人工智能技术在胰腺疾病内镜超声诊断中的应用

张敏敏 金震东

海军军医大学附属长海医院消化内科，上海 200433

【提要】 内镜超声(EUS)检查技术的发展为胰腺疾病的诊断与治疗提供了新的手段，但如何形成一套客观、高效的诊疗方法仍为EUS研究的热点与难点。近年来人工智能技术得到迅猛发展并渗透到医学的各个领域，研究提示可利用人工智能辅助读图实现准确迅速的EUS诊断。通过采用不同的分类模型，结合不同的超声方法，人工智能在各种胰腺疾病的诊断中均取得了较高的灵敏度与特异度，并可运用于胰腺肿瘤患者治疗后的预后评价中。未来人工智能在EUS领域的发展必将朝向专业化细分领域深层次扎根。

胰腺癌是世界范围内居第4位的癌症致死病因[1]。由于其具有很强的侵袭性，仅10%～15%的患者肿瘤可被切除，且5年生存率仅为10%[2-3]，因此早期诊断和安全有效的治疗对于降低胰腺癌病死率至关重要[4]。内镜超声(EUS)、磁共振成像和计算机断层扫描等多种影像方法已广泛应用于胰腺肿瘤的诊断。然而，医师对影像结果的判断具有一定的主观性，医师能力、经验和注意力均会影响其对结果的判断。因此，迫切需要能够客观识别和进行图像分类的新技术来辅助诊断。

近年来，计算机辅助诊断(computer aided diagnosis，CAD)系统成为医学影像领域研究的热点。图像处理和人工智能技术已经在许多医疗实践领域尝试应用并取得初步成果，使用计算机辅助支持系统处理和分析EUS图像，将会指导临床医师做出更准确和更迅速的诊断。上海长海医院消化内科内镜中心自2010年开始即在全国率先将人工智能诊断运用于胰腺疾病的EUS图像处理和识别中[5]，在计算机辅助EUS诊断方面积累了一定经验。现结合该中心的经验，对人工智能在胰腺疾病EUS诊断中的应用现状和前景进行剖析。

一、人工智能对胰腺EUS图像纹理的识别

声像图是以不同灰度为表现的。人类的肉眼擅于从不同明暗或对比度的图像中归纳信息，却无法识别对聚类分析超声图像非常有用的二阶以上的纹理信息。超声图像上的各种斑点的图案在某种程度上取决于组织种类的不同。CAD技术可利用客观特征形成自动组织定征，通过CAD系统将超声图像有效分类。

可供选择的分类器类别众多。人工神经网络(artificial neural network，ANN)是一种基于人脑的神经元网络，通过模仿生物学上神经系统的性质与功能进行分类的数学模型。由于ANN在诊断和预后应用方面的潜力，目前被广泛用于心脏疾病、高血压、肾脏疾病、乳腺疾病和皮肤病的诊断与预测中，也是胰腺疾病EUS图像诊断中运用最为广泛的一种分类模型。2001年Norton等[6]就发现可使用计算机自学程序分析EUS图像以区分恶性肿瘤与胰腺炎，从而辅助内镜检查。2008年Das等[7]通过EUS图像上的数字图像分析区分胰腺癌、慢性胰腺炎与正常胰腺组织，使用ANN模型获得了93%的灵敏度。Ozkan等[8]利用内镜图像开发出具有图像处理和模式识别的高性能CAD系统，收集202例胰腺癌患者和130例非癌症患者的内镜图像，使用ANN方法进行训练以诊断胰腺癌，最终获得了87.5%的诊断准确率，83.3%的灵敏度和93.3%的特异度，并建议在诊断中考虑患者年龄以确保更高的分类性能。Olufemi等[9]则使用Levenberg-Marquardt反向传播算法训练网络，并提出了一种基于症状诊断胰腺癌的ANN模型，准确率达87.0%。

长海医院内镜中心在进行计算机辅助分类时采用了另一种分类方法——支持向量机(support vector machine, SVM)。SVM是一种寻求可将两类样本分开的最佳平面的监督学习技术，通过某种训练集的点与CAD算法，判断出一种决策平面以进行模式识别。相比ANN，SVM的训练过程更快，且可重复、优效，但由于需要监督学习过程，因此需要研究者标记训练集与参数。2010年笔者从153例胰腺癌和63例非胰腺癌患者的216例EUS图像中选择感兴趣区，最终选择所识别的29个特征，采用SVM理论建立预测模型并进行训练，获得了98.0%的灵敏度[5]。2013年Zhu等[10]在提取的105个特征中选择16个建立SVM模型并进行训练，获得了94.0%的灵敏度。2015年长海医院内镜中心在SVM中采用局部三值模式方差描述符的特征提取方法，对自身免疫性胰腺炎与慢性胰腺炎进行鉴别，结果表明局部三值模式方差特征在SVM分类器下的各项分类性能都优于基于传统纹理特征的分类结果，灵敏度和特异度高[11]，优于临床常用的血清免疫球蛋白G法，提示该人工智能方法对自身免疫性胰腺炎及慢性胰腺炎的鉴别颇有价值，值得深入探索。

此外，还可通过决策树对超声图像进行分类。决策树可作为一种阈值被界定为训练过程中的分类工具。与ANN比较，决策树更为简单与快速，但它更依赖对每一个非终结节点的分类规则的设计以及阈值的设定，目前尚缺乏相关的研究。

二、人工智能在胰腺疾病超声弹力成像图中的应用

EUS弹性成像为常规EUS提供了补充信息，最大限度地降低成本，且未增加胰腺疾病的发病率或病死率。EUS弹性成像图像由彩色像素组成，这些彩色图像反映了呼吸、心脏运动或EUS传感器压迫引起的轻微压缩期间获得的应变(位移)值的差异[12]，是病灶弹性结构的间接量度。但基于常规弹性成像记录的直接视觉分析的灵敏度和特异度较差，2007年Săftoiu等[13]通过对预先记录的图像序列进行动态计算机分析，认为实时EUS弹性成像的定量分析在初始研究中可产生更好的结果，它可避免由于个体选择可能造成的选择偏倚、色调颜色的感知错误以及与运动相关的伪像。2012年欧洲弹性成像多中心研究组[14]使用ANN的CAD技术评估了实时EUS弹性成像诊断局灶性胰腺病变的准确率。该研究选取258例患者的774幅EUS弹性成像记录，从EUS弹性成像的动态序列中检索色调直方图数据，使用后处理软件分析计算，然后在扩展的ANN中分析，以自动区分良性和恶性模式，最终显示灵敏度为87.6%，特异度为82.9%，阳性预测值为96.3%，阴性预测值为57.2%，认为通过ANN模型可使用人工智能支持医疗决策，提供快速准确的诊断。

三、人工智能在胰腺囊性疾病诊断中的应用

不同类型的胰腺囊性病变，例如导管内乳头状黏液性肿瘤、黏液性囊性肿瘤、浆液性囊性肿瘤和胰腺假性囊肿等，很难根据临床表现和包括EUS在内的影像学方法区分良恶性，确定合适的治疗策略，但可以利用EUS-FNA穿刺物进行深度算法学习，构建人工智能预测模型以区分良性和恶性胰腺囊性疾病。Kurita等[15]回顾性分析85例胰腺囊性病变患者的手术标本或EUS-FNA标本的胰腺囊液信息。使用深度学习的人工智能构建诊断算法，发现囊液中CEA、CA19-9、CA125、淀粉酶以及患者性别、囊肿位置、胰管与囊肿连接与否、囊肿的类型和细胞学等因素都与人工智能算法密切相关，并具有恶性预测价值。在恶性囊性病变的诊断能力中，人工智能的灵敏度、特异度和准确率分别为95.7%、91.9%和92.9%，其中灵敏度和准确率均高于CEA和细胞学检查， 认为人工智能可以提高鉴别恶性和良性胰腺囊性病变的诊断能力。

四、人工智能在评价EUS引导下治疗效果中的应用

EUS引导的近距离放射治疗已经在晚期胰腺癌的研究中得到应用[16]。既往的临床系列研究表明，采用EUS引导的近距离放疗和疼痛控制可以安全地治疗胰腺癌[17]，但由于缺乏对照，近距离放射治疗对总体生存期的影响尚不确定，对这些患者做出预后判断仍很困难。Xu等[18]开发了一种模糊分类方法，对EUS图像中胰腺癌的纹理特征进行评分，根据癌症病例和非癌症病例之间的精确数值差异，判断接受EUS引导胰腺间质内近距离放射治疗的胰腺癌患者预后。研究首先分析了153例胰腺癌患者和63例非癌症患者的EUS图像，发现模糊分类评分的变化与总体生存率之间存在相关性，而与肿瘤体积、CA19-9水平、总生存期无相关性。然后以招募的25例行近距离放疗患者为研究对象，验证上述因素对患者预后评估的价值。结果显示经近距离放疗后，15例患者的模糊分类评分有所下降，而另外10例患者的模糊分类评分有所增加。 两组总生存率存在显著差异，但肿瘤体积和CA19-9水平无明显变化，认为采用模糊分类方法分析胰腺癌EUS图像是可行的，该方法可用于胰腺间质近距离放射治疗不能切除的胰腺癌患者的预后判断。

五、展望

随着超声检查装备的发展以及图像技术的提高，胰腺肿瘤的检出率将会明显提高。人工智能的未来方向除了利用各种超声检查手段进一步协助准确鉴别病灶性质外，还可进一步整合各项检查手段，给出治疗策略。随着介入性超声技术的发展，未来有望通过人工智能精确引导或进行EUS下各项介入治疗。需要注意的是，有关人工智能协助诊断或预测临床结果的前瞻性研究非常少，对于以用户为中心的算法更加寥寥。必须进行严格的论证研究并在真实环境中反复验证，才能将人工智能技术无缝嵌入临床诊疗环节，实现人工智能与人工流程的完美结合。

利益冲突所有作者均声明不存在利益冲突