消化道良恶性溃疡人工智能诊断的研究进展

赖春晓，马榕，白杨

【提要】 在胃肠道领域，人工智能的辅助应用产生了巨大影响。消化道良恶性溃疡的诊断主要通过内镜及超声内镜成像进行初步诊断，而人工智能能够辅助图像分析进行准确的评估，提供比传统分析更多的信息。因此，本文对消化道疾病，特别是良恶性溃疡及消化道肿瘤的人工智能诊断技术，结合国内外文献进行综述。

人工智能(artificial intelligence，AI)是指由人工制造出来的系统所表现出来的智能，在计算机科学、控制论、信息论、决定论、神经心理学、哲学、语言学等多学科研究基础上发展起来的一门交叉学科。大数据时代的到来，借助机器学习、深度学习和卷积神经网络(convolution neural network, CNN)等技术的革新，AI在图像和语音识别领域取得飞速发展。在许多方面，AI使用深度学习方法的表现已经超越人类。AI同样适用于医学领域[1]，一些研究表明，AI经过大量特定医学图像的训练，能够进行专家级的图像识别[2]。

近十年来，人类肿瘤的研究、治疗和生存方面取得了显而易见的巨大进步。随着我们进入一个日益数字化的时代，数字健康将为未来的癌症控制提供重要的机会[3]。人工智能现在被用于帮助早期诊断，许多研究表明，基于人工智能的筛查和成像，可以胜过放射学家和病理学家。大数据和真实世界数据是这一领域的关键，因为它们为新的处理算法的开发和测试提供了大量数据集。然而，数据生成、数据存储及其使用的爆炸性增长，需要正确的专业知识和治理，以防止误解和利用[4]。

消化性溃疡主要指发生于胃和十二指肠的慢性溃疡，但也可以发生在消化道的其余部位，是一多发病、常见病。溃疡的形成有各种因素，其中酸性胃液对黏膜的消化作用是溃疡形成的基本因素。消化道良性溃疡与恶性溃疡的鉴别对后续治疗非常重要，但有时传统内镜诊断十分困难，检查过程中观察时间长，其准确性一定程度上有赖于操作医生的技术水平及临床经验，而AI的应用可以很好地解决这些问题，由此得到消化道溃疡良恶性的诊断，并为后续治疗提供建议。

1 食管良恶性溃疡的AI辅助诊断

对食管良恶性溃疡进行准确的识别主要是为了能够早期地诊断食管癌。我国是食管癌的高发国家之一，每年食管癌的新发病例可超过22万例，死亡病例约为20万例[5]，其中，90%的食管癌患者已达中晚期。食管癌早期并不伴有淋巴结的转移，早期发现时可在内镜下切除，五年生存率可达95%。食管癌的早发现早治疗对预后尤为重要。现今已有研究将人工智能应用于早期食管癌诊断，对食管癌早期地准确识别有重大意义。Ohmori等[6]训练基于卷积神经网络(CNN)的AI系统对食管癌进行诊断，其中非放大内镜图像测试敏感性、特异性、准确率分别为90%、76%和81%，放大内镜图像测试敏感性、特异性、准确率分别为98%、56%和77%，研究所得结果与有经验的内镜医师测试结果无明显差异。石善江等[7]的研究通过回顾性收集2120张食道图像，分别交给人工智能系统技术与4名内镜医师进行诊断，研究结果表示人工智能系统诊断的敏感度、特异度和总准确率均明显优于内镜医生。Cai等[8]的研究系统具有实时病灶标注提示功能，经验不足的医生在该系统提示后作出的诊断准确率明显提升。还有研究[9]还证实人工智能系统可勾勒出病灶的轮廓范围。

2 胃良恶性溃疡的AI辅助诊断

胃溃疡可分为良性溃疡和恶性溃疡，恶性胃溃疡也就是病理类型为溃疡型的胃癌，其治疗方式及预后与良性胃溃疡大相径庭。胃癌的5年生存率低，约为25%～30%，其中早期胃癌明显高于进展期胃癌[10]。胃癌的疗效、预后与其分期有密切的关系，故提高胃癌的早期诊断率有助于善胃癌患者的生活质量及预后。正常情况下，内镜医师对良恶性溃疡的诊断是先在普通胃镜下通过形态等经验鉴别胃良恶性溃疡，但胃镜下的病理活检确诊与内镜医师在内镜下的判断仍旧有许多差异，从而给胃癌的早期诊断及早期治疗带来很大的困难[11]。Menon和Trudgill于[12]2014年的一项分析表明，在确诊的前3年内约有11.3%的上消化道癌被漏诊，而机器在辅助诊断上消化道癌症方面所表现出来的客观性不容小觑。因此,基于深度学习的AI辅助癌症早期诊断的研究应运而生。王智杰等[13]采用CNN模型构建了深度学习模型，结果显示，与内镜医师进行比较，此模型的灵敏度、特异度、准确度均高于内镜医师组，而诊断时间短于内镜医师组。同样的，Kaneska[14]等与Zhu[15]等的研究也都证明了AI参与下的早期溃疡型胃癌识别准确率和特异度均增高。Zhu[15]等的研究中用最先进的预训练CNN架构ResNet50，将790张胃癌图像用于训练数据集，并用另外203张图像用于测试数据集，该系统还能够准确判断胃癌入侵胃壁层次，从而指导治疗。而黄丽[16]等在2020年发表的研究中将拍摄的胃镜图片1885张输入基于fastai框架的Res-net50模型、基于Keras框架的Res-net50模型和基于Keras框架的VGG-16模型进行训练，在最后的结果中VGG-16模型表现出了最好的结果，对正常胃黏膜与良性胃溃疡、恶性胃溃疡的鉴别精确度高达98%。同时，Wu L[17]等的研究中开发的AI质量控制系统在胃镜检查过程中实时监测医师的检查是否覆盖26个部位，从而减少胃镜检查的盲区，降低漏检率。

AI不仅在良恶性胃溃疡的诊断，还在早期胃癌等病灶的实时诊断和边界标记方面具有潜在的应用价值。Kanesaka[14]等应用计算机辅助系统对深度学习模型进行训练并测试，结果表明，其对早期胃癌的诊断准确度可达96.3%，对早期胃癌边界范围标记的准确度可达(73.8±10.9)%。

良恶性胃溃疡的诊断“金标准”是病理学诊断，但由于病理医生的培养周期长而工作收入又较低，造成病理学领域人才稀缺。近年来数字病理技术的兴起使数据可长期存储于计算机中，数据的规模化也为人工智能应用于病理诊断创造了可能。图像分割的领域已经存在了Seg-Net、U-net等优[18]秀模型，深度学习也在医学病理领域拥有了一定的研究成果。2018年张泽中等[19]的研究中已经做过基于AlexNet与GoogLeNet模型融合的胃癌病理图像分析系统，实现对病理图像的分割，从而辅助病理医生诊断胃溃疡型肿瘤、发生部位以及分期。除此之外，张泽中等[20]还提出了一种多尺度深度学习模型MIFNet，通过多尺度数据输入和特征融合，对胃癌病例图像的分割得到更一步提升，实现了更好的临床辅助诊断。

3 结直肠良恶性溃疡的AI辅助诊断

结直肠癌中溃疡型肿瘤为最常见的病理类型，因此，结直肠癌的早期准确识别需要结直肠良恶性溃疡的准确鉴别。而在结直肠良性溃疡疾病中，溃疡性结肠炎需要与恶性溃疡型结肠癌相鉴别，同时溃疡性结肠炎的炎症活动程度与结肠癌密切相关，需要明确评定。Ozawa[21]等的研究用841例溃疡性结肠炎患者的26304张图像训练后的CNN检测114例溃疡性结肠炎患者的3981张内镜图像分类疾病活动程度，该系统识别Mayo-0和Mayo-1级的溃疡性结肠炎的受试者工作特征曲线下面积分别为0.86和0.98，且处理时间小于每帧30 ms，甚至可用于实时肠镜操作过程视频识别。

在应用不同内镜对结直肠溃疡型肿瘤进行诊断的过程中，AI的辅助作用具有很大的意义。人工智能软件已被纳入消化道疾病诊断的日常使用设备或装置中，2019年3月4日，奥林巴斯[22]于推出了第一个名为 endobrain 的商业人工智能内窥镜系统，该系统是与来自横滨北部医院(日本横滨)的学术内窥镜专家合作开发的。这个软件允许人工智能辅助鉴别区分实时结肠镜检查中的良恶性肿瘤。近年来细胞内镜对消化系统诊断的意义被广泛研究，细胞内镜是放大倍数可达1400倍的一种新型内镜成像技术，其可以利用活体染色和显微探针接触组织表面直接观察表浅上皮层细胞结构。Misawa[22]等构建了一个基于细胞内镜血管模式的计算机辅助诊断系统，与专家组及非专家组内镜医师对比诊断结直肠病变，结果显示该系统鉴别诊断溃疡性肿瘤与良性溃疡病变的整体准确率(87.8%)高于专家组内镜医师(84.2%)和非专家组内镜医师(63.4%)。也已有研究表明，AI能够改善结肠良恶性肿瘤的内镜鉴别，在内切细胞镜中敏感度和准确性均高于内镜专家，在内切细胞镜窄带图像中敏感度和准确性与专家内视镜相似，但优于内视镜学员。

病理学作为医学诊断的“金标准”被广泛运用于临床，深度学习作为工具来协助病理医生诊断成为一种需求。李江涛[23]等提出了一种基于图像配准的标注迁移方法，在来自不同扫描仪的WSI之间建立仿射映射，既可以避免病理医生对新图像的重新标注，也可以避免标注的差异，从而更好区分结肠溃疡型肿瘤。

4 结语

全球约50%的上消化道癌发生在中国，因为消化道癌症病理变化的差异性较大导致诊断困难，这其中超过85%的患者在初次诊断时已为中晚期。上消化道早期癌患者五年生存率超过90%，而晚期患者的五年生存率不足10%[24]。因此，上消化道癌的早期诊断早期治疗在癌症的疗效与预后方面尤为重要[25]。临床上消化道癌症的早期诊断主要依赖于内镜检查与病理活检，但我国城镇医生医疗水平差异大，且很多早期癌在内镜下没有明显具体的表征，导致内镜早期癌的检出率不足10%。癌症导致了巨大的经济负担与社会问题，如何准确有效地诊断消化道癌症成为目前研究者研究的重点[4]。

消化道溃疡的诊断除了根据临床症状评分外，消化道溃疡的严重程度主要通过内镜检查来进行评估。然而，已有研究证实缺乏一种充分验证的内镜评分仪器来评估溃疡的疾病活动，消化道溃疡的良恶性诊断存在着相当大的主观差异。因此，AI辅助诊断更有利于结果的客观性与准确性。Maeda[26]等人使用测试图像集来评估CAD系统的准确性，得到CAD提供的诊断敏感性、特异性和准确性分别为74%、97%和91%，证实了基于AI的CAD系统可能允许完全自动识别与溃疡相关的持续性组织学炎症。

大数据时代的到来，AI技术的飞速发展，在医疗行业掀起巨浪。在PU诊断的领域，AI提供了前所未有的可能性。在现有研究中，AI已经证实了能够辅助内镜下Hp感染的检测以及胶囊内镜下黏膜病变的评估，AI的辅助提供了准确而有用的意见，医生减轻了时间成本，并能从中得到比常规分析更多更准确的信息减轻了时间成本，从而准确诊断消化道溃疡的良恶性。科技给医疗领域带来的改变令人兴奋，但于此同时也带来了许多关于责任的问题，AI成像在诊断方面的应用还有很长的一段路要走。临床医生更要明白，使用这种工具的程度只在于用于辅助诊断，而不是作为唯一的诊断手段，人工智能不会也不能取代临床医学的人类元素。医学界有许多令人兴奋的地方，然而，医学界对人工智能的不确定性和焦虑也是显而易见的。浪潮到来时更应乘风破浪，继续研究新的AI技术，提高诊断和预后的准确性，让AI更好地应用于医学的辅助，是研究者当下重要的课题。