人工智能技术在胃肠及肝脏疾病诊疗中的应用研究进展*

王鑫鑫 综述,郑 盛,杨 涓△ 审核

(1.大理大学临床医学院,云南 大理 671000;2.大理大学第二附属医院消化内科,云南 昆明 650011)

消化系统疾病病种繁多,很多疾病临床表现复杂并且早期一般无明显症状,不易于早期诊断和治疗[1-2]。目前,越来越多的研究将人工智能(AI)技术应用于胃肠病学和肝病学等医学领域,包括内镜识别、病情监测、预后评估等。该文就AI技术在部分胃肠疾病和肝脏疾病诊疗中的应用研究进展进行了综述。

1 AI技术在胃肠病学中的应用

根据算法的不同,AI在医学领域主要分为传统的机器学习算法和深度学习算法[3]。深度学习算法具有无需人工提取各种特征的优势,其学习过程更迅速、更智能、更准确。在临床实践中,AI由人工神经网络、深度学习、卷积神经网络(CNN)和递归神经网络等多种重叠技术组成[4]。近年来,基于内窥镜、病理学、血清学指标等临床数据开发的多个AI模型已广泛应用于胃肠疾病的精确诊断和预后评估,如胃癌识别、结直肠癌预后评估及消化道出血检测等。

1.1胃癌早期诊断 胃癌症状隐匿、无特异性,确诊时多为晚期且预后较差,是全球癌症相关死亡率的第4大原因[5],早期发现和合理治疗对降低胃癌病死率至关重要。目前已有多项研究关注深度学习算法在胃癌诊治中的应用[6-11]。CNN是一种高效的深度学习图像识别方法,HUANG等[6]设计了一个基于CNN的模型,其可以通过分析数字苏木素伊红染色病理图片准确诊断胃癌。值得一提的是该模型的诊断性能与病理医生不相上下。LUO等[7]收集上消化道肿瘤患者内镜影像数据,建立了基于深度学习的人工智能诊断系统,其可在内镜检查中为上消化道癌提供实时辅助诊断,其诊断灵敏度几乎与内镜专家不相上下,有助于降低可疑病变的漏诊风险。有研究显示,基于深度CNN的计算机辅助系统能够较内镜医生更准确地检出早期胃癌,而且在食管胃十二指肠镜检查过程中可主动跟踪可疑癌灶并监测盲点[8-9]。在此基础上,有学者又开发了一种基于深度学习的实时AI系统,实现了在食管胃十二指肠镜检查中对内镜盲点和早期胃癌检测的实时监控,大大提高了内镜检测早期胃癌的潜力[10]。另一项有趣的研究建立了基于舌部图像的AI深度学习模型,该模型发现舌象可以作为一种稳定的胃癌识别方法,并且显著优于传统的血液生物标志物,可有效区分胃癌和非胃癌,甚至能区分早期胃癌和萎缩性胃炎等癌前病变[11]。

1.2结直肠癌预后评估 结直肠癌是消化系统中一种常见的恶性肿瘤,具有较高的发病率和病死率。精确识别预后不良的高危患者以进行个体化预后预测对医生制定临床决策至关重要[12-13]。有研究使用深度学习分析了1 200多万张病理切片图像后发现了一种能够预测原发性结直肠癌切除术后患者预后的生物标志物,其可将患者划分为不同的预后组,有助于辅助治疗选择的决策[14]。LI等[15]基于随机生存森林构建了纳入癌胚抗原、糖链抗原19-9和糖链抗原125等围手术期纵向测量信息的预测模型,可以更准确地预测结直肠癌患者预后,为患者提供个性化的动态预测。另外,微卫星不稳定性(MSI)作为结直肠癌的重要预后生物标志物,也是免疫检查点封锁疗法的泛癌生物标志物[16-17]。有研究表明,深度学习可以直接预测MSI状态[18]。YAMASHITA等[19]研究发现,基于深度学习的自动筛查模型在预测MSI方面优于有经验的病理医生,这些发现有助于辅助判断结直肠癌的预后和选择化疗药物。

1.3消化道出血诊断和预后评估 消化道出血是临床实践中一种常见的疾病,其病因和表现多种多样。AI技术已被应用于辅助检测消化道出血。MOHAN等[20]报道了基于CNN的计算机辅助诊断技术在无线胶囊内镜识别胃肠道溃疡和出血中展现出了良好的光学诊断性能,有潜力优化无线胶囊内镜审查过程的效率和准确性。BANG等[21]研究也有相似结论。另外,有研究基于增强CT图像,针对肝硬化患者食管静脉曲张破裂出血的风险,建立了一种新的无创放射学诊断模型[22]。该模型具有较高的准确性,有望实现及早识别和干预,从而降低急性食管静脉曲张破裂出血相关的死亡率。有研究提出了可以自动识别上消化道出血患者并生成风险特征的机器学习模型,该模型性能优于现有的内镜前临床风险评分,可为临床医生的治疗决策提供建议[23]。魏子健等[24]使用logistic回归模型、基于决策树的AdaBoost算法和XGBoost算法,从消化道出血样本中提取、筛选得到关键核心血清学指标,并提出一种院内消化道致命性再出血预测模型,在消化道出血救治方面具有重大意义。AI技术应用于临床实践的主要优势是提高审查效率、诊断性能,降低漏诊率,并且在一定程度上可减轻内镜医生负担。

2 AI技术在肝脏病学中的应用

AI技术在肝脏疾病中的应用起步略晚于胃肠疾病。近几年,关于AI技术应用于肝脏疾病的研究逐渐增多,尤其是深度学习或影像组学,目前已有多项研究将其用于肝纤维化检测、肝细胞癌(HCC)转移及术后生存预估、肝性脑病风险预测等方面。

2.1肝纤维化无创检测 肝纤维化的准确检测和量化在监测疾病进展、指导治疗决策和评估治疗反应方面至关重要。XIE等[25]利用CNN分析提取肝脏纤维化的超声图像特征,设计了一种对纤维化进行定量分期的自动诊断系统,该系统能够及时并准确地判断患者是否存在肝纤维化和评估纤维化程度,有助于实现更好的肝纤维化防治。另一项研究发现,基于深度学习的影像组学显著提高了肝硬化和晚期纤维化的诊断准确性,其具备与肝活检相似的诊断效能[26]。GAWRIEH等[27]开发了一种集成的自动化AI工具,其可准确检测和量化肝纤维化程度,并可评估非酒精性脂肪性肝病患者肝纤维化结构模式。SARVESTANY等[28]研究发现,利用常规收集的数据进行训练后的集成机器学习算法,在检测肝脏疾病晚期纤维化方面的性能优于多数传统的无创检测方法,其检测性能与专家组不相上下。AI技术的应用有助于及早发现肝纤维化患者,从而降低了肝脏相关死亡率。未来需要对这些模型进行更全面的培训和评估,并在大型独立队列中进行前瞻性验证。

2.2HCC转移及术后生存预估 HCC具有高侵袭性,极易向血管系统扩散[29]。近年来,关于AI在HCC血管侵犯预测及切除术后生存预估中的应用研究均取得了良好结果。FU等[30]结合临床因素和影像组学特征,构建了基于多任务深度学习网络模型,其可以准确预测HCC大血管侵犯风险。LIU等[31]研究显示,利用HCC患者动脉期CT图像与临床因素构建的深度学习模型,能够自动捕获并学习微血管侵犯相关的影像特征,提高了术前无创评估微血管侵犯的准确性。其他学者的相关研究(文献[32-33])也有类似发现。此外,SAILLARD等[34]研究发现,在预测肝癌预后和生存期方面,基于组织学切片图像分析的CNN模型比其他经典的临床、生物学和病理特征更准确。JI等[35]研究发现,使用机器学习框架结合影像组学分析能准确预测临床HCC患者个体复发风险,从而促进HCC的个体化治疗。ZENG等[36]报道了随机生存森林模型在预测术后早期复发方面的良好效能,该模型有助于指导术后随访和辅助治疗。这些模型的应用在帮助临床医师确定治疗决策和改善患者预后方面具有重大意义。

2.3肝性脑病风险预测和轻微肝性脑病识别 肝性脑病不仅可通过降低生活质量来影响患者和照顾者生活[37],而且临床病死率较高。我国肝性脑病发病率为10%～50%,在肝硬化住院患者中,轻度肝性脑病患病率高达39.9%[38]。因此,早期发现并预防肝性脑病高危患者,对于延长患者生存期和提高其生活质量具有重要意义。YANG等[39]研究显示,在相同的临床数据下,加权随机森林、加权支持向量机和逻辑回归模型对肝性脑病患者识别能力优于传统机器学习模型,其中加权随机森林模型尤其适用于不平衡数据的分类,有利于辅助临床医生识别肝性脑病高危患者。谈军涛等[40]的研究结果与上述研究有相似结论。CHENG等[41]提出的基于机器学习的CT影像组学模型,在预测静脉肝内门体分流术术后肝性脑病方面具有良好性能。这一发现使常规CT检查作为一种无创工具,能够准确地进行肝性脑病风险预测,有广泛的临床应用潜力。

此外,轻微肝性脑病只能通过神经心理学或心理测试来诊断,但耗时较长,而且目前没有公认的“金标准”。JIAO等[42]的研究发现,基于贝叶斯机器学习技术确定的具有代表性的内在连接网络,可能是识别轻微肝性脑病的潜在神经影像学生物标志物,并可为现有的其他轻微肝性脑病诊断方法提供补充信息。另一项相似研究发现,基于白质成像和贝叶斯数据挖掘技术确定的表征组间差异的白质异常区域,可以提供生物标志物区分轻度肝性脑病和非肝性脑病,有助于轻微肝性脑病的检测和后续治疗[43]。

3 小 结

AI技术发展迅速,一直处于科学研究前沿,特别是深度学习和放射组学在胃肠病学和肝脏病学领域的疾病诊断、风险预测、预后及生存评估等各个方面均有良好的应用前景。本文提到的研究大多数为回顾性研究,可能存在固有偏倚,有待进行进一步研究,以便开发出更精确的AI工具。未来还需要建立大规模、高质量、多中心的临床数据库来进行更多研究,探索AI的临床适用性和推广性。