人工智能技术在消化系统疾病诊断中应用的研究进展

陈 哲 李文洁 韩 旭 苏 鑫 殷旻皓 桑 慧 周 颖 朱 宏

人工智能（AI）是由机器模仿人类认知功能所展示的智能[1]，其中深度学习（DL）是实现机器学习的一种算法，即通过基于一组历史积累的数据开发的独特算法来集中提取和解释医学影像的特征[2]，包括深度神经网络（DNN）、卷积神经网络（CNN）、深度置信网络和递归神经网络等多种学习框架。在医学成像的基础上，AI 技术有望通过自动检测和分类消化道病变来提高病灶检出的敏感度和特异度，从而辅助内镜医生作出准确的诊断和精准治疗决策。本文就AI 技术在食管、胃、小肠、结直肠疾病诊断中的应用进展作一综述，以期推动AI 消化内镜个体化精准医疗的进一步发展。

1 AI 技术辅助诊断食管疾病

1.1 食管平滑肌瘤

食管平滑肌瘤（EL）是起源于平滑肌的常见食管良性肿瘤。Zhang 等[3]利用CNN 模型识别白光内镜图像上EL、食管乳头状瘤（EP）和食管囊肿（EC）的ROC 曲线下面积（AUC）分别为0.897、0.907 和0.868，识别超声内镜（EUS）图像上EL和EC 的AUC 分别为0.739 和0.724。胃肠道间质瘤（GIST）起源于胃肠道间叶组织，具有恶变潜能。Kim 等[4]开发了一种卷积神经网络计算机辅助诊断 (CNN-CAD) 系统，可在EUS 图像上诊断GIST；CNN-CAD 系统区分GIST 与非GIST 肿瘤的敏感度、特异度和准确率分别为 83.0%、75.5%和79.2%，区分非GIST 肿瘤中的平滑肌瘤与神经鞘瘤的准确率为72.5%，均显著高于2 名经验丰富的内镜医生和1 名初级内镜医生，该系统为GIST 的诊断提供了重要方法，可有效避免超声内镜引导下细针穿刺活体组织检查术（EUS-FNA）的侵入性操作。

1.2 食管癌

食管癌是全球第6 位恶性肿瘤相关死亡原因，2020 年约有54 万人死于食管癌[5]。Barrett 食管（BE）是食管腺癌的重要危险因素，其临床分期与患者的预后密切相关，美国胃肠病学会和英国胃肠病学会临床指南均建议BE 患者应定期复查胃镜，以期及早发现异型增生，这对于降低病死率非常重要[6-7]。全球范围内食管腺癌发病率持续升高，但食管鳞状细胞癌（ESCC）仍是亚洲（日本）较常见的组织学类型[8]。2019 年日本学者进行了一项利用8 428 幅食管癌（包括鳞癌和腺癌）图像训练CNN模型的单中心回顾性研究，该模型分析1 118 幅测试图像仅耗时27 s，综合诊断的敏感度高达98%，并且可检测到直径＜10 mm 的病灶，结果表明AI 技术可在较短时间内高度敏感地分析大量食管癌内镜图像，并可有效降低微小病灶的漏诊率[9]。2019年蔡世伦等[10]利用深度学习的反向传播算法建立诊断早期食管癌的CAD 模型，其AUC 为0.996 1，具有较高的诊断敏感度和特异度，结果显示AI 技术可辅助内镜医生在临床操作中实时准确识别早期病变，并及早对患者进行治疗干预，从而提高患者的术后生存质量。

肿瘤浸润深度是影响早期食管癌治疗决策的重要因素[11]，然而医生在内镜下评估肿瘤浸润深度可能存在主观性偏倚，易受到观察者水平差异的影响。2019 年Nakagawa 等[12]采集了804 例浅表食管鳞状细胞癌（ESCC）患者的8 660 幅非放大内镜（ME）和5 678 幅ME 图像作为训练数据集，将155 例ESCC 患 者 的405 幅 非ME 图 像 和509 幅ME图像作为验证集，结果显示DNN 系统鉴别黏膜下浅层（SM1）浸润癌与黏膜下深层（SM2、SM3）浸润癌的准确率、敏感度、特异度分别为91.0%、90.1%、95.8%，该系统的诊断效能与16 名经验丰富的内镜医生（89.6%、89.8%、88.3%）相当。相较于高质量的静态内镜图像，视频图像可更全面精确地实时反映低质量的传统白光内镜和染色内镜 图 像。2020 年Shimamoto 等[13]通 过CNN 模 型对102 个浅表ESCC 的内镜视频进行深度学习，其实时评估肿瘤浸润深度的准确率、特异度分别为87%、99%，这是AI 技术通过视频图像诊断ESCC浸润深度的第一份报告，为内镜医生的诊断提供了有效的帮助。上述研究结果表明，AI 技术在诊断食管癌浸润深度方面的准确率较高，具有较好的临床应用前景。

2 AI 技术辅助诊断胃疾病

2.1 胃息肉

胃镜是诊断和治疗胃部病变（如息肉、黏膜萎缩、肠上皮化生、上皮内瘤变等）的常用方法，但繁重的工作量会影响内镜医生的操作水平，即使是经验丰富的内镜医生也可能会遗漏小息肉的诊断[14]。一项浙江大学的研究显示CNN 系统能以每秒50 帧的速度实时检测胃息肉，可将准确率从88.5%提高至90.4%，息肉检测召回率提高10%以上，尤其是小息肉，表明CNN 系统可帮助内镜医生全面地发现胃息肉，降低息肉漏诊率，并可提高工作效率[15]。

2.2 幽门螺杆菌感染性胃炎

全球范围内幽门螺杆菌（Hp）感染率约为50%[16]，Hp感染与慢性萎缩性胃炎、消化性溃疡、胃癌、胃黏膜相关淋巴组织淋巴瘤等疾病相关[17]。内镜检查是评估Hp感染相关性疾病的主要方法，黏膜水肿、萎缩、弥漫性红斑、皱襞增粗或呈结节状提示Hp感染的可能[18]，目前活体组织病理检查是诊断Hp感染的金标准，但终极目标是用光学活体组织检查取代侵入性活体组织检查。2017年Shichijo 等[19]构建了一个诊断Hp感染性胃炎的CNN 模型，其诊断的敏感度、特异度和准确率分别为81.9%、83.4%和83.1%，结果表明AI 技术可在较短时间内以较高的准确率诊断Hp感染相关性胃炎，有助于减少内镜医生的工作量。2018 年一项单中心、前瞻性研究结果显示，AI 技术辅助普通白光内镜、蓝色激光成像和联动成像内镜下诊断Hp感染性胃炎的AUC 分别为0.66、0.96 和0.95，表明AI 技术结合图像增强内镜检查可进一步提高Hp感染性胃炎的检出率，提高内镜检查的准确率和效率[20]。上述研究表明，AI 技术辅助光学活体组织检查可能会取代活体组织病理检查用于确诊Hp感染相关性疾病，其具有较高的潜在临床应用价值，并可减少不必要的操作和材料成本。

2.3 胃癌

胃癌是全球发病率第5 位、病死率第3 位恶性肿瘤，2020 年中国新发胃癌病例约48 万例[5]。内镜检查是发现癌前状态（黏膜萎缩、肠上皮化生）和癌前病变（上皮内瘤变）的主要方法，也是降低胃癌发病率、病死率的有效措施，但一些早期胃黏膜病变仅表现为细微的形态学改变，内镜检查的假阴性率为4.6%～25.8%[21-22]。2018 年Hirasawa等[23]开发了一个耗时47 s 处理2 296 幅胃癌图像的CNN 模型，其诊断的敏感度、阳性预测值分别为92.2%、30.6%，能准确识别70 个直径≥6 mm 的病灶（70/71）和所有浸润性胃癌，约50%的假阳性病变是存在色调变化或黏膜表面不规则的胃炎，该模型的诊断速度较快，病变检出率较高。

高清染色内镜可清晰显示黏膜微血管和腺管开口形态，并可增强病灶与周围正常组织之间的对比，化学染色内镜和电子染色内镜有助于发现普通内镜难以识别的微小或平坦型病变，从而提高胃肠道肿瘤诊断的准确率[24]。2020 年中国学者利用386 个非癌性病变、1 702 个早期胃癌的放大内镜-窄带成像（ME-NBI）图像建立CNN 模型，结果显示其诊断早期胃癌的敏感度、特异度和准确率分别为91.18%、90.64%和90.91%[25]。2020 年Horiuchi 等[26]设计了第一个基于ME-NBI 技术的利用174 个早期胃癌的视频训练CAD 系统的研究，结果显示其诊断早期胃癌的AUC 为0.868 4，准确率、敏感度和特异度分别为85.1%、87.4%和82.8%。上述研究表明AI 技术联合染色内镜检查具有较高的早期胃癌检出率，可有效辅助内镜医生进行早期病变的诊断和治疗，具有较大的临床应用潜力。

早期胃癌的传统治疗方法是外科根治性切除术，但手术破坏了胃的正常解剖结构，严重影响了胃的远期生理功能，而内镜黏膜下剥离术具有创伤小、恢复快、费用低、并发症少等优势，是治疗早期胃肠道肿瘤的安全、有效的方法[27]。Zhu 等[28]应用CNN 模型对790 幅胃癌内镜图像进行训练和学习，并对203 幅胃癌图像进行测试，结果显示其诊断胃癌浸润深度的AUC、特异度和总体准确率分别为0.94、95.56%和89.16%。该研究表明AI 技术评估胃癌浸润深度的特异度和准确率较高，可避免不必要的胃大部切除术，从而有效改善患者术后的生活质量。

3 AI 技术辅助诊断小肠疾病

传统的内镜检查和放射学检查难以对小肠进行全面检查[29]。胶囊内镜的发明使小肠疾病的诊断、监测和管理发生了飞跃性的进步。胶囊内镜可清楚地观察小肠管壁的异常，如糜烂、溃疡、息肉、出血、憩室、静脉扩张、淋巴滤泡增生和寄生虫等[30]。然而，每次胶囊内镜检查会生成50 000～100 000 幅图像，内镜医生需用大量时间来处理相关数据[31]。因此，需要应用AI 技术来辅助检出各种小肠病变，以期有效提高诊断的准确率和效率。

2019 年Aoki 等[32]利用5 360 幅小肠胶囊内镜图像建立了一个CNN 系统，其诊断小肠黏膜糜烂和溃疡的敏感度、特异度和准确率分别为88.2%、90.9%和90.8%。2019 年Ding 等[33]利用158 235 幅小肠胶囊内镜图像开发了一个AI 辅助阅读模型，其识别多种小肠病变的敏感度高于99%，并且每例患者图像的平均阅读时间较常规阅读明显缩短[（5.9±2.23）min 比（96.6±22.53）min，P＜0.001]。上述研究结果表明AI 技术既可大幅度减轻内镜医生的阅片压力，提高工作效率，又可降低各种小肠病变的漏诊率，这对于提高小肠疾病诊断的准确率具有重要的意义。2020 年Otani 等[34]开发了一种能诊断3 种小肠病变（黏膜糜烂和溃疡、血管病变、肿瘤）的深度神经网络系统RetinaNet，其诊断的AUC 分别为0.996、0.950、0.950，可见AI 技术具有提高小肠疾病检出率及分类识别能力的潜力。

4 AI 技术辅助诊断结直肠疾病

4.1 识别息肉的组织病理学

结直肠癌（CRC）是全球第2 位恶性肿瘤死亡原因[5]。CRC 患者的预后与早期诊断、早期治疗密切相关，“息肉-腺瘤-癌”是常见的CRC 发病模式，因此针对结直肠息肉（尤其是腺瘤性息肉）的早期干预是预防和减少CRC 发病的关键，内镜检查是诊断和切除腺瘤性息肉的主要方法[35]。内镜下切除腺瘤性息肉可降低80%的CRC 发病率[36]。由于切除增生性息肉会增加医疗费用，故在内镜下实时准确判断息肉的组织病理学具有重要意义。2018 年Chen 等[37]开发并测试了一个可识别微小结直肠息肉组织病理学的DNN-CAD 系统，该系统识别直径＜5 mm 的188 枚腺瘤性息肉和96 枚增生性息肉的敏感度、特异度分别为96.3%、78.1%。2021 年Rodriguez-Diaz 等[38]开发了一种全新的可预测结直肠息肉组织病理学的直观增强可视化CAD 模型，其区分171 枚肿瘤性息肉和83 枚非肿瘤性息肉的敏感度、特异度分别为96%、84%。上述研究显示AI 技术可依据表面形态来准确识别息肉的组织病理学，从而减少活体组织病理检查导致的损伤。

4.2 评估肿瘤浸润深度

根据2019 年日本结直肠癌学会（JSCCR）的结直肠癌治疗指南，腺瘤、cTis（M）癌和浅层浸润cT1（SM）癌可在内镜下切除，但深层浸润cT1（SM）癌及浸润更深的肿瘤需手术切除[39]。Ito 等[40]利用三重交叉验证方法回顾性检测了190 幅结直肠癌白光内镜图像，AI 技术辅助诊断肿瘤浸润深度的准确率达81.2%，表明其可辅助内镜医生准确评估肿瘤的浸润深度，从而制定精准的治疗方案。

4.3 炎症性肠病

在溃疡性结肠炎（UC）的治疗中，持续的炎性反应增高了结肠组织发生异型增生和恶变的风险[41]，但普通白光内镜下难以准确识别持续性炎性反应组织。Maeda 等[42]开发并评估了一个应用细胞内镜来预测UC 患者结肠组织持续性炎性反应的CAD 系统，总体诊断的敏感度、特异度和准确率分别为74%、97%和91%。目前AI 技术用于炎症性肠病的相关研究不多，今后需进一步开展相关研究来探索其临床应用价值和可行性。

5 小结

AI 技术与消化内镜相结合可大幅度提高消化道疾病的诊断效能，既借助了计算机的强大学习和运算能力，又保留了内镜的所有功能并汲取了内镜专家的诊断经验，从而降低了内镜医生肉眼诊断的主观性偏倚及微小或平坦型病变的漏诊率。然而，目前开发的AI 系统仍存在一定的局限性：（1）多数研究是回顾性的，研究结果未与临床远期预后进行比较，无法进一步评估其诊断的准确率；（2）多数模型只在单中心验证，未进行多中心临床试验来评估其适应性和有效性；（3）许多研究收集的是高质量的静态图像，无法验证CNN 系统是否适用于低质量的图像（如模糊、失焦及伴有光晕和黏液等）来诊断病变；（4）对于消化道早期恶性肿瘤的诊断，观察病灶时通常需切换白光和NBI模式，目前尚未开发能同步进行双模式训练的模型。尽管如此，AI 技术辅助检测和诊断消化道疾病的优势是明确的，今后需多开展设计合理的大规模多中心前瞻性试验，相信在不久的将来，AI 消化内镜会成为消化道疾病诊治的重要方法，以期实现对患者的个体化精准诊疗。