基于人工智能的内镜诊断在早期食管鳞癌的筛查方法构建及应用研究

黄亚彬 李 锋 贾爱群 薛全胜 孙海丽 冯亚东

1.江苏省如皋市人民医院消化内科，江苏如皋 226500；2.东南大学附属南京中大医院消化内科，江苏南京 210000

食管癌是发生于食管黏膜上皮的恶性肿瘤，我国是食管癌的高发区域，其中90.0%以上为食管鳞癌[1-2]。由于各种因素的影响，很多食管鳞癌患者在确诊时已处于中晚期，多伴随远处转移或淋巴结转移，导致5 年生存率不超过20.0%[3]。而早期食管癌患者经过治疗后的5 年生存率可在90.0%以上，为此加强早期诊断具有重要价值[4-5]。内镜检查为食管鳞癌的主要检查方法，白光成像设备仍然是食管鳞癌检测的主要工具。但是部分医院由于医师缺乏临床诊断经验、设备陈旧等原因，导致对食管鳞癌的阳性检出率较低[6]。随着人工智能（artificial intelligence，AI）理论和技术的进步，特别是随着以图像识别技术为代表的深度学习（deep learning，DL）技术的快速发展和应用，能够通过智能化手段辅助医生诊断，从而提高诊断的效果[7-8]。基于以上背景技术，本研究具体探讨与分析了基于人工智能的早期食管鳞癌筛查方法构建及应用效果，从而提高对食管鳞癌的诊断水平。现报道如下。

1 资料与方法

1.1 一般资料

采用回顾性研究方法，选择2020 年6 月至2022 年6 月在江苏如皋市人民医院进行诊治的食管病变患者380 例。本研究获得江苏如皋市人民医院医学伦理委员会批准实施。

纳入标准：年龄40 ～75 岁，有上消化道肿瘤疾病史或者家族史的高危人群，食管术后需要复查的患者，高危地区人群或者其近亲属作为研究对象。排除标准：存在凝血功能障碍者；有吞咽困难或进食不畅者、术后1 个月患者消化道出血未停止者；既往有食管或胃部外科手术史者；存在食管-胃底静脉曲张、食管狭窄者；拒绝配合研究方案者。

1.2 检查方法

所有患者空腹口服“食康一号”胶囊（湖南港湾科学仪器有限公司，专利号：202021649678），吞服胶囊后3 min 内饮用温水300 ml，约3 min 后，沿牵引线缓慢细胞收集器（海绵体），放入固定液中，统一送检，进行细胞学基因检测。检测出的可疑阳性病例免费行胃镜复核检查一次。

内镜检查：要求内镜检查者都有5 年以上内镜操作经验，且有副主任医师及其以上职称。所有患者检查前空腹 6 ～8 h，采用口服达克罗宁胶浆进行局部麻醉，服用二甲硅油散进行检查前准备。使用带有光学染色的内镜系统（Olympus 公司的290型设备），对于食管在进镜和退镜时各观察一次，分别在白光和光学染色模式下观察，从食管入口至齿状线/贲门每隔约5 cm 进行拍照并留存图片，至少留图10 张。图像所涉及的患者基本信息进行脱敏处理，确保个人隐私的安全性。

按需进行黏膜活检，根据描述异常区域进行取样。活检病理以10.0%甲醛溶液固定送至医院病理科，由2 位从事病理诊断医师独立阅片（工龄≥3 年，副主任医师及其以上职称）出具的组织病理学报告，并以此作为诊断的金标准。

1.3 人工智能分析方法

上述“食康一号”胶囊收集样本进行细胞学基因检测，标准化制片、染色、扫描。在人工智能分析中，本研究构建了基于多参数风险评测模型的食管肿瘤早期识别和智能预警评测模型。项目预警评测模由样本源数据库模块、风险预测模型模块、智能分析模型图模块、风险级别分析及评估模块组成。样本源数据库模块，用于对样本疾病风险评测多参数检测数据的收集存储；风险预测模型模块，用于对样本源数据库模块内数据，进行统计、定量分析、输出归一化指数；智能分析模型图模块，用于将风险预测模型模块的归一化指数以多形式模型图作为诊断模型图进行表达；风险级别分析及评估模块，用于对多形式模型诊断图进行解析、病变预警及评估。该平台还提供了其应用，通过风险多级预警色系标识、枫叶模型图、异常细胞分析图进行表达疾病恶性度风险等级，为临床诊断提供参考。本项目由专业医疗科技公司[怡早医疗科技（上海）有限公司]支持。

1.4 统计分析

采用SPSS 22.00 统计学软件进行分析，计量资料以均数±标准差（s）表示，计数资料以[n（%）]表示，分别采用t检验与χ2检验进行分析，影响因素分析采用多因素 logistic 回归分析，明确诊断的价值，以P＜ 0.05 为差异有统计学意义。敏感度=真阳性人数/（真阳性人数+假阴性人数）×100%。特异度=真阴性人数/（真阴性人数+假阳性人数）×100%。

2 结果

2.1 所有患者病理诊断结果

在380 例患者中，病理诊断为食管鳞癌56 例（食管鳞癌组），非食管鳞癌324 例（非食管鳞癌组），包括食管腺癌4例，食管炎症122例，食管异型增生198例。

2.2 两组患者一般资料比较

食管鳞癌组的性别、年龄、体重指数、吸烟、饮酒、血压与非食管鳞癌组比较，差异无统计学意义（P＞ 0.05）。见表1。

表1 两组患者一般资料比较

2.3 内镜检查和基于人工智能的细胞学检查的诊断价值

在380 例患者中，内镜诊断为食管鳞癌45 例，其鉴别诊断食管鳞癌的敏感度与特异度分别为78.57%（44/56）和99.69%（323/324）；基于人工智能的细胞学诊断为食管鳞癌55 例，其鉴别诊断食管鳞癌的敏感度与特异度分别为98.21%（55/56）和100.00%（324/324），基于人工智能的细胞学鉴别诊断早期食管鳞癌的敏感度优于内镜诊断，见表2。

表2 内镜检查和基于人工智能的细胞学检查的诊断价值（n=380）

3 讨论

食管鳞癌为消化道的常见恶性肿瘤之一，早期食管鳞癌是指病变仅累及黏膜层及黏膜下层，不伴有淋巴结转移的食管鳞癌，进行早期手术治疗能显著改善患者的预后[8]。内镜检查为食管癌的主要诊断方法，可在内镜下判断食管病变的不典型增生和肿瘤浸润深度，且操作过程也比较简便。但是早期食管鳞癌可能原发于深部的肿瘤，早期诊断难度较大，在临床上容易出现误诊。并且部分医院的医生诊断水平较低，也存在医疗资源分配不均衡等原因，也是造成早期食管鳞癌漏诊的重要因素[9]。本研究显示在380 例患者中，病理诊断为食管鳞癌56 例（食管鳞癌组），非食管鳞癌324 例（非食管鳞癌组），包括食管腺癌4 例，食管炎症122 例，食管异型增生198 例；内镜诊断为食管鳞癌45 例，其鉴别诊断食管鳞癌的敏感度与特异度分别为78.57%（44/56）和99.69%（323/324），表明内镜对于早期食管鳞癌的诊断敏感度有待提高。

随着基于深度学习的人工智能技术在医学图像识别领域的快速发展，人工智能已在多种肿瘤的诊断中展现出非常有价值的临床应用前景[10-11]。现有疾病风险预测模型，主要是对胃癌开展预测，尚无食管癌风险评测体系。本研究采用基于新型细胞富集技术采用膨胀式海绵胶囊设计，增大了与消化道黏膜接触面积，比原有拉网细胞学采样成功率高。细胞学检查相对简便，联合高危因素评分量表可提高筛选效果，提高后续内镜精查的阳性率和筛查效率。基于数学应用和人工智能，对生物样本细胞信息进行分析，结合流行病学调查数据，形成细胞筛查五级风险评测报告；完成后在未知细胞病理学结果的情况行内镜检查及黏膜活检。特别是人工智能能够对细胞学图像实时鉴别并准确分类，还可成为质量控制及规范化操作的客观评价指标，规范内镜医师胃镜操作要求，也可有效实时监测内镜检查质量[13]。本研究显示在380 例患者中，基于人工智能的细胞学诊断为食管鳞癌55 例，其鉴别诊断食管鳞癌的敏感度与特异度分别为98.21%（55/56）和100.00%（324/324）。从机制上分析，基于人工智能的细胞学诊断可提高规范化操作水平，能提高内镜质量控制的监管措施，从而提高病变检出率。特别是本研究采用的新型食管细胞富集器，可3 min快速获取食管、贲门和口咽部脱落细胞，无痛、无创、快速、方便和安全，获取细胞量超300 万个。患者可居家自主取材，适合广泛开展上消化道肿瘤早筛，从而为临床诊断提供基础。不过在具体的人工智能实行过程中，算法作为人工智能的核心关键，人工智能若对算法无法完整处理或者出偏移，比如当图像出现过大或过小的情况，要按算法不断进行训练及调整，从而提供更多的合理有效数据[15]。同时在人工智能应用过程中，需要提高数据标注置信度，特别是一些特殊染色审核需要进行辅助标注[16]。

在当前食管鳞癌的临床诊断中，建立基于细胞学影像的人工智能辅助诊断系统，可以提高医生对食管鳞癌的早期诊断率[17-18]。本研究建立的基于人工智能的早期食管鳞癌筛查方法是基于大数据的分析方法，可综合患者的个体组学特征给出诊断。特别是新型细胞富集技术采用膨胀式海绵胶囊设计，增大了与消化道黏膜接触面积，比原有拉网细胞学采样成功率高。本研究显示在380 例患者中，基于人工智能的细胞学鉴别诊断早期食管鳞癌的敏感度优于内镜。不过人工智能技术在短时间内仍很难取代病理专家或者影像学专业单独进行对早期食管鳞癌的诊断[19-20]。本研究自主开发的新型食管脱落细胞富集器，富集数百万细胞，智能高效识别食管全程细胞，产品使用方便、快捷、无痛、无创，临床验证安全有效，可在食管癌高发和非高发地区应用于大人群筛查，提高食管癌筛查和防治工作效率，具备良好的应用前景。但是由于经费问题，本研究的样本量过少，且人工智能分析比较少，可能存在研究偏移，将在后续研究中探讨。

总之，基于人工智能的早期食管鳞癌筛查方法构建及应用能提高诊断的敏感度，有利于食管鳞癌的早期发现。