以人工智能肠道图像识别模型评估结肠镜检查前肠道准备

林燕凤,赵舷宏,付朝丽,林梅顺,张英秀,谢晓婷,钟彩玲,刘 佳,张北平

(广州中医药大学第二附属医院脾胃病科,广东 广州 510120)

高质量肠镜检查为筛查肠癌的核心环节[1],但检查前20%～30%患者肠道准备不合格,不仅影响肠镜操作视野、增加检查难度、延长操作时间、加重患者痛苦、加大并发症发生风险,且残留粪便覆盖于肠黏膜表面可能掩盖病变而导致漏诊[2]。适当选择导泻剂种类、剂量及服用方法等可显著提高肠道准备的质量[3],但在部分患者(如便秘、糖尿病)仍不能满足检查需要。本研究观察人工智能肠道图像识别模型评估结肠镜检查前肠道准备的价值。

1 资料与方法

1.1 一般资料 回顾性分析2020年6月—2021年11月190例广州中医药大学第二附属医院接受肠道准备评估及结肠镜检查患者,男101例、女89例,年龄20～70岁、平均(55.5±13.9)岁。根据评估肠道准备方式将患者分为观察组(n=100,以部署于患者智能手机上的人工智能肠道准备图识别模型判断是否达到肠道准备要求)和对照组(n=90,由患者将其末次粪便形状与统一发放的肠道清洁准备图进行对比而自行判断):观察组男52例、女48例,年龄20～69岁、平均(49.8±14.5)岁;对照组男49例,女41例,年龄23～70岁,平均(53.4±13.0)岁。纳入标准:①年龄18～70岁;②口服导泻剂以进行肠道准备;③患者或陪同家属熟悉智能手机操作;④签署肠镜检查知情同意书。排除标准:①肠道手术史;②胃肠道梗阻或出血;③严重心、肺功能疾病;④运动障碍致如厕困难,难以顺利完成肠道准备。

1.2 肠道准备 嘱患者于检查前晚20∶00始于40 min内分次服用聚乙二醇电解质散1 L,再于检查当日晨4∶00(上午行肠镜检查)或9∶00(下午行肠镜检查)始于80 min内分次服用上述药物2 L,每次均为250 ml;服药后尽量多饮水、走动并顺时针按摩腹部。对肠道准备合格者即行肠镜检查,对不合格者嘱其加服导泻剂直至准备合格。

1.3 结肠镜检查 采用OLYMPUS CF-HQ290肠镜检系统。嘱患者左侧卧,经肛门插入电子内窥肠镜,循腔进镜至回肠末端,再缓慢退镜至肛门口,完成肠镜检查。

1.4 构建模型

1.4.1 图像分割 通过智能手机摄像功能获取粪水图像,以多阈值边缘检测法分割图像:首先以高斯平滑降噪,根据图像噪声水平和所需平滑程度确定高斯核大小(kernel size),即平滑半径,通常为3×3、5×5、7×7;创建高斯核(Gaussian kernel)并将其置于对应像素位置,将内核所有像素值与相应高斯权重相乘并求和,再以所有权重之和,得到新的像素值,最后保存处理后的图像;计算图像各方向梯度值并筛选最大值,根据设定的高阈值采集粪水图像边缘信息,以设定的低阈值和边缘信息生成轮廓图,最后基于轮廓图对粪水图像进行分割和提取。

1.4.2 生成预置卷积神经网络(convolutional neural network, CNN)模型 按7∶3比例将数据库中的16 000幅粪水图像分为训练集(n=11 200)及验证集(n=4 800)。以训练集数据训练CNN模型,将多个初始化不同而结构相同的CNN模型进行结果平均化,生成预置CNN模型,以资识别、提取粪水图像特征,通过感知哈希算法将其与粪水性状数据库图像进行对比而生成肠道准备结果[4]。针对验证集基于ResNet、Vision Transformer、视觉几何组(visual geometry group, VGG)网络及ConvNext进行模型效能验证,观察其准确率及F1值变化曲线。

1.4.3 手机部署 将预置CNN模型部署在手机云端,嘱患者采用手机微信小程序“肠道准备” (主要包括拍照、处理及显示3个模块)将粪水图传至云端接受评估及回传的评估结果。拍照模块:通过手机拍摄待识别的粪水图像;处理模块:基于机器学习粪水性状识别方法程序的中央处理器进行处理并生成肠道准备结果;显示模块:连接手机显示屏与处理模块,显示评估结果。

1.5 评估参数

1.5.1 肠道清洁度 由1名医师和1名护师共同于肠镜检查退镜过程中采用波士顿肠道准备量表(Boston bowel preparation scale, BBPS)评估肠道准备情况,根据下列标准分别对左半结肠(left colon, LC)、横结肠(transverse colon, TC)和右半结肠(right colon, RC)清洁度进行评分:0 分,肠腔内有大量固体粪便,无法观察肠黏膜,或肠道准备过差而严重影响进镜,不得不终止肠镜检查0分;1分,肠腔内见残留粪便或不透明液体,部分肠黏膜可见;2分,肠腔内残留少量粪便或不透明液体,肠黏膜基本可见;3分,肠腔内无粪便及不透明液体,全部肠黏膜清晰可见。以各段肠管得分总和作为评估结果,0～3分表示肠道准备不满意,4～6分表示比较满意,7～9分表示非常满意。

1.5.2 肠镜检查时间 进镜及退镜时,分别于肛门口拍照,记录摄取2幅图片的时间差值,即肠镜检查时间。

1.5.3 腺瘤检出率 以病理组织学为金标准,以肠镜检出病灶中至少有1个为腺瘤为该例检出腺瘤。

1.6 统计学方法 采用SPSS 22.0统计分析软件。以±s表示符合正态分布且方差齐的计量资料,行独立样本t检验;以中位数(上下四分位数)表示不符合正态分布者,行Mann-WhitneyU检验。采用χ2检验或Fisher精确检验法比较计数资料。P<0.05为差异有统计学意义。

2 结果

2.1 基线资料 观察组患者年龄显著小于对照组(P<0.05),而组间患者性别、身高、体质量及体质量指数(body mass index, BMI)差异均无统计学意义(P均>0.05)。见表1。

表1 190例接受肠道准备及结肠镜检查患者基线资料比较

2.2 模型性能 CNN模型验证结果显示,各模型中ResNet最佳,其识别粪水图像性能较高、稳健性较强(图1),故以之作为系统模型。

图1 CNN模型识别粪水图像准确率(A)及F1值(B)的变化曲线

2.3 肠道准备 观察组BBPS评分及腺瘤检出率高于对照组,而肠镜检查时间短于对照组(P均<0.05)。见表2。

表2 190例接受结肠镜检查患者肠道准备评估结果比较

3 讨论

结肠镜有助于筛查大肠癌,而充分的肠道准备是其重要环节[2]。本研究建立的人工智能肠道图像识别模型可显著改善肠道清洁度、缩短肠镜检查时间、提高腺瘤检出率,进而提高结肠镜检查质量。

多项临床模型研究[5-9]表明,慢性便秘、糖尿病、服用抗抑郁药物、年龄>65岁、BMI≥24 kg/m2、结直肠手术史及首次接受结肠镜检查是结肠镜检查前肠道准备失败的独立危险因素。目前国内多推荐结肠镜检查前口服2～3 L[10]、国外研究[11]则推荐口服4 L聚乙二醇溶液作为肠道准备,液量较大,易致患者出现恶心、呕吐、腹胀和腹痛等不良反应,且部分患者因无法耐受大剂量口服溶液而不能完成肠道准备;且由患者根据肠道准备清洁图自行评价肠道准备情况客观性不足,导致肠镜检查不满意甚至中止检查。本研究将人工智能肠道图像识别模型部署于患者移动设备,由模型对其上传的末次粪水图进行分析,以客观评价肠道准备情况,有助于提高结肠镜检查质量。

超过80%结肠癌为结肠腺瘤进展而来,而结肠镜检查前肠道准备不充分可显著降低腺瘤检出率[12]。研究[13]表明,肠道准备不充分的结肠镜腺瘤漏检率为42%,其中直径≥10 mm的腺瘤漏检率可达27%。本研究表明,采用人工智能肠道图像识别模型评估肠道准备情况还可明显提高腺瘤检出率、缩短结肠镜检查时间。本研究前期1例长期便秘患者曾于肠镜检查前采用对照组方法自行判断肠道准备良好,但检查中发现盲肠及升结肠内粪水较多而部分视野观察不清;为满足临床要求,征得患者同意后予以加服导泻剂,并以模型评估肠道准备满意后再次进行检查,BBPS评分由4分提高到8分,并检出6 mm×6 mm腺瘤性息肉1枚(图2)。

图2 患者男,56岁,长期便秘 A～D.患者自行判断肠道准备良好后的结肠镜图(A～D依次为盲肠、升结肠、TC及直肠),BBPS评分4分; E～H.加服导泻剂并以模型评估肠道准备满意后的结肠镜图(A～D依次为盲肠、升结肠、TC及直肠),BBPS评分8分 (黄圈为初次检查被粪水遮盖的6 mm×6 mm腺瘤性息肉)

现有结肠镜检查前粪水自动检查方法多通过传统机器学习方法提取特征,再以线性回归或支持向量机(support vector machine, SMV)算法与样本图像进行逐一比对而进行识别、评估,存在识别效果差、特征提取不完全等情况;且所提取特征多集中某些方面(如仅对图像颜色进行提取、仅对粪水性状进行提取),无法全面反映整体状态,导致难以准确判断实际肠道清洁度。本研究观察组对粪水图像进行灰度转换、降噪及标准化等,全面提取粪水形状特征并用于训练CNN模型,再将粪水图像与粪水性状数据库图像进行逐一对比,能够准确评估肠道准备效果,有助于减少医护人员工作量及患者就诊次数、节省检查前准备时间。

综上所述,采用人工智能肠道图像识别模型评估结肠镜检查前肠道准备情况可提高BBPS评分及腺瘤检出率、缩短肠镜检查时间。本研究的主要不足:①样本量小;②观察组患者年龄显著小于对照组,而年龄可能影响肠道准备,有待后续进一步观察。