管癌

食管癌作為所有癌癥中第六大死亡原因，病人5年生存率僅15%～20%[11]。最近一項大型回顧性、多中心隊列研究表明，早期食管癌漏診率約為6.4%[12]，早期食管癌癥狀的非特異性導(dǎo)致50%的病人確診時無法行手術(shù)治療或已有遠處轉(zhuǎn)移[13]。早期食管癌的篩查與診治是提高食管癌病人預(yù)后的有效途徑。胃鏡檢查為食管癌及癌前病變篩查的常規(guī)手段，有效提高內(nèi)鏡篩查的靈敏度與診斷的準確率尤為重要。目前已有內(nèi)鏡下食管癌智能識別、浸潤深度判定及光學(xué)病理學(xué)預(yù)測等方面的研究。

SHIN等[14]就高分辨率顯微內(nèi)鏡（HRME）下食管鱗狀細胞癌（ESCC）的CAD展開定量研究，組織病理學(xué)輔助驗證，結(jié)果顯示獨立驗證組輔助診斷ESCC的靈敏度、特異度和AUC分別為84%、95%和0.93。HORIE等[15]采用單發(fā)多盒檢測（SSD）DL神經(jīng)網(wǎng)絡(luò)架構(gòu)，開發(fā)了常規(guī)內(nèi)鏡圖像下智能識別食管癌的CNN模型，該系統(tǒng)用時27 s快速分析1 118張驗證集圖像，靈敏度和準確率均達98%。GHATWARY等[16]基于CNN就高清白光內(nèi)鏡（HD-WLE）圖像自動識別食管腺癌（EAC）構(gòu)建CAD模型，系統(tǒng)自動檢測和診斷EAC的靈敏度為96%，特異度為92%。EBIGBO等[17]報道，利用CAD-DL評估早期EAC的靈敏度為97%，特異度為88%。GUO等[18]開發(fā)CAD食管癌前病變及早期ESCC系統(tǒng)，利用6 473張癌前病變、早期ESCC和非癌性病變的窄帶成像對CAD模型進行訓(xùn)練，通過內(nèi)鏡圖像集、視頻數(shù)據(jù)集進行驗證，圖像檢測的靈敏度和特異度分別為98.04%和95.03%，AUC為0.989。對于27個非放大視頻數(shù)據(jù)集，每幀靈敏度60.8%，每病變靈敏度（定義為至少在視頻一幀中通過算法正確檢測到病變的百分比）為100%;而對于20個放大視頻，每幀靈敏度為96.1%，每病變靈敏度為100%;未改變?nèi)L的33個食管內(nèi)鏡視頻每幀特異度為99.9%，每病變特異度為90.9%。以上研究通過分析存儲的內(nèi)鏡圖像，為實時內(nèi)鏡檢查快速識別食管癌奠定了基礎(chǔ)。

KUMAGAI等[19]基于細胞內(nèi)鏡系統(tǒng)（ECS）應(yīng)用DL實現(xiàn)虛擬組織學(xué)診斷，就“光學(xué)活檢”替代ESCC活組織檢查展開研究，結(jié)果顯示，系統(tǒng)17 s分析1 520張獨立訓(xùn)練集內(nèi)鏡圖像，正確識別27例ESCC中25例病變，總體靈敏度為92.6%;準確識別28例良性食管病變中25例非癌性病變，特異度為89.3%，準確率為90.9%，提示在無組織學(xué)活檢情況下診斷ESCC有望成為可能。

NAKAGAWA等[20]采用SSD架構(gòu)，利用深度神經(jīng)網(wǎng)絡(luò)分析ESCC浸潤深度構(gòu)建了CAD系統(tǒng)。CAD相較于16名經(jīng)驗豐富的內(nèi)鏡醫(yī)生使用相同的驗證集驗證結(jié)果，靈敏度分別為90.1%、89.8%，特異度分別為95.8%、88.3%，陽性預(yù)測值分別為99.2%、97.9%，陰性預(yù)測值分別為63.9%、65.5%，系統(tǒng)區(qū)分黏膜下深層、黏膜層及黏膜淺層浸潤的準確率達91%。該研究結(jié)果表明，新開發(fā)的人工智能-CAD系統(tǒng)診斷食管癌浸潤深度與經(jīng)驗豐富的內(nèi)鏡醫(yī)生相當。

2.3 Hp感染

Hp感染可使部分病人發(fā)生胃黏膜萎縮和腸上皮化生，兩者均會增加胃癌罹患風險。常規(guī)內(nèi)鏡下結(jié)節(jié)狀胃炎高度提示Hp感染，放大內(nèi)鏡和窄帶成像可觀察Hp感染特殊征象，包括胃小凹和（或）匯集小靜脈、上皮下毛細血管網(wǎng)等改變。WATANABE等[21]報道，內(nèi)鏡下Hp感染診斷陽性率為62.1%，Hp未感染為88.9%，Hp根除率為55.8%。人工智能可提高內(nèi)鏡下識別Hp感染的準確率，減少漏診。

SHICHIJO等[22]研究應(yīng)用22層深度神經(jīng)網(wǎng)絡(luò)架構(gòu)GoogLeNet，通過包含超過1 400萬張圖像的ImageNet數(shù)據(jù)庫進行預(yù)訓(xùn)練，學(xué)習圖像特征，實現(xiàn)遷移學(xué)習過程。共納入32 208張圖片構(gòu)建了CAD的Hp感染模型，11 481張圖片評估模型，CAD與23名內(nèi)鏡醫(yī)師手動診斷同步進行，CAD診斷Hp感染的靈敏度、特異度、準確率、

診斷時間分別為88.9%、

87.4%、87.7%、194 s，而內(nèi)鏡醫(yī)師則分別為79.0%、83.2%、82.4%、（230±65）min。ITOH等[23]開發(fā)了基于CNN的智能識別Hp感染的CAD模型，檢測Hp感染的靈敏度和特異度均為86.7%，AUC為0.956。ZHENG等[24]結(jié)合CNN模型（RESNET-50）評估Hp感染，研究納入1 959例病人的15 484張上消化道內(nèi)鏡圖像集作為訓(xùn)練及驗證集，系統(tǒng)識別單個內(nèi)鏡圖像的準確率為84.5%，靈敏度為81.4%，特異度為90.1%，AUC為0.93。SHICHIJO等[25]就常規(guī)內(nèi)鏡圖像應(yīng)用CAD評估Hp感染狀態(tài)進行試驗研究，

試驗納入98 546張內(nèi)鏡圖像作為算法預(yù)訓(xùn)練數(shù)據(jù)集，系統(tǒng)以261 s快速分析23 699張單獨測試數(shù)據(jù)集，Hp陰性的診斷準確率約為80%，Hp陽性約為48%，Hp根除狀態(tài)約為84%。該結(jié)果提示CAD模型在一定程度上可對Hp感染狀態(tài)進行有效預(yù)測。NAKASHIMA等[26]利用圖像增強內(nèi)鏡（IEE）設(shè)計了基于DL算法預(yù)測Hp感染狀態(tài)的前瞻性研究，222例受試者依次拍攝普通白光（WLI）、增強藍激光成像（BLI-bright）、聯(lián)動成像內(nèi)鏡（LCI）3種不同的IEE光源模式圖像，以血清學(xué)Hp抗體驗證，

研究結(jié)果顯示W(wǎng)LI、BLI-Bright及LCI的AUC分別為

0.66、0.96、0.95，BLI-Bright、LCI所獲得的AUC顯著大于WLI。

2.4 胃癌

目前我國早期胃癌的診斷率不足10%，遠低于日本的50%～70%[27]。胃癌的早期識別主要存在兩大問題：①早期胃癌常常表現(xiàn)為微小的平坦、隆起或凹陷，內(nèi)鏡下準確識別十分困難;②內(nèi)鏡下胃癌浸潤深度判定困難。利用CAD早期胃癌及癌前病變、判斷胃癌浸潤深度的研究已有報道。2013年，MIYAKI等[28]開發(fā)了基于放大內(nèi)鏡智能分光比色技術(shù)（FICE）的早期胃癌定量分析系統(tǒng)，其總體準確率達85.9%。隨后，該團隊基于BLI進行早期胃癌的定量分析研究，可有效地區(qū)分早期胃癌、癌癥周圍組織炎癥、胃炎[29]。2018年，KANESAKA等[30]開發(fā)了結(jié)合窄帶成像放大內(nèi)鏡（ME-NBI）計算機輔助識別胃癌、劃定胃癌邊界的軟件，該系統(tǒng)識別胃癌準確率高達96.3%，界定胃癌病變區(qū)域的準確率達73.8%。

2018年，HIRASAWA等[3]首次報道了常規(guī)內(nèi)鏡下基于CNN實現(xiàn)胃癌的自動檢測，CNN診斷系統(tǒng)47 s可分析2 296張測試圖像，總體靈敏度達92.2%，直徑≥6 mm侵襲性病灶靈敏度為98.6%。次年，WU等[31]采用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）架構(gòu)，開發(fā)了無盲點早期胃癌的內(nèi)鏡檢測、智能識別胃鏡圖像解剖位置系統(tǒng)，早期胃癌智能識別的準確率為92.5%，優(yōu)于同期各級內(nèi)鏡醫(yī)生的診斷能力;細分胃解剖部位為10部位或26部位，CAD參照胃鏡圖像確定其解剖部位的準確率分別為90.0%或65.9%，與內(nèi)鏡醫(yī)生表現(xiàn)相當。LUO等[32]開展了一項多中心、病例對照、診斷性研究，研究對象來自中山大學(xué)癌癥中心聯(lián)合5家醫(yī)院，行內(nèi)鏡下上消化道癌癥（食管癌、胃癌）檢測，收集了84 424例病人的1 036 469幅內(nèi)鏡圖像完成系統(tǒng)開發(fā)測試，其內(nèi)部驗證集準確率為95.5%，靈敏度為94.2%，陽性預(yù)測值為81.4%，陰性預(yù)測值為97.8%，該系統(tǒng)具有較高的診斷準確性，對比診斷性能與內(nèi)鏡專家水平相當，且優(yōu)于普通內(nèi)鏡醫(yī)生，具有較高的臨床使用價值。

KUBOTA等[33]應(yīng)用反向傳播神經(jīng)網(wǎng)絡(luò)算法，首次開發(fā)了可進行胃癌浸潤深度分析的計算機輔助系統(tǒng)，總體準確率為64.7%。2019年YOON等[34]基于CNN改善早期胃癌內(nèi)鏡下檢測和深度預(yù)測展開研究，結(jié)果表明針對早期胃癌檢測和深度預(yù)測其AUC分別為0.981和0.851。ZHU等[35]基于CNN-CAD系統(tǒng)，應(yīng)用深度殘差網(wǎng)絡(luò)（ResNet-50）架構(gòu)進行遷移學(xué)習，常規(guī)內(nèi)鏡下確定胃癌侵襲深度，鑒別黏膜內(nèi)癌（M）、黏膜下淺層分化型癌（SM1，浸潤深度≤500 μm）、黏膜下深層浸潤癌（SM2，浸潤深度>500 μm）。該系統(tǒng)36 s成功檢測了203張獨立測試集常規(guī)內(nèi)鏡圖像，系統(tǒng)識別SM2的靈敏度達76.47%，特異度達95.56%，其總體準確率則達89.16%，AUC達0.94。

2.5 結(jié)腸息肉及腺瘤

結(jié)腸鏡檢查是發(fā)現(xiàn)結(jié)腸息肉及腺瘤的主要手段。腺瘤檢出率每增加1%，結(jié)直腸癌發(fā)病率則降低約3%[36]。數(shù)據(jù)統(tǒng)計分析發(fā)現(xiàn)，腺瘤漏診率約為26%[37]，因此，減少腺瘤和息肉的漏診是標準結(jié)腸鏡檢查目標。CAD結(jié)腸息肉及腺瘤主要包括結(jié)腸鏡下息肉的自動識別及實時顯示息肉存在的位置、大小、數(shù)量等特征，內(nèi)鏡下行息肉組織學(xué)分類，實現(xiàn)精確光學(xué)診斷。

KARKANIS等[38]首次報道使用CAD靜態(tài)結(jié)腸鏡圖像下結(jié)直腸息肉，檢出率>90%。此項回顧性研究結(jié)果僅適用于靜態(tài)圖像，故研究結(jié)果無法應(yīng)用于臨床。為解決上述問題，2018年MISAWA等[39]開展了一項通過分析內(nèi)鏡視頻，實時檢測結(jié)直腸息肉的三維CNN試驗性研究，結(jié)果提示該系統(tǒng)的準確率達76.5%。URBAN等[40]利用CNN測試了計算機輔助實時定位和篩查息肉的圖像分析能力，試驗使用長達5 h由專家標識的20個結(jié)腸鏡檢查視頻作為測試集，結(jié)果顯示CNN自動檢測息肉的準確率為96.4%。與此同時，WANG等[41]開發(fā)和驗證了自動檢測腸鏡下息肉的DL算法，對1 290例病人的5 545張結(jié)腸鏡圖像數(shù)據(jù)進行實時訓(xùn)練，使用4個獨立數(shù)據(jù)集集中驗證：數(shù)據(jù)集A為1 138例病人的27 113張結(jié)腸鏡圖像，測試靈敏度為94.38%，特異度為95.92%，AUC為0.984;數(shù)據(jù)集B為CVC-ClinicDB公共數(shù)據(jù)庫，29個結(jié)腸鏡視頻包含612張息肉圖像，靈敏度為88.24%;數(shù)據(jù)集C為包含138例經(jīng)組織學(xué)證實為息肉的110例病人的138個剪輯結(jié)腸鏡檢查視頻，靈敏度為91.64%;數(shù)據(jù)集D為54例病人結(jié)腸鏡檢查的全長視頻，測試特異度為95.4%。同年，該小組基于DL的息肉自動檢測系統(tǒng)進行了一項前瞻性隨機對照研究，在腺瘤及息肉檢出群體中小腺瘤和增生性息肉的檢出率較標準內(nèi)鏡增加，較大腺瘤檢出率兩者無明顯差異[42]。

KOMEDA等[43]基于CNN系統(tǒng)就結(jié)腸息肉分類展開了初步研究，驗證結(jié)果的準確率為75.1%。MORI等[44]開展了一項利用CAD鑒別腫瘤性息肉或非腫瘤性息肉前瞻性研究，結(jié)果顯示微小息肉（息肉大小≤5 mm）病理預(yù)測準確率達98.1%。BYRNE等[45]通過構(gòu)建DL模型，分析原始結(jié)腸鏡檢查視頻，實時區(qū)分視頻中微小腺瘤及增生性息肉，準確率為94%，特異度為83%，靈敏度為98%。因此，基于CAD預(yù)測息肉病理類型在未來臨床工作中有望成為可能，息肉病理準確預(yù)測仍是臨床上一項重要挑戰(zhàn)。

3 存在的問題

3.1 假陽性和假陰性結(jié)果

自動檢測胃腸道腫瘤在胃腸道疾病的CAD中尤為關(guān)鍵，假陽性（非腫瘤誤診為腫瘤）和假陰性（腫瘤誤診為非腫瘤）結(jié)果的誤判，直接導(dǎo)致治療方案的錯誤選擇。胃腸道腫瘤要求內(nèi)鏡下切除或手術(shù)切除，而非腫瘤性息肉則可保留。如胃炎伴紅腫、萎縮、腸上皮化生時，賁門、胃竇、幽門的顏色、黏膜表面及其正常組織結(jié)構(gòu)改變，易與早期胃癌混淆，假陽性增多[3]?；蛞蛟缙诎┳儏^(qū)域過小，內(nèi)鏡下漏診，假陰性出現(xiàn)。導(dǎo)致假陽性或假陰性最主要原因為機器學(xué)習材料數(shù)量和質(zhì)量的限制，一方面，累積量大且質(zhì)優(yōu)的內(nèi)鏡下圖片進行計算機算法的訓(xùn)練與驗證，才能產(chǎn)生更加準確結(jié)果;另一方面，內(nèi)鏡視頻常包含更多低像素的真實圖片，這是靜止圖片很難捕捉的，利用視頻里截取的大量畫面作為學(xué)習材料，一定范圍內(nèi)減少假陽性和假陰性率[7]。

3.2 前瞻性試驗研究缺乏

目前的研究多為回顧性，由于研究前排除了因空氣不足、活檢后出血、黏液分泌、食物及糞便干擾、暈影、模糊、散焦等導(dǎo)致的低質(zhì)量圖片[3，15，46]，有傾向性地選擇清晰、典型、分辨率清晰的高質(zhì)量內(nèi)鏡圖像，造成了選擇偏倚，導(dǎo)致回顧性試驗研究的結(jié)果往往優(yōu)于臨床操作時實際結(jié)果。由于排除了低質(zhì)量圖片，回顧性研究往往無法解釋實時內(nèi)鏡檢查拍攝的低質(zhì)量圖片?，F(xiàn)已有針對Barrett食管、Hp感染、結(jié)直腸息肉及腺瘤等的前瞻性研究，結(jié)果不易受偏倚影響，可獲得相對真實、可信度更高的臨床試驗數(shù)據(jù)[10，26，42]。故應(yīng)著力進行大量前瞻性研究，不斷改良CAD系統(tǒng)，提高臨床試驗的準確率、靈敏度及特異度，為人工智能走向未來臨床實時應(yīng)用打下堅實基礎(chǔ)。

3.3 回顧性試驗研究學(xué)習材料的來源渠道單一

不同型號的內(nèi)鏡所獲得的檢查圖像的分辨率在不同設(shè)備中變化很大[35]，現(xiàn)階段大部分回顧性試驗的材料來源于相同類型的內(nèi)鏡和內(nèi)鏡系統(tǒng)等單一渠道，以后研究應(yīng)盡量包含多中心機構(gòu)、多型號、多設(shè)備內(nèi)鏡圖像數(shù)據(jù)，以確保結(jié)果的可重復(fù)性。

3.4 內(nèi)鏡視頻的輔助診斷缺乏

目前，內(nèi)鏡視頻整體分析多偏向于結(jié)腸息肉及腺瘤方向[39-41，45]，其他領(lǐng)域較少涉及，CAD研究大多數(shù)針對選定的內(nèi)鏡圖像，臨床實時應(yīng)用具有一定片面性與局限性。由于圖像數(shù)據(jù)集回顧性使用不能涵蓋病變所有形態(tài)特征，因缺乏非臨床意義的非典型特征，導(dǎo)致圖像選擇偏倚程度很高[47]。視頻集的應(yīng)用能較好解決上述問題。同時，內(nèi)鏡視頻分析可在實時內(nèi)鏡檢查后行二次復(fù)查，快速識別、篩查胃腸道疾病，減少疾病漏診，在未來的DL輔助胃腸鏡檢查具有相當大的發(fā)展?jié)撃堋?/p>

3.5 數(shù)據(jù)集的相對不平衡

目前，大多數(shù)研究使用診斷測試評估人工智能輔助診斷系統(tǒng)，結(jié)果在很大程度上受樣本質(zhì)量和數(shù)量影響。訓(xùn)練集、測試集及驗證集在病人病種及疾病嚴重程度上應(yīng)完全獨立，考慮數(shù)據(jù)偏斜對模型影響，應(yīng)根據(jù)疾病組成、目標人群和其他相關(guān)因素來準備測試數(shù)據(jù)集，以確保陽性樣本和陰性樣本的充分性[47-48]。此外，還應(yīng)將病人患病風險分層納入當前DL模型中，以改善高風險人群的漏診，并且減少常規(guī)人群的誤診，使CAD得到更好的應(yīng)用。

4 發(fā)展前景

基于DL技術(shù)進行CAD獲得越來越多的關(guān)注，這與DL技術(shù)應(yīng)用于實時胃腸鏡較好的發(fā)展前景密不可分。CAD在實時胃腸鏡檢查中提示病變部位，給予精準分類，將作為第二個觀察者輔助疾病診斷[41]。在低醫(yī)療資源地區(qū)或人群密集地區(qū)，CAD用于人群胃腸鏡篩查，可避免內(nèi)鏡醫(yī)生因經(jīng)驗及專業(yè)知識不足或大負荷量的工作疲勞產(chǎn)生疾病漏診或誤診。CAD結(jié)合細胞內(nèi)鏡或高分辨率顯微內(nèi)鏡等成像技術(shù)，可實時給予替代組織病理學(xué)的病理結(jié)果，根據(jù)計算機視覺優(yōu)勢，甚至可預(yù)測腫瘤浸潤深度[20，35，49]，指導(dǎo)疾病的診斷，以提供更有效的治療[19，50]。CAD可用于培訓(xùn)缺乏經(jīng)驗的新內(nèi)鏡醫(yī)生，為其提供在線專業(yè)知識的訓(xùn)練，提升專業(yè)技能。CAD可在線進行[3，22]，為國內(nèi)一些缺乏具有豐富經(jīng)驗內(nèi)鏡醫(yī)生的地區(qū)提供更為專業(yè)的內(nèi)鏡診斷，便于病人于當?shù)蒯t(yī)院就診，簡化看病流程。

目前大多數(shù)研究仍集中在早期系統(tǒng)開發(fā)和可行性研究階段，后期產(chǎn)品開發(fā)并未能從這些早期研究中跟進[51]，DL結(jié)合胃腸鏡檢查進行CAD仍處于試驗研究階段。因此，未來還需結(jié)合功能更強大、效率更高、穩(wěn)定性更好的優(yōu)質(zhì)算法與框架，進行大量高質(zhì)量的前瞻性試驗研究，使CAD系統(tǒng)獲得更高的靈敏度、特異度和準確率，或可實現(xiàn)人工智能在臨床中的應(yīng)用。

[參考文獻]

[1]劉延彤，李茂星，葉建軍. 計算機輔助診斷在醫(yī)學(xué)影像診斷中的新進展[J].? 西北國防醫(yī)學(xué)雜志， 2006，27（6）：450-451.

[2]尹寶才，王文通，王立春. 深度學(xué)習研究綜述[J].? 北京工業(yè)大學(xué)學(xué)報， 2015，41（1）：48-59.

[3]HIRASAWA T， AOYAMA K， TANIMOTO T， et al. Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images[J].? Gastric Cancer， 2018，21（4）：653-660.

[4]周飛燕，金林鵬，董軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].? 計算機學(xué)報， 2017，40（6）：1229-1251.

[5]周航寧，謝鳳英，姜志國，等. 基于深度學(xué)習的皮膚影像分類[J].? 協(xié)和醫(yī)學(xué)雜志， 2018，9（1）：15-18.

[6]REID B J， BLOUNT P L， FENG Z， et al. Optimizing endoscopic biopsy detection of early cancers in Barretts high-grade dysplasia[J].? The American Journal of Gastroenterology， 2000，95（11）：3089-3096.

[7]MORI Y， KUDO S E， MOHMED H E， et al. Artificial intelligence and upper gastrointestinal endoscopy： current status and future perspective[J].? Digestive Endoscopy， 2019，31（4）：378-388.

[8]VAN DER SOMMEN F， ZINGER S， CURVERS W L， et al. Computer-aided detection of early

neoplastic lesions in Barrettsesophagus[J].? Endoscopy， 2016，48（7）：617-624.

[9]SWAGER A F， VAN DER SOMMEN F， KLOMP S R， et al. Computer-aided detection of early Barretts neoplasia using volumetric laser endomicroscopy[J].? Gastrointestinal Endoscopy， 2017，86（5）：839-846.

[10]DE GROOF J， VAN DER SOMMEN F， VAN DER PUTTEN J， et al. The argos project： the development of a computer-aided detection system to improve detection of barretts neoplasia on white light endoscopy[J].? United European Gastroenterology Journal， 2019，7（4）：538-547.

[11]BRAY F， FERLAY J， SOERJOMATARAM I， et al. Global cancer statistics 2018： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J].? CA-A Cancer Journal for Clinicians， 2018，68（6）：394-424.

[12]RODRGUEZ DE SANTIAGO E， HERNANZ N， MARCOS-PRIETO H M， et al. Rate of missed oesophageal cancer at routine endoscopy and survival outcomes： a multicentric cohort study[J].? United European Gastroenterology Journal， 2019，7（2）：189-198.

[13]VAN ROSSUM P， MOHAMMAD N H， VLEGGAAR F P， et al. Treatment for unresectable or metastatic oesophageal cancer：current evidence and trends[J].? Nature Reviews Gastroenterology & Hepatology， 2018，15（4）：235-249.

[14]SHIN D， PROTANO M A， POLYDORIDES A D， et al. Quantitative analysis of high-resolution microendoscopic images for diagnosis of esophageal squamous cell carcinoma[J].? Clinical Gastroenterology and Hepatology， 2015，13（2）：272-279.

[15]HORIE Y， YOSHIO T， AOYAMA K， et al. Diagnostic outcomes of esophageal cancer by artificial intelligence using con-

volutional neural networks[J].? Gastrointestinal Endoscopy， 2019，89（1）：25-32.

[16]GHATWARY N， ZOLGHARNI M， YE X J. Early esophageal adenocarcinoma detection using deep learning me-

thods[J].? International Journal of Computer Assisted Radiology and Surgery， 2019，14（4）：611-621.

[17]EBIGBO A， MENDEL R， PROBST A， et al. Computer-aided diagnosis using deep learning in the evaluation of early oe-

sophageal adenocarcinoma[J].? Gut， 2019，68（7）：1143-1145.

[18]GUO Linjie， XIAO Xiao， WU Chuncheng， et al. Real-time automated diagnosis of precancerous lesions and early esophageal squamous cell carcinoma using a deep learning model （with videos）[J].? Gastrointestinal Endoscopy，2020，91（1）：41-51.

[19]KUMAGAI Y， TAKUBO K， KAWADA K， et al. Diagnosis using deep-learning artificial intelligence based on the endocytoscopic observation of the esophagus[J].? Esophagus， 2019，16（2）：180-187.

[20]NAKAGAWA K， ISHIHARA R， AOYAMA K， et al. Classification for invasion depth of esophageal squamous cell carcinoma using a deep neural network compared with experienced endoscopists[J].? Gastrointestinal Endoscopy， 2019，90（3）：407-414.

[21]WATANABE K， NAGATA N， SHIMBO T， et al. Accuracy of endoscopic diagnosis of Helicobacter pylori infection accor-

ding to level of endoscopic experience and the effect of training[J].? BMC Gastroenterology， 2013，13（1）：128.

[22]SHICHIJO S， NOMURA S， AOYAMA K， et al. Application of convolutional neural networks in the diagnosis of helicobac-

ter pylori infection based on endoscopic images[J].? Ebiomedicine， 2017，25：106-111.

[23]ITOH T， KAWAHIRA H， NAKASHIMA H， et al. Deep learning analyzes Helicobacter pylori infection by upper gastrointestinal endoscopy images[J].? Endoscopy International Open， 2018，6（2）：e139-e144.

[24]ZHENG W F， ZHANG X， KIM J J， et al. High accuracy of convolutional neural network for evaluation of Helicobacter pylori infection based on endoscopic images： preliminary experience[J].? Clinical and Translational Gastroenterology， 2019，10（12）：e00109.

[25]SHICHIJO S， ENDO Y， AOYAMA K， et al. Application of convolutional neural networks for evaluating Helicobacter pylori infection status on the basis of endoscopic images[J].? Scandinavian Journal of Gastroenterology， 2019，54（2）：158-163.

[26]NAKASHIMA H， KAWAHIRA H， KAWACHI H， et al. Artificial intelligence diagnosis of Helicobacter pylori infection using blue laser imaging-bright and linked color imaging： a single-center prospective study[J].? Annals of Gastroenterology， 2018，31（4）：462-468.

[27]SHIRAISHI N， YASUDA K， KITANO S. Laparoscopic gastrectomy with lymph node dissection for gastric cancer[J].? Gastric Cancer， 2006，9（3）：167-176.

[28]MIYAKI R， YOSHIDA S， TANAKA S， et al. Quantitative identification of mucosal gastric cancer under magnifying endoscopy with flexible spectral imaging color enhancement[J].? Journal of Gastroenterology and Hepatology， 2013，28（5）：841-847.

[29]MIYAKI R， YOSHIDA S， TANAKA S， et al. A computer system to be used with laser-based endoscopy for quantitative diagnosis of early gastric cancer[J].? Journal of Clinical Gast-

roenterology， 2015，49（2）：108-115.

[30]KANESAKA T， LEE T C， UEDO N， et al. Computer-aided diagnosis for identifying and delineating early gastric cancers in magnifying narrow-band imaging[J].? Gastrointestinal Endoscopy， 2018，87（5）：1339-1344.

[31]WU Lianlian， ZHOU Wei， WAN Xinyue， et al. A deep neural network improves endoscopic detection of early gastric cancer without blind spots[J].? Endoscopy， 2019，51（6）：522-531.

[32]LUO Huiyan， XU Guoliang， LI Chaofeng， et al. Real-time artificial intelligence for detection of upper gastrointestinal cancer

by endoscopy： a multicentre， case-control， diagnostic study[J].? The Lancet Oncology， 2019，20（12）：1645-1654.

[33]KUBOTA K， KURODA J， YOSHIDA M， et al. Medical image analysis： computer-aided diagnosis of gastric cancer invasion on endoscopic images[J].? Surgical Endoscopy， 2012，26（5）：1485-1489.

[34]YOON H J， KIM S， KIM J H， et al. A Lesion-Based convolutional neural network improves endoscopic detection and depth prediction of early gastric cancer[J].? Journal of Clinical Medicine， 2019，8（9）：1310.

[35]ZHU Yan， WANG Qiucheng， XU Meidong， et al. Application of convolutional neural network in the diagnosis of the invasion depth of gastric cancer based on conventional endoscopy[J].? Gastrointestinal Endoscopy， 2019，89（4）：806-815.

[36]CORLEY D A， JENSEN C D， MARKS A R， et al. Adenoma detection rate and risk of colorectal cancer and death[J].? New England Journal of Medicine， 2014，370（14）：1298-1306.

[37]ZHAO Shengbing， WANG Shuling， PAN Peng， et al. Magnitude， risk factors， and factors associated with adenoma miss rate of tandem colonoscopy： a systematic review and meta-analysis[J].? Gastroenterology， 2019，156（6）：1661-1674.

[38]KARKANIS S A， IAKOVIDIS D K， MAROULIS D E， et al. Computer-aided tumor detection in endoscopic video using co-

lor wavelet features[J].? IEEE Transactions on Information Technology in Biomedicine， 2003，7（3）：141-152.

[39]MISAWA M， KUDO S E， MORI Y， et al. Artificial intelligence-assisted polyp detection for colonoscopy： initial expe-

rience[J].? Gastroenterology， 2018，154（8）：2027-2029.

[40]URBAN G， TRIPATHI P， ALKAYALI T， et al. Deep lear-

ning localizes and identifies polyps in real time with 96% accuracy in screening colonoscopy[J].? Gastroenterology， 2018，155（4）：1069-1078.

[41]WANG P， XIAO X， GLISSEN B， et al. Development and va-

lidation of a deep-learning algorithm for the detection of polyps during colonoscopy[J].? Nature Biomedical Engineering， 2018，2（10）：741-748.

[42]WANG P， BERZIN T M， GLISSEN B， et al. Real-time automatic detection system increases colonoscopic polyp and adenoma detection rates： a prospective randomised controlled study[J].? Gut， 2019，68（10）：1813-1819.

[43]KOMEDA Y， HANDA H， WATANABE T， et al. Compute-

raided diagnosis based on convolutional neural network system for colorectal polyp classification： preliminary experience[J].? Oncology， 2017，93（Suppl 1）：30-34.

[44]MORI Y， KUDO S E， MISAWA M， et al. Real-time use of artificial intelligence in identification of diminutive polyps du-

ring colonoscopy： a prospective study[J].? Annals of Internal Medicine， 2018，169（6）：357-366.

[45]BYRNE M F， CHAPADOS N， SOUDAN F， et al. Real-time differentiation of adenomatous and hyperplastic diminutive colorectal polyps during analysis of unaltered videos of stan-

dard colonoscopy using a deep learning model[J].? Gut， 2019，68（1）：94-100.

[46]HE Yishan， SU Jingran， LI Zhen， et al. Application of artificial intelligence in gastrointestinal endoscopy[J].? Journal of Digestive Diseases， 2019，20（12）：623-630.

[47]ENGLAND J R， CHENG P M. Artificial intelligence for medical image analysis： a guide for authors and reviewers[J].? AJR： American Journal of Roentgenology， 2019，212（3）：513-519.

[48]PARK S H， HAN K. Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction[J].? Radiology， 2018，286（3）：800-809.

[49]TAKEDA K， KUDO S E， MORI Y， et al. Accuracy of diagnosing invasive colorectal cancer using computer-aided endocytoscopy[J].? Endoscopy， 2017，49（8）：798-802.

[50]LOUIE J S， RICHARDS-KORTUM R， ANANDASABAPATHY S. Applications and advancements in the use of high-

resolution microendoscopy for detection of gastrointestinal neoplasia[J].? Clinical Gastroenterology and Hepatology： the Official Clinical Practice Journal of the American Gastroenterological Association， 2014，12（11）：1789-1792.

[51]MORI Y， KUDO S E， BERZIN T M， et al. Computer-aided diagnosis for colonoscopy[J].? Endoscopy， 2017，49（8）：813-819.

（本文編輯 黃建鄉(xiāng)）

[收稿日期]2019-09-05; [修訂日期]2020-02-09

[基金項目]青島市民生科技計劃項目（16-6-2-25-nsh）

[第一作者]姜良慧（1994-），女，碩士研究生。

[通信作者]周長宏（1963-），女，碩士，主任醫(yī)師，碩士生導(dǎo)師。E-mail：zchchanghong@163.com。