人工智能在消化內鏡中應用
前言：本站為你精心整理了人工智能在消化內鏡中應用范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。
人工智能（AI）技術目前在全球范圍內受到各界的關注，并隨著其不斷地發展，在醫療方面的使用也逐漸成熟。深度學習屬于人工智能方面的一個核心分支，研究人員利用卷積神經網絡（CNN）構建模型將人工智能技術應用到疾病的識別、診斷、判斷預后等各個方面。消化內鏡下疾病的診斷與醫生的個人經驗有著明顯的關系，通過建立人工智能輔助診斷系統，進一步提高消化內鏡的檢查質量，從而提高消化道疾病的檢出率。
1AI在食管疾病中的應用
1．1巴雷特食管
Barret食管（BE）是食管腺癌的癌前病變，發生食管腺癌的危險性是普通人群的30～100倍。診斷BE主要依據是內鏡檢查結合病理學活檢，由于內鏡醫生經驗水平的差異，導致其活檢時可能有部分病變被遺漏，進而很容易造成漏診，因此我們需要一種智能系統輔助內鏡醫師提高BE的診斷率。JisuHong等［1］研究人員建立CNN模型，并將BE內鏡圖像分為腸上皮化生（IM）、胃上皮化生（GM）和瘤變（NPL）亞類，將獲得了262份BE內鏡成像數據集，分為訓練集236個以及測試集26個，由于訓練集數據量的缺乏，作者采用隨機圖像畸變來擴大訓練食管圖像的數量，最終CNN模型產生了80．77％的分類準確率。Van等［2］研究人員研制出BE病變的智能檢測技術，其智能檢測技術在各個圖像分析中判斷出初期腫瘤病變的特異度與敏感度都是83％。Hashimoto等［3］開發了一種由916張BE圖像訓練的CNN，并通過458張圖像進行驗證，報道的早期腫瘤檢測準確率為95．4％。但僅依靠人工智能診斷barret食管及早期腫瘤還為時尚早，更多的人工智能技術還在臨床研究中。
1．2食管腫瘤
食管腫瘤是我國常見的消化道腫瘤，研究表明，食管癌的總體漏報率高達6．4％。早期食管腫瘤行內鏡檢查時很容易漏診，很多病人在確診時已到了晚期，療效較差，所以盡早診斷十分關鍵。食管乳頭內毛細血管袢（IPCLs）是顯微鏡內窺鏡（ME）首次描述的微血管［4］，是食管鱗癌的標志。IPCLs形態的改變已被證實與腫瘤浸潤深度相關，這是決定是否采用內鏡治療的主要因素［5，6］。Ever－son團隊［7］開發了一種人工智能系統，能夠使用ME－NBI內鏡圖像實時對IPCL形態進行腫瘤或非腫瘤分類。17例患者共7046張連續高清ME－NBI圖像進行CNN訓練，CNN獲得了93．7％的準確性，89．3％的敏感性，98％的特異性。Nakagawa等［8］開發了一種CNN來預測食管鱗狀細胞癌的侵襲深度，他們的CNN系統能夠區分黏膜／黏膜下侵犯（SM1）和黏膜下深層侵犯（SM2／SM3），其敏感性為90．1％，特異性為95．8％，16位經驗豐富的內鏡醫師的敏感度為89．8％，特異性為88．3％。日本學者［9］建立的CNN模型，采集了384例確診食管癌患者的8428張圖片用作機器學習，CNN整體判斷的敏感度是98％，針對淺表癌判斷精準率是99％，針對晚期病癥判斷精準率是92％，對食管鱗狀細胞癌與食管腺癌檢查精準率分別是99％與90％。在我國，騰訊企業公布的人工智能醫學影像商品－騰訊覓影，對初期食管癌的診斷精準率達到90％。上述表明，AI將有利于提高早期食管腫瘤的檢出率，改善患者預后。
2AI在胃部疾病中的應用
2．1HP感染
眾所周知，胃癌的發生與幽門螺桿菌的感染有著密切的關系，據報道HP感染主要影響胃癌癌前病變的早期階段。然而，根據內鏡檢查判斷是否存在HP感染，主要取決于醫生的診斷能力，診斷準確性差異很大［10，11］。Shichijo等［11］研究人員通過深度學習構建CNN將HP感染狀態分為HP陽性和HP陰性兩類，其敏感性、特異性和準確性均優于內鏡醫生。Shichijo［12］進一步將HP感染情況分為三類：未感染、當前感染和根除治療成功。CNN對未感染的準確率為80％，當前感染的準確率為48％，根除后的準確率為84％。日本研究人員中島美嘉［13］已經開發出一個人工智能系統，驗證了120例胃癌的內鏡檢查視頻，從而得出了未感染HP準確率為84．2％，當前感染的準確率為82．5％，根除后的準確率為79．2％。診斷準確性與經驗豐富的內鏡醫師相似。AI診斷幽門螺桿菌感染狀態的準確性可能超過內鏡醫生。
2．2胃癌
胃癌是全球最常見的惡性腫瘤之一，其發病率和病死率在惡性腫瘤中均居第2。早期胃癌患者5年生存率超過90％，晚期胃癌預后很差，從而早期發現胃癌對每一個內鏡醫師來說都至關重要。但是有些胃癌內鏡圖像與萎縮性胃炎相似，缺少實踐經驗的內鏡醫師常常忽略這一點。Zhang等［14］研究人員開發用于早期胃癌檢測的人工智能系統在200張內鏡圖像上進行了驗證，對早期胃癌的準確性、敏感性和特異性分別為92．5％、94％和91％，經驗豐富的內鏡醫師的準確率、敏感性和特異性分別為89．7％、93．9％和87．3％。在人工智能系統中準確率明顯更高。Hirasawa等［15］研制出一種人工智能檢測胃癌的技術，選擇13584張胃癌內鏡圖片加以訓練，另外的2296張胃鏡圖片編制測試集，CNN耗時47s檢查完全部測試及圖像，判斷胃癌總體敏感度是92．2％，陽性預測值是30．6％。這個系統檢測圖像速度迅速，但是陽性預測值較低，且沒有開展與內鏡醫師的比較。此外，一個國內研究，Zhu等［16］選擇最科學的CNN系統，利用CNN系統判斷胃癌的侵襲深度，其敏感度與特異度分別是76．47％與95．56％，整體精準率是89．16％，其精準率與特異度都高于內鏡醫師。該系統可以精準判定腫瘤侵襲胃壁的深度，評價病灶是否符合進行ESD治療，進而避免多余的外科手術。Kanesaka等［17］研究人員使用AI系統從放大地NBI圖像中區分早期胃癌和無癌，靈敏度為96．7％，特異性為95％，準確性為96．3％。Horiuchi等［18］進行了一項視頻研究，以實現早期胃癌的實時診斷。174個視頻使用NBI放大內鏡評估AI系統的診斷性能，并與11位專家進行了比較，人工智能的準確性為85．1％，敏感性為87．4％，特異性為82．8％。人工智能系統的準確率明顯高于2位專家，低于其中1位專家，與其余8位專家沒有顯著差異。
3AI在結直腸息肉中的應用
在我國，近幾年結直腸癌發病率不斷上升。結直腸癌源自癌前息肉，病變到癌平均期限是10年，結直腸鏡檢查是結直腸癌早篩早診最有效的手段，結腸鏡檢查期間息肉（特別是腺瘤）的檢出率與結腸鏡檢查后CRC的發生率和相關病死率呈明顯的負相關［19，20］。腺瘤檢出率每增加1％，相應地CRC風險降低3％，CRC相關病死率降低5％。所以，提高結直腸息肉檢出率對減少結直腸癌發病率作用顯著。Misawa［21］和同事開發了一種基于CNN的三維計算機輔助監測系統（CADe），其敏感性和特異性分別為90％和63％。Urban［22］和他的同事報告了基于CNN的CADe的首次實時應用，他們的CADe檢測結直腸息肉的靈敏度為97％，特異性為95％，準確率為96％，優于內鏡醫生。在2018年發表的文章中，Kazutomo等［23］利用4萬張內鏡圖像創建了一個具有深度學習的人工智能輔助內鏡診斷系統，并進行了測試來區分腺瘤和非腺瘤。敏感性為95．2％，陰性預測值為84．6％。國內王璞等［24］研究人員利用計算機輔助診斷系統（CADs）在納入的1058例患者中，CADs顯著增加了腺瘤檢出率和平均每名患者的腺瘤數量，這是因為CADs發現了更多的小腺瘤，增生性息肉的數量也顯著增加。
目前AI已經逐漸應用到膠囊內鏡的檢查中，從而提高了小腸疾病的診斷率，如乳糜泄、鉤蟲病以及消化道疾病等。Zhou等［25］回顧性采集11例乳糜泄病人與10例對照病人的膠囊內鏡檢測影像，并引進了一個稱為評價置信度的檢測方法，把乳糜泄嚴重度實現量化，這種評價置信度檢測方式在檢測集中呈現的敏感度與特異度都是百分之百。HE等［26］建立了一種CNN系統用于鉤蟲病的診斷，這種依靠CNN系統檢查鉤蟲結構的總體特異度與敏感度分別是88．6％與84．6％，同時檢測每個膠囊內鏡圖片只要大概0．05s，這對提升臨床醫生的業務效率與判斷精準率有較大幫助。盡管AI技術在醫學方面的研究和應用日益普遍，但是也有一些不足。一個人工智能網絡的建立到訓練完善然后到臨床應用，需要耗費許多人力、時間以及財力。而中國各區域發展不平衡，在經濟比較落后的地方，人工智能也許很難推行。當下AI技術重點在圖像判斷方面表現良好，但是臨床病人疾病較多，個體差別很大，針對疾病治療中人工智能的判斷靈活性無法超過臨床醫師。總之，人工智能這種交叉學科的進步需要多方面專家的協同努力和合作，相信其今后在消化系統病癥中的使用會越來越普遍、深入，且推進個體化、精細化、精確化醫療，使病人獲得更大利益。
作者:白玉 趙貴君 單位:內蒙古醫科大學研究生院 內蒙古自治區人民醫院內鏡中心
