人工智能技術(shù)在消化系統(tǒng)疾病診斷中應(yīng)用的研究進(jìn)展

陳 哲 李文潔 韓 旭 蘇 鑫 殷旻皓 桑 慧 周 穎 朱 宏

人工智能（AI）是由機(jī)器模仿人類認(rèn)知功能所展示的智能[1]，其中深度學(xué)習(xí)（DL）是實現(xiàn)機(jī)器學(xué)習(xí)的一種算法，即通過基于一組歷史積累的數(shù)據(jù)開發(fā)的獨(dú)特算法來集中提取和解釋醫(yī)學(xué)影像的特征[2]，包括深度神經(jīng)網(wǎng)絡(luò)（DNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、深度置信網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)等多種學(xué)習(xí)框架。在醫(yī)學(xué)成像的基礎(chǔ)上，AI 技術(shù)有望通過自動檢測和分類消化道病變來提高病灶檢出的敏感度和特異度，從而輔助內(nèi)鏡醫(yī)生作出準(zhǔn)確的診斷和精準(zhǔn)治療決策。本文就AI 技術(shù)在食管、胃、小腸、結(jié)直腸疾病診斷中的應(yīng)用進(jìn)展作一綜述，以期推動AI 消化內(nèi)鏡個體化精準(zhǔn)醫(yī)療的進(jìn)一步發(fā)展。

1 AI 技術(shù)輔助診斷食管疾病

1.1 食管平滑肌瘤

食管平滑肌瘤（EL）是起源于平滑肌的常見食管良性腫瘤。Zhang 等[3]利用CNN 模型識別白光內(nèi)鏡圖像上EL、食管乳頭狀瘤（EP）和食管囊腫（EC）的ROC 曲線下面積（AUC）分別為0.897、0.907 和0.868，識別超聲內(nèi)鏡（EUS）圖像上EL和EC 的AUC 分別為0.739 和0.724。胃腸道間質(zhì)瘤（GIST）起源于胃腸道間葉組織，具有惡變潛能。Kim 等[4]開發(fā)了一種卷積神經(jīng)網(wǎng)絡(luò)計算機(jī)輔助診斷 (CNN-CAD) 系統(tǒng)，可在EUS 圖像上診斷GIST；CNN-CAD 系統(tǒng)區(qū)分GIST 與非GIST 腫瘤的敏感度、特異度和準(zhǔn)確率分別為 83.0%、75.5%和79.2%，區(qū)分非GIST 腫瘤中的平滑肌瘤與神經(jīng)鞘瘤的準(zhǔn)確率為72.5%，均顯著高于2 名經(jīng)驗豐富的內(nèi)鏡醫(yī)生和1 名初級內(nèi)鏡醫(yī)生，該系統(tǒng)為GIST 的診斷提供了重要方法，可有效避免超聲內(nèi)鏡引導(dǎo)下細(xì)針穿刺活體組織檢查術(shù)（EUS-FNA）的侵入性操作。

1.2 食管癌

食管癌是全球第6 位惡性腫瘤相關(guān)死亡原因，2020 年約有54 萬人死于食管癌[5]。Barrett 食管（BE）是食管腺癌的重要危險因素，其臨床分期與患者的預(yù)后密切相關(guān)，美國胃腸病學(xué)會和英國胃腸病學(xué)會臨床指南均建議BE 患者應(yīng)定期復(fù)查胃鏡，以期及早發(fā)現(xiàn)異型增生，這對于降低病死率非常重要[6-7]。全球范圍內(nèi)食管腺癌發(fā)病率持續(xù)升高，但食管鱗狀細(xì)胞癌（ESCC）仍是亞洲（日本）較常見的組織學(xué)類型[8]。2019 年日本學(xué)者進(jìn)行了一項利用8 428 幅食管癌（包括鱗癌和腺癌）圖像訓(xùn)練CNN模型的單中心回顧性研究，該模型分析1 118 幅測試圖像僅耗時27 s，綜合診斷的敏感度高達(dá)98%，并且可檢測到直徑＜10 mm 的病灶，結(jié)果表明AI 技術(shù)可在較短時間內(nèi)高度敏感地分析大量食管癌內(nèi)鏡圖像，并可有效降低微小病灶的漏診率[9]。2019年蔡世倫等[10]利用深度學(xué)習(xí)的反向傳播算法建立診斷早期食管癌的CAD 模型，其AUC 為0.996 1，具有較高的診斷敏感度和特異度，結(jié)果顯示AI 技術(shù)可輔助內(nèi)鏡醫(yī)生在臨床操作中實時準(zhǔn)確識別早期病變，并及早對患者進(jìn)行治療干預(yù)，從而提高患者的術(shù)后生存質(zhì)量。

腫瘤浸潤深度是影響早期食管癌治療決策的重要因素[11]，然而醫(yī)生在內(nèi)鏡下評估腫瘤浸潤深度可能存在主觀性偏倚，易受到觀察者水平差異的影響。2019 年Nakagawa 等[12]采集了804 例淺表食管鱗狀細(xì)胞癌（ESCC）患者的8 660 幅非放大內(nèi)鏡（ME）和5 678 幅ME 圖像作為訓(xùn)練數(shù)據(jù)集，將155 例ESCC 患 者 的405 幅 非ME 圖 像 和509 幅ME圖像作為驗證集，結(jié)果顯示DNN 系統(tǒng)鑒別黏膜下淺層（SM1）浸潤癌與黏膜下深層（SM2、SM3）浸潤癌的準(zhǔn)確率、敏感度、特異度分別為91.0%、90.1%、95.8%，該系統(tǒng)的診斷效能與16 名經(jīng)驗豐富的內(nèi)鏡醫(yī)生（89.6%、89.8%、88.3%）相當(dāng)。相較于高質(zhì)量的靜態(tài)內(nèi)鏡圖像，視頻圖像可更全面精確地實時反映低質(zhì)量的傳統(tǒng)白光內(nèi)鏡和染色內(nèi)鏡 圖 像。2020 年Shimamoto 等[13]通 過CNN 模 型對102 個淺表ESCC 的內(nèi)鏡視頻進(jìn)行深度學(xué)習(xí)，其實時評估腫瘤浸潤深度的準(zhǔn)確率、特異度分別為87%、99%，這是AI 技術(shù)通過視頻圖像診斷ESCC浸潤深度的第一份報告，為內(nèi)鏡醫(yī)生的診斷提供了有效的幫助。上述研究結(jié)果表明，AI 技術(shù)在診斷食管癌浸潤深度方面的準(zhǔn)確率較高，具有較好的臨床應(yīng)用前景。

2 AI 技術(shù)輔助診斷胃疾病

2.1 胃息肉

胃鏡是診斷和治療胃部病變（如息肉、黏膜萎縮、腸上皮化生、上皮內(nèi)瘤變等）的常用方法，但繁重的工作量會影響內(nèi)鏡醫(yī)生的操作水平，即使是經(jīng)驗豐富的內(nèi)鏡醫(yī)生也可能會遺漏小息肉的診斷[14]。一項浙江大學(xué)的研究顯示CNN 系統(tǒng)能以每秒50 幀的速度實時檢測胃息肉，可將準(zhǔn)確率從88.5%提高至90.4%，息肉檢測召回率提高10%以上，尤其是小息肉，表明CNN 系統(tǒng)可幫助內(nèi)鏡醫(yī)生全面地發(fā)現(xiàn)胃息肉，降低息肉漏診率，并可提高工作效率[15]。

2.2 幽門螺桿菌感染性胃炎

全球范圍內(nèi)幽門螺桿菌（Hp）感染率約為50%[16]，Hp感染與慢性萎縮性胃炎、消化性潰瘍、胃癌、胃黏膜相關(guān)淋巴組織淋巴瘤等疾病相關(guān)[17]。內(nèi)鏡檢查是評估Hp感染相關(guān)性疾病的主要方法，黏膜水腫、萎縮、彌漫性紅斑、皺襞增粗或呈結(jié)節(jié)狀提示Hp感染的可能[18]，目前活體組織病理檢查是診斷Hp感染的金標(biāo)準(zhǔn)，但終極目標(biāo)是用光學(xué)活體組織檢查取代侵入性活體組織檢查。2017年Shichijo 等[19]構(gòu)建了一個診斷Hp感染性胃炎的CNN 模型，其診斷的敏感度、特異度和準(zhǔn)確率分別為81.9%、83.4%和83.1%，結(jié)果表明AI 技術(shù)可在較短時間內(nèi)以較高的準(zhǔn)確率診斷Hp感染相關(guān)性胃炎，有助于減少內(nèi)鏡醫(yī)生的工作量。2018 年一項單中心、前瞻性研究結(jié)果顯示，AI 技術(shù)輔助普通白光內(nèi)鏡、藍(lán)色激光成像和聯(lián)動成像內(nèi)鏡下診斷Hp感染性胃炎的AUC 分別為0.66、0.96 和0.95，表明AI 技術(shù)結(jié)合圖像增強(qiáng)內(nèi)鏡檢查可進(jìn)一步提高Hp感染性胃炎的檢出率，提高內(nèi)鏡檢查的準(zhǔn)確率和效率[20]。上述研究表明，AI 技術(shù)輔助光學(xué)活體組織檢查可能會取代活體組織病理檢查用于確診Hp感染相關(guān)性疾病，其具有較高的潛在臨床應(yīng)用價值，并可減少不必要的操作和材料成本。

2.3 胃癌

胃癌是全球發(fā)病率第5 位、病死率第3 位惡性腫瘤，2020 年中國新發(fā)胃癌病例約48 萬例[5]。內(nèi)鏡檢查是發(fā)現(xiàn)癌前狀態(tài)（黏膜萎縮、腸上皮化生）和癌前病變（上皮內(nèi)瘤變）的主要方法，也是降低胃癌發(fā)病率、病死率的有效措施，但一些早期胃黏膜病變僅表現(xiàn)為細(xì)微的形態(tài)學(xué)改變，內(nèi)鏡檢查的假陰性率為4.6%～25.8%[21-22]。2018 年Hirasawa等[23]開發(fā)了一個耗時47 s 處理2 296 幅胃癌圖像的CNN 模型，其診斷的敏感度、陽性預(yù)測值分別為92.2%、30.6%，能準(zhǔn)確識別70 個直徑≥6 mm 的病灶（70/71）和所有浸潤性胃癌，約50%的假陽性病變是存在色調(diào)變化或黏膜表面不規(guī)則的胃炎，該模型的診斷速度較快，病變檢出率較高。

高清染色內(nèi)鏡可清晰顯示黏膜微血管和腺管開口形態(tài)，并可增強(qiáng)病灶與周圍正常組織之間的對比，化學(xué)染色內(nèi)鏡和電子染色內(nèi)鏡有助于發(fā)現(xiàn)普通內(nèi)鏡難以識別的微小或平坦型病變，從而提高胃腸道腫瘤診斷的準(zhǔn)確率[24]。2020 年中國學(xué)者利用386 個非癌性病變、1 702 個早期胃癌的放大內(nèi)鏡-窄帶成像（ME-NBI）圖像建立CNN 模型，結(jié)果顯示其診斷早期胃癌的敏感度、特異度和準(zhǔn)確率分別為91.18%、90.64%和90.91%[25]。2020 年Horiuchi 等[26]設(shè)計了第一個基于ME-NBI 技術(shù)的利用174 個早期胃癌的視頻訓(xùn)練CAD 系統(tǒng)的研究，結(jié)果顯示其診斷早期胃癌的AUC 為0.868 4，準(zhǔn)確率、敏感度和特異度分別為85.1%、87.4%和82.8%。上述研究表明AI 技術(shù)聯(lián)合染色內(nèi)鏡檢查具有較高的早期胃癌檢出率，可有效輔助內(nèi)鏡醫(yī)生進(jìn)行早期病變的診斷和治療，具有較大的臨床應(yīng)用潛力。

早期胃癌的傳統(tǒng)治療方法是外科根治性切除術(shù)，但手術(shù)破壞了胃的正常解剖結(jié)構(gòu)，嚴(yán)重影響了胃的遠(yuǎn)期生理功能，而內(nèi)鏡黏膜下剝離術(shù)具有創(chuàng)傷小、恢復(fù)快、費(fèi)用低、并發(fā)癥少等優(yōu)勢，是治療早期胃腸道腫瘤的安全、有效的方法[27]。Zhu 等[28]應(yīng)用CNN 模型對790 幅胃癌內(nèi)鏡圖像進(jìn)行訓(xùn)練和學(xué)習(xí)，并對203 幅胃癌圖像進(jìn)行測試，結(jié)果顯示其診斷胃癌浸潤深度的AUC、特異度和總體準(zhǔn)確率分別為0.94、95.56%和89.16%。該研究表明AI 技術(shù)評估胃癌浸潤深度的特異度和準(zhǔn)確率較高，可避免不必要的胃大部切除術(shù)，從而有效改善患者術(shù)后的生活質(zhì)量。

3 AI 技術(shù)輔助診斷小腸疾病

傳統(tǒng)的內(nèi)鏡檢查和放射學(xué)檢查難以對小腸進(jìn)行全面檢查[29]。膠囊內(nèi)鏡的發(fā)明使小腸疾病的診斷、監(jiān)測和管理發(fā)生了飛躍性的進(jìn)步。膠囊內(nèi)鏡可清楚地觀察小腸管壁的異常，如糜爛、潰瘍、息肉、出血、憩室、靜脈擴(kuò)張、淋巴濾泡增生和寄生蟲等[30]。然而，每次膠囊內(nèi)鏡檢查會生成50 000～100 000 幅圖像，內(nèi)鏡醫(yī)生需用大量時間來處理相關(guān)數(shù)據(jù)[31]。因此，需要應(yīng)用AI 技術(shù)來輔助檢出各種小腸病變，以期有效提高診斷的準(zhǔn)確率和效率。

2019 年Aoki 等[32]利用5 360 幅小腸膠囊內(nèi)鏡圖像建立了一個CNN 系統(tǒng)，其診斷小腸黏膜糜爛和潰瘍的敏感度、特異度和準(zhǔn)確率分別為88.2%、90.9%和90.8%。2019 年Ding 等[33]利用158 235 幅小腸膠囊內(nèi)鏡圖像開發(fā)了一個AI 輔助閱讀模型，其識別多種小腸病變的敏感度高于99%，并且每例患者圖像的平均閱讀時間較常規(guī)閱讀明顯縮短[（5.9±2.23）min 比（96.6±22.53）min，P＜0.001]。上述研究結(jié)果表明AI 技術(shù)既可大幅度減輕內(nèi)鏡醫(yī)生的閱片壓力，提高工作效率，又可降低各種小腸病變的漏診率，這對于提高小腸疾病診斷的準(zhǔn)確率具有重要的意義。2020 年Otani 等[34]開發(fā)了一種能診斷3 種小腸病變（黏膜糜爛和潰瘍、血管病變、腫瘤）的深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)RetinaNet，其診斷的AUC 分別為0.996、0.950、0.950，可見AI 技術(shù)具有提高小腸疾病檢出率及分類識別能力的潛力。

4 AI 技術(shù)輔助診斷結(jié)直腸疾病

4.1 識別息肉的組織病理學(xué)

結(jié)直腸癌（CRC）是全球第2 位惡性腫瘤死亡原因[5]。CRC 患者的預(yù)后與早期診斷、早期治療密切相關(guān)，“息肉-腺瘤-癌”是常見的CRC 發(fā)病模式，因此針對結(jié)直腸息肉（尤其是腺瘤性息肉）的早期干預(yù)是預(yù)防和減少CRC 發(fā)病的關(guān)鍵，內(nèi)鏡檢查是診斷和切除腺瘤性息肉的主要方法[35]。內(nèi)鏡下切除腺瘤性息肉可降低80%的CRC 發(fā)病率[36]。由于切除增生性息肉會增加醫(yī)療費(fèi)用，故在內(nèi)鏡下實時準(zhǔn)確判斷息肉的組織病理學(xué)具有重要意義。2018 年Chen 等[37]開發(fā)并測試了一個可識別微小結(jié)直腸息肉組織病理學(xué)的DNN-CAD 系統(tǒng)，該系統(tǒng)識別直徑＜5 mm 的188 枚腺瘤性息肉和96 枚增生性息肉的敏感度、特異度分別為96.3%、78.1%。2021 年Rodriguez-Diaz 等[38]開發(fā)了一種全新的可預(yù)測結(jié)直腸息肉組織病理學(xué)的直觀增強(qiáng)可視化CAD 模型，其區(qū)分171 枚腫瘤性息肉和83 枚非腫瘤性息肉的敏感度、特異度分別為96%、84%。上述研究顯示AI 技術(shù)可依據(jù)表面形態(tài)來準(zhǔn)確識別息肉的組織病理學(xué)，從而減少活體組織病理檢查導(dǎo)致的損傷。

4.2 評估腫瘤浸潤深度

根據(jù)2019 年日本結(jié)直腸癌學(xué)會（JSCCR）的結(jié)直腸癌治療指南，腺瘤、cTis（M）癌和淺層浸潤cT1（SM）癌可在內(nèi)鏡下切除，但深層浸潤cT1（SM）癌及浸潤更深的腫瘤需手術(shù)切除[39]。Ito 等[40]利用三重交叉驗證方法回顧性檢測了190 幅結(jié)直腸癌白光內(nèi)鏡圖像，AI 技術(shù)輔助診斷腫瘤浸潤深度的準(zhǔn)確率達(dá)81.2%，表明其可輔助內(nèi)鏡醫(yī)生準(zhǔn)確評估腫瘤的浸潤深度，從而制定精準(zhǔn)的治療方案。

4.3 炎癥性腸病

在潰瘍性結(jié)腸炎（UC）的治療中，持續(xù)的炎性反應(yīng)增高了結(jié)腸組織發(fā)生異型增生和惡變的風(fēng)險[41]，但普通白光內(nèi)鏡下難以準(zhǔn)確識別持續(xù)性炎性反應(yīng)組織。Maeda 等[42]開發(fā)并評估了一個應(yīng)用細(xì)胞內(nèi)鏡來預(yù)測UC 患者結(jié)腸組織持續(xù)性炎性反應(yīng)的CAD 系統(tǒng)，總體診斷的敏感度、特異度和準(zhǔn)確率分別為74%、97%和91%。目前AI 技術(shù)用于炎癥性腸病的相關(guān)研究不多，今后需進(jìn)一步開展相關(guān)研究來探索其臨床應(yīng)用價值和可行性。

5 小結(jié)

AI 技術(shù)與消化內(nèi)鏡相結(jié)合可大幅度提高消化道疾病的診斷效能，既借助了計算機(jī)的強(qiáng)大學(xué)習(xí)和運(yùn)算能力，又保留了內(nèi)鏡的所有功能并汲取了內(nèi)鏡專家的診斷經(jīng)驗，從而降低了內(nèi)鏡醫(yī)生肉眼診斷的主觀性偏倚及微小或平坦型病變的漏診率。然而，目前開發(fā)的AI 系統(tǒng)仍存在一定的局限性：（1）多數(shù)研究是回顧性的，研究結(jié)果未與臨床遠(yuǎn)期預(yù)后進(jìn)行比較，無法進(jìn)一步評估其診斷的準(zhǔn)確率；（2）多數(shù)模型只在單中心驗證，未進(jìn)行多中心臨床試驗來評估其適應(yīng)性和有效性；（3）許多研究收集的是高質(zhì)量的靜態(tài)圖像，無法驗證CNN 系統(tǒng)是否適用于低質(zhì)量的圖像（如模糊、失焦及伴有光暈和黏液等）來診斷病變；（4）對于消化道早期惡性腫瘤的診斷，觀察病灶時通常需切換白光和NBI模式，目前尚未開發(fā)能同步進(jìn)行雙模式訓(xùn)練的模型。盡管如此，AI 技術(shù)輔助檢測和診斷消化道疾病的優(yōu)勢是明確的，今后需多開展設(shè)計合理的大規(guī)模多中心前瞻性試驗，相信在不久的將來，AI 消化內(nèi)鏡會成為消化道疾病診治的重要方法，以期實現(xiàn)對患者的個體化精準(zhǔn)診療。