人工智能在上消化道疾病诊断中应用的研究进展*

李焱冬 王 实

中国科学院大学附属肿瘤医院(浙江省肿瘤医院)内镜科 中国科学院基础医学与肿瘤研究所(310022)

人工智能(artificial intelligence, AI)系指计算机执行与智能生物相关任务的能力，包括可能模仿人类思维的认知功能，进行自主学习的能力[1]。以大数据为支撑兼具强大计算能力和学习能力的AI技术已用于解决复杂的医学问题。深度学习(deep learning)是机器学习中一种基于对数据进行表征学习的算法，其采用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征[2-3]。近年将AI深度学习技术与消化内镜相结合的应用已成为研究热点，尤其是上消化道疾病，其难点在于病灶的识别和诊断。本文就AI在上消化道疾病诊断中的研究进展作一综述。

一、AI在食管疾病中的应用

1.Barrett食管(BE)瘤变的识别：BE是发生食管腺癌最重要的危险因素，高清晰度的白光内镜是检测BE瘤变的最佳选择[4]。但早期食管腺癌比较少见，且表现为平坦病变，难以与周围BE黏膜进行区别，故漏诊时有发生[5]。Ebigbo等[6]研发出了一种计算机辅助诊断(CAD)系统，可识别BE中的早期食管腺癌。应用CAD在两个白光内镜图像数据集中进行测试，敏感性分别达97%和92%，特异性分别达88%和100%；在窄带成像(NBI)数据集中的敏感性为94%，特异性为80%。后续研究[7]选取14例BE合并早期食管腺癌的患者进行实时胃镜下识别，敏感性为83.7%，特异性为100%，准确率为89.9%。该研究的局限性为总体样本量较小，且仅检测早期食管腺癌，未纳入异型增生。

de Groof等[8]使用AI对1 704例BE合并瘤变(包括早期食管腺癌和异型增生)患者的高清白光内镜图像进行学习，其采用的CAD系统对BE是否发生瘤变图像的诊断准确率为89%，敏感性为90%，特异性为88%，诊断效能优于普通内镜医师，并可标注瘤变的轮廓，标注结果与内镜专家一致。因此，使用AI辅助内镜诊断可帮助内镜医师尤其是低年资内镜医师识别BE早期瘤变，并指导活检部位。

2. 食管癌的识别：食管鳞癌是最常见的食管癌类型，占全球食管癌的80%[9]。进展期食管鳞癌的预后差，早期发现并进行治疗可明显改善患者的预后。Ohmori等[10]使用9 591张非放大和7 844张放大表浅食管鳞癌NBI图像作为训练集，训练基于卷积神经网络(CNN)的AI系统，非放大NBI内镜图像测试敏感性、特异性、准确率分别为90%、76%和81%，放大内镜NBI(ME-NBI)图像测试敏感性、特异性、准确率分别为98%、56%和77%，与有经验的内镜医师测试结果无明显差异。Cai等[11]的研究使用CAD对早期食管鳞癌进行识别，对普通白光内镜图像的测试敏感性、特异性和准确率分别为97.8%、85.4%和91.4%，优于低年资内镜医师，且该系统具有实时病灶标注提示功能，内镜医师在参考该系统提示后作出的诊断准确率明显提升。由于不同研究所使用训练集和测试集图像不同，直接比较准确率可能并不科学，但与内镜医师使用相同测试集的结果进行比较，AI对提高低年资内镜医师识别早期食管癌的能力具有较高的价值。最近Guo等[12]使用CAD可在视频中实时对早期食管鳞癌病灶进行识别，并勾勒出病灶的轮廓范围。

侵犯深度是早期食管癌能否接受内镜下治疗的重要因素，ME-NBI观察病灶上皮乳头内毛细血管襻(IPCL)形态是判断侵犯深度的重要标准之一。Everson等[13]发现，CNN经深度学习后可判断IPCL是否异常，并对其进行分型。细胞内镜通过使用亚甲蓝等化合物进行活体染色，可实时观察体内的表面上皮细胞，在不取活检的情况下获得实时的组织学参考。然而缺乏足够的学习训练和病理医师在场的情况下，内镜医师对细胞内镜图像的性质判断存在一定的难度。Kumagai等[14]构建的AI模型可对不同放大程度的食管细胞内镜图像进行良恶性的判断。内镜下早期食管癌通常表现为黏膜轻微隆起、凹陷或色泽变化，诊断存在一定困难，尤其是对于低年资内镜医师。上述研究结果表明，AI对早期食管癌及其癌前病变的内镜下诊断具有良好的辅助价值，对于一些新标准、新技术的应用，亦具有较好的指导学习的作用。

二、AI在胃部疾病中的应用

1. 幽门螺杆菌(Hp)感染的识别：Hp感染与胃癌的发生关系密切，根除Hp是预防胃癌的有效措施。胃镜下Hp感染常伴随胃黏膜皱襞肿大、规则集合静脉消失等表现，但总体而言人眼判断并不准确，通常需采用活检或呼气试验来诊断，但上述诊断存在一定假阴性的可能。Zheng等[15]应用基于CNN的AI系统对纳入的1 959例受试者进行研究，通过胃镜图像判断是否伴有Hp感染，结果表明联合多张图像的诊断效果明显优于单张图像，ROC曲线下面积达0.97，敏感性和特异性分别为91.6%和98.6%。Shichijo等[16]的研究发现采用基于CNN的AI系统可快速识别内镜图像的Hp阳性、Hp阴性和Hp根除这三种状态，对临床工作具重要的指导意义。由此可见，AI对内镜下判断Hp感染具有很好的应用潜力，但存在一定的局限性，上述研究均为对胃镜图像的回顾性诊断，目前仍缺乏内镜下实时诊断的工具。

2. 早期胃癌的识别：早期胃癌内镜下的表现不典型，诊断较困难，ME-NBI可观察胃黏膜微血管结构和微表面结构，有助于早期胃癌性质和边界的判断。但对多数内镜医师而言，通过ME-NBI识别早期胃癌仍充满挑战，通过AI对ME-NBI图像进行识别是一种潜在的可行方式。一项单中心回顾性研究[17]使用CNN系统对1 492张早期胃癌和1 078张胃炎的ME-NBI图像进行学习，随后在包含早期胃癌和胃炎的258张ME-NBI图像中进行验证，其敏感性和特异性分别为95.4%和71.0%；但在107张胃炎图像中，31张被AI诊断为早期胃癌。一项前瞻性多中心研究[18]采用基于CNN的AI诊断早期胃癌，在341张ME-NBI图像(包括171张非癌病灶和170张早期胃癌病灶)中验证的敏感性、特异性和准确率分别为91.18%、90.64%和90.91%，AI的敏感性明显高于内镜专家，特异性和准确率无明显差异；而AI的敏感性、特异性、准确性均明显优于非专家内镜医师。

早期胃癌根据是否伴有黏膜下侵犯又分为黏膜内癌(T1a)和黏膜下癌(T1b)，侵犯深度是决定早期胃癌治疗方式的重要依据。内镜超声对早期胃癌侵犯深度的判断具有一定的价值，然而准确率并不理想，约70%[19]。Yoon等[20]使用AI系统通过白光内镜图像对早期胃癌的侵犯深度进行判断，敏感性和特异性分别为79.2%和77.8%，全部训练集和测试集的病灶侵犯深度均由手术或内镜切除标本证实。进一步多因素分析显示，组织学分化差是唯一与准确率低显著相关的因素。上述研究目前仅限于AI系统对图像的分析，尚未能投入临床应用，但AI在早期胃癌的诊断以及侵犯深度的判断上均具有很大的潜力。

3. 胃镜检查盲点的监测：为减少内镜下早期胃癌的漏诊，一方面需要内镜医师具备丰富的经验能识别病灶，另一方面仔细规范的操作没有盲点地观察整个胃腔是发现病灶的基础。在胃镜检查中，若操作者未能充分暴露病变并进行摄图，将导致不能有效识别病灶。目前许多专家和协会均已意识到无盲点胃镜检查的重要性，并对胃镜图像拍摄提出了标准化要求，但在实际临床诊疗过程中，全胃摄像的要求往往没有被很好地执行，对胃镜检查的质量造成了一定影响。

Wu等[21]结合胃镜摄图标准化要求，分别将胃镜检查分为26个部位并使用AI进行识别，以监督胃镜检查时是否完成了全胃观察。为减少真实世界噪音的干扰和加强AI动态决策的能力，该研究在CNN的基础上联合深度加强学习的技术对324例患者进行分析。结果显示AI最终监测盲点的平均准确率为90.02%，AI组胃镜检查盲点率显著低于对照组(5.86%对22.46%，P<0.05)。

三、局限和展望

AI辅助诊断消化道疾病是当前的研究热点，但存在一些问题和局限：①缺乏统一规范的数据集和验证标准，各个研究中心使用自己的数据进行训练和验证，结果缺乏多中心、大数据检验；②大部分研究是基于对图像或视频检测的临床前研究，缺乏随机对照试验、常规的临床应用；③深度学习的算法是一个黑箱模型，难以理解决策的过程，使医师很难判断混杂干扰因素；④需注意潜在的伦理问题，AI无法判断患者的个体情况和选择倾向，也不能负担法律责任，如出现误诊，内镜医师、程序设计者和生产商，究竟谁来承担责任？但AI在图像识别方面有着天然优势，相比于人眼识别具有更稳定、不易疲劳、速度更快的特点，在与消化内镜相结合的方面具有广阔的应用前景。

综上所述，近年来AI在上消化道早癌识别、侵犯深度判断以及检查盲点监测等方面的应用均取得了较大的进展。尽管存在一些问题，但随着其算法和试验设计的不断成熟和完善，未来可期待AI将会作为内镜医师的得力助手，辅助病灶的识别，减少漏诊，使内镜医师能更快地学习新理论、新技术，更规范地完成内镜检查，使患者获益。