人工智能在消化系統(tǒng)疾病診治中的應用和展望

宋 欣 孫 菁

蘇州大學醫(yī)學院1(215000) 上海交通大學醫(yī)學院附屬瑞金醫(yī)院消化內(nèi)科2

二十世紀四十年代，研究人員就開始嘗試研發(fā)出能作為醫(yī)學顧問的計算機程序用以輔助臨床醫(yī)師的診療工作，這是人工智能在醫(yī)學領(lǐng)域的最早報道[1]。隨著計算機科技的發(fā)展，人工智能展現(xiàn)出了更強大的數(shù)據(jù)處理能力，適用于醫(yī)學圖像的識別和復雜臨床數(shù)據(jù)的分析。在消化內(nèi)科領(lǐng)域，已發(fā)展出了多種智能技術(shù)，可提升內(nèi)鏡檢查的效率和質(zhì)量，輔助常見消化系統(tǒng)疾病的診斷和預后的判斷，以及預測消化道惡性腫瘤的發(fā)生風險。本文就人工智能技術(shù)在消化系統(tǒng)疾病診治中的應用和前景作一綜述。

一、人工智能的定義

通常人工智能的定義有兩種表述，其一從認知的角度出發(fā)可將人工智能技術(shù)定義為研究人類智力過程的系統(tǒng)理論；其二從行為角度將其定義為制造可完成需要人類智力才能完成的工作的機器的科學。前者關(guān)注的重點在于認知心理學，強調(diào)機器對自身推理過程的理解；后者強調(diào)的重點在于機器行為的復雜程度。本文所提到的人工智能屬于后者。

二、醫(yī)學人工智能技術(shù)的發(fā)展歷程

1. 早期計算機輔助程序：早期計算機輔助程序使用流程圖、布爾代數(shù)、貝葉斯算法、模式匹配和統(tǒng)計學決策分析的方法進行工作，這些單純的數(shù)學程序由于與醫(yī)學專業(yè)知識相脫離，只能解決一些非常簡單的問題，并不具備實用價值。

2. 專家系統(tǒng)：二十世紀七十年代研究人員通過模擬人類專家解決醫(yī)學問題的方法，發(fā)展出了多種類型的專家系統(tǒng)，如CASNET、MYCIN、INTERNIST和PIP，在特定領(lǐng)域已被證實可達到人類專家的水平[2]，但在臨床實踐中并未體現(xiàn)出不可或缺的作用。

3. 深度神經(jīng)網(wǎng)絡(luò)：Szolovits等[3]于1988年提出將深度神經(jīng)網(wǎng)絡(luò)運用于疾病的診治。與傳統(tǒng)計算機回歸分析的單層結(jié)構(gòu)不同，神經(jīng)網(wǎng)絡(luò)是一個復雜的多層感知模型，基本結(jié)構(gòu)包括輸入層、模擬神經(jīng)元層、輸出層三個部分。從數(shù)據(jù)處理能力上看，回歸分析僅能用于處理線性可分的數(shù)據(jù)，而神經(jīng)網(wǎng)絡(luò)可處理回歸分析所不能處理的非線性數(shù)據(jù)。事實上神經(jīng)網(wǎng)絡(luò)的每一層均可看作一個線性分類器，每一層的線性分析結(jié)果均被作為特征送入下一層，數(shù)據(jù)在層與層之間的變換就是一個不斷進行特征提取的過程，也就是神經(jīng)網(wǎng)絡(luò)的學習過程。通過在數(shù)據(jù)庫中的訓練，神經(jīng)網(wǎng)絡(luò)會對各層中的參數(shù)以及訓練算法進行調(diào)整，最終得到較回歸分析更復雜的模型。該模型可從不同層級的抽象數(shù)據(jù)中學習數(shù)據(jù)特征，具有很強的擬合能力，可模擬任意復雜的函數(shù)，適用于解決復雜的醫(yī)學問題。

二十一世紀以來，以深度神經(jīng)網(wǎng)絡(luò)為代表的人工智能真正意義上走進了醫(yī)學領(lǐng)域，特別是深度學習技術(shù)的興起，極大增強了計算機的數(shù)據(jù)分析能力，借助反向傳播算法，深度學習技術(shù)能指出機器如何基于上一層的特征通過改變內(nèi)部參數(shù)計算下層特征，用于發(fā)現(xiàn)大型數(shù)據(jù)集中復雜的結(jié)構(gòu)。借助深度卷積網(wǎng)絡(luò)，醫(yī)學圖像和視頻的處理迎來了重大突破。目前，已有許多項目用于全身各個系統(tǒng)疾病的診療，包括消化系統(tǒng)疾病、生殖系統(tǒng)疾病、內(nèi)分泌系統(tǒng)疾病、心血管系統(tǒng)疾病、血液系統(tǒng)疾病等[4]。

三、人工智能技術(shù)在消化內(nèi)鏡領(lǐng)域中的應用

高質(zhì)量的內(nèi)鏡檢查對于消化道腫瘤的早期診斷有重要意義，目前已有高分辨內(nèi)鏡、熒光成像、增強內(nèi)鏡成像等先進技術(shù)用于提高內(nèi)鏡下腫瘤的檢出率。但這些輔助策略能否充分發(fā)揮作用受到醫(yī)師檢查水平這一因素的限制。如新技術(shù)能著力于提高醫(yī)師的檢查水平, 對我國這一消化道腫瘤大國而言具有重要作用。

1. 人工智能技術(shù)輔助結(jié)腸鏡檢查：一項最新的研究[5]中，人工智能技術(shù)已可用于輔助結(jié)腸鏡檢查，并從腸黏膜檢查的充分性、腸息肉探查、光學活檢等方面提升結(jié)腸鏡檢查質(zhì)量。①確保腸黏膜檢查的充分性：臨床上通常使用腺瘤檢出率(adenoma detection rate, ADR)作為評價結(jié)腸鏡檢查質(zhì)量的指標。ADR每增加1%，可降低3%的間期結(jié)腸癌風險和5%的間期結(jié)腸癌相關(guān)死亡率。在結(jié)腸鏡檢查過程中，EM-Automated-RT[6]這項人工智能技術(shù)可提供實時分析和反饋，該系統(tǒng)將內(nèi)鏡視野劃分為四個象限，當系統(tǒng)從特定的象限識別腸腔空洞時，就將相反象限標記為已檢查區(qū)域，表明可觀察到該部分腸壁，當四個象限的腸壁均被標記為已檢查后，系統(tǒng)給出提示從而確保檢查者對每個象限的腸黏膜均能進行充分檢查。該系統(tǒng)可有效提升平均黏膜可視化評分、平均病灶清除評分以及ADR，并顯著縮短結(jié)腸鏡檢查時間。②輔助腸息肉探查：由于一些腸息肉體積小、形狀扁平或與正常黏膜顏色相似，漏診率可高達22%。目前已發(fā)展出許多自動化息肉識別技術(shù)。Tajbakhsh等[7]通過幾何約束和局部強度變化模式提取形狀和紋理特征用于識別息肉(流程見圖1)，對300個結(jié)腸鏡檢查圖像的敏感性為88%。Wang等[8]提出的Polyp-Alert系統(tǒng)通過橫斷面分析提取息肉邊緣輪廓特征對息肉進行識別，能為檢查者提供實時反饋，在對53個內(nèi)鏡檢查視頻的測試中，可正確檢出98%的息肉，但假陽性率較高。其后有研究[9]創(chuàng)新性地提出一種融合了在線和離線學習模型的深度神經(jīng)網(wǎng)絡(luò)，可有效減少離線神經(jīng)網(wǎng)絡(luò)對闌尾口、回盲瓣、腸壁突出的皺褶以及食物殘余的誤報，假陽性率較離線模型降低了近50%。這些技術(shù)將顯著降低內(nèi)鏡檢查對檢查者的依賴性，對內(nèi)鏡醫(yī)師具有很好的輔助作用。③光學活檢：光學活檢指通過先進的成像技術(shù)結(jié)合現(xiàn)有的分類系統(tǒng)(如結(jié)合使用窄帶成像和NICE國際結(jié)直腸內(nèi)鏡分類法)，可通過內(nèi)鏡預測組織學性質(zhì)。但準確的光學活檢對操作人員的專業(yè)知識具有相當高的要求。目前人工智能技術(shù)已實現(xiàn)自動化光學活檢，如The EndoBRAIN可實時捕捉內(nèi)鏡檢查圖像，并在 0.3 s 內(nèi)作出光學診斷。在100幅隨機挑選的結(jié)腸息肉圖像中，通過與息肉切除后的病理結(jié)果相對比，系統(tǒng)診斷的準確性達90%[10]。Byrne等[11]使用深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)合窄帶成像技術(shù)對增生性息肉和腺瘤進行鑒別，在對內(nèi)鏡檢查視頻的測試中，該系統(tǒng)的準確性為94%，對腺瘤的敏感性和特異性分別為98%和83%。

綜上所述，當前的人工智能技術(shù)幾乎可輔助完成結(jié)腸鏡檢查過程中從腸腔探查到病變定位再到病灶定性的全部工作，即使是實習生，亦能行高質(zhì)量結(jié)腸鏡檢查。

2. 人工智能技術(shù)在膠囊內(nèi)鏡檢查中的應用：膠囊內(nèi)鏡作為一種可直視整個消化道的檢查手段，具有耐受性良好的優(yōu)點，尤其適用于小腸病變的檢查，但手動分析患者的數(shù)據(jù)是一個異常繁雜的過程，即使訓練有素的內(nèi)鏡醫(yī)師亦需花費數(shù)小時。目前已提出了一系列自動化解決方案，主要從出血和病變的檢測、膠囊內(nèi)鏡定位、簡化膠囊內(nèi)鏡視頻等三個方面提升膠囊內(nèi)鏡檢查的效率和質(zhì)量。

①出血和病變的檢測：圖像顏色特征可作為識別消化道出血的主要指標。其智能過程可概括為對內(nèi)鏡圖像進行智能分割，并從不同分辨率的子圖像中提取對應區(qū)域的顏色分布特征從而發(fā)現(xiàn)顏色分布異常的出血區(qū)域。目前已發(fā)展出許多自動化圖像分割技術(shù)和顏色特征分析技術(shù)，如Sainju等[12]提出的區(qū)域生長算法(算法從最初散在的像素集合開始，迭代地選擇相鄰像素并最終形成連續(xù)的圖像區(qū)域)和Fu等[13]提出的超像素算法(該算法將像素劃分為具有認知意義的圖像區(qū)域，用于替換像素網(wǎng)格的剛性結(jié)構(gòu))。一項研究[14]采用了自適應性算法(該算法可根據(jù)不同患者而調(diào)整相應顏色參數(shù))，對消化道出血的敏感性和特異性分別94.8%和96.1%。

圖像紋理可用于對息肉、潰瘍、腫瘤、克羅恩病、鉤蟲病等的識別。Karargyris等[15]采用一種融合了圖像顏色特征和紋理特征的檢測方法(識別流程見圖2)識別潰瘍，敏感性和特異性分別為75.00%和73.30%。隨后，Yu等[16]使用更復雜的特征融合技術(shù)檢測潰瘍，敏感性和特異性分別為99.17%和 80.00%。Zhou等[17]的研究使用深度神經(jīng)網(wǎng)絡(luò)GoogLeNet分析膠囊內(nèi)鏡檢查視頻，定量測量小腸病變程度，對乳糜瀉的診斷敏感性和特異性均達100%，有望推廣到其他消化道疾病的檢查中。

②膠囊內(nèi)鏡的定位：地形分割、運功估測等智能視頻分析技術(shù)使不借助外部設(shè)備實現(xiàn)膠囊內(nèi)鏡定位成為可能[18]。借助地形分割技術(shù)可自動識別消化道不同部分，判斷膠囊所處腸段。在此基礎(chǔ)上運用運動估測技術(shù)，通過追蹤連續(xù)視頻圖像之間的對應像素，并以之為參照物計算膠囊在胃腸道內(nèi)的位移和旋轉(zhuǎn)，可進一步精確對膠囊的定位，從而明確病變部位。

③簡化膠囊內(nèi)鏡視頻：該技術(shù)旨在挑選出膠囊內(nèi)鏡視頻中具有代表性的圖像，其中一種策略是篩選出一段視頻中內(nèi)容明顯偏離其他圖像的圖像，即可能的病變區(qū)域，Iakovidis等[19]的研究結(jié)果顯示該法可減少85%的幀數(shù)且不影響病變的檢測。另一種方法是篩除未能顯示腸壁的無信息畫面或刪除由于膠囊運動緩慢而產(chǎn)生的冗余圖像。Sun等[20]通過模式匹配策略，對無信息視頻幀的識別準確率高達99.3%。Chen等[21]對6個內(nèi)鏡視頻的測試中，通過去除冗余視頻幀和無信息視頻幀，將視頻的總體數(shù)據(jù)量減少了65%，且不影響視頻的診斷價值。

圖1 智能息肉檢測流程圖

圖2 智能潰瘍檢測流程圖

不久的將來，在人工智能技術(shù)的幫助下，消化道內(nèi)鏡檢查或許會變得非常簡單，醫(yī)師僅需按要求采集相應圖像或錄制檢查影像，人工智能系統(tǒng)即能迅速作出相應診斷，對實現(xiàn)消化道疾病的早診斷早治療具有巨大的推動作用。

四、人工智能技術(shù)在消化系統(tǒng)疾病診治中的應用

1. 食管疾?。篔ohanson等[22]使用人工智能技術(shù)分析食管刷片檢查結(jié)果，有效提升了Barrett食管(BE)的診斷率和篩查效率；Chan等[23-24]提出了一種非侵入性BE智能診斷技術(shù)，使用“e-nose”與患者呼出的揮發(fā)性有機物相互作用并測量其電子電導率分布，然后使用人工神經(jīng)網(wǎng)絡(luò)對檢測數(shù)據(jù)進行分析，以確定BE患者的電子電導率分布特征。該技術(shù)的ROC曲線下面積(AUC)為0.79，敏感性和特異性分別為82%和80%。揮發(fā)性有機物變化與BE的關(guān)聯(lián)性可能在于揮發(fā)性有機物差異能反映BE黏膜異常代謝或上消化道微生物群組成分布的變化。e-nose技術(shù)雖不能從食管黏膜組織學層面作出明確的診斷，但對BE大規(guī)模篩查和監(jiān)測較內(nèi)鏡檢查更具成本效益。但上述研究的對象并非為真正意義上的篩查人群，故結(jié)論有待進一步完善。此外，“e-nose”技術(shù)對診斷腸道艱難梭菌感染的敏感性和特異性均較高。

2. 肝臟疾病：Streba等[25]使用深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)合人口統(tǒng)計學和臨床數(shù)據(jù)以及成像數(shù)據(jù)對486例肝局灶性病變進行鑒別診斷，準確性達92.7%，使用神經(jīng)網(wǎng)絡(luò)綜合分析患者各項數(shù)據(jù)的分類準確性較單純影像學更高。除肝腫瘤的鑒別診斷外，人工智能技術(shù)還能應用于肝腫瘤CT圖像的三維分割，Vorontsov等[26]提出了一個基于多層感知器的可變模型用于立體像素分類，借助紋理分析，該模型可區(qū)分腫瘤組織和非腫瘤組織并自動擬合腫瘤邊界，重建腫瘤三維模型，計算腫瘤體積。在對40個腹部平掃CT的腫瘤分割測試中，該模型的準確性、敏感性和特異性分別為0.88±0.11、0.84±0.13和0.92±0.16。腫瘤體積較腫瘤直徑更能預測患者生存率，且更能反映腫瘤進展和評價治療效果。但在目前臨床實踐中，多數(shù)腫瘤仍需手動分割，從而限制了腫瘤體積信息的臨床應用。自動化腫瘤分割技術(shù)旨在精確描繪腫瘤位置、形狀、體積等信息，重建三維模型，還可更直觀反映腫瘤與其他組織的毗鄰關(guān)系，這項技術(shù)的發(fā)展將為臨床上實體腫瘤的診治提供更豐富的影像學信息。在組織學診斷上，人工智能技術(shù)同樣具有獨特的優(yōu)勢。Li等[27]發(fā)現(xiàn)，與病理學家依據(jù)經(jīng)驗的定性判斷不同，分級模型可對HE圖像上每個細胞核的類別進行統(tǒng)計，對病理切片作定量分析，分類準確性可達0.811±0.029，系統(tǒng)提供的定量信息可為醫(yī)師提供有價值的參考，特別是區(qū)分正常細胞與高分化癌。

人工智能結(jié)合影像學和血清學檢查有望作為診斷肝纖維化的非侵入性技術(shù)。在影像學領(lǐng)域，Gao等[28]運用灰度梯度共生矩陣和灰度共生矩陣提取超聲圖像紋理特征供反向傳播神經(jīng)網(wǎng)絡(luò)學習，診斷肝纖維化分期(S0～S4)的準確性分別為100%、90%、70%、90%和100%。Chen等[29]比較了多元回歸分析、支持向量機、樸素貝葉斯算法、隨機森林和K近鄰算法結(jié)合彈性成像診斷肝纖維化的能力，結(jié)果顯示四種機器算法明顯優(yōu)于統(tǒng)計學多元回歸分析，其中隨機森林法的準確性最高。在血清學領(lǐng)域，Lemoine等[30]的研究顯示γ-谷氨酰轉(zhuǎn)肽酶/血小板比率(GPR)診斷肝纖維化的價值較傳統(tǒng)谷草轉(zhuǎn)氨酶/血小板指數(shù)(APRI)和Fib-4升高，三者診斷顯著肝纖維化的AUC分別為0.73、0.62和 0.57，診斷彌漫性肝纖維化的AUC分別為0.93、0.89和0.71。Lu等[31]指出，雖然GPR具有一定的診斷價值，但僅通過血清學檢查診斷肝纖維化仍是難以實現(xiàn)的。在無創(chuàng)性肝纖維化診斷領(lǐng)域，整合多方面數(shù)據(jù)結(jié)合人工智能技術(shù)對肝纖維化進行分級同時全面評估患者出血[32]、肝癌[33]等并發(fā)癥風險才是未來更具前景的方向。

3. 胰腺疾?。阂澡b別假腫瘤性胰腺炎和胰腺癌為例，目前臨床上常采用的方法為超聲引導下細針穿刺活檢，但陰性價值較低，對部分懷疑胰腺癌但穿刺結(jié)果為陰性的患者而言，并不能排除胰腺癌的可能。一項研究[34]發(fā)現(xiàn)，以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的超聲內(nèi)鏡彈性成像系統(tǒng)對11例假腫瘤性胰腺炎和32例胰腺癌的鑒別診斷價值較高，其訓練準確率達97%，測試準確率達90%。未來人工智能系統(tǒng)所提供的診斷信息將為醫(yī)師的決策提供更多參考。

4. 人工智能技術(shù)輔助預后判斷以及風險預測：運用人工智能技術(shù)進行疾病預后和各項風險評估，對患者的臨床管理具有重要意義。Graham等[35]以唾液中特定RNA標記的表達、質(zhì)子泵抑制劑使用史和既往癌癥史等參數(shù)建立預測模型，預測食管癌風險的敏感性和特異性分別為93%和73%，可用于篩選食管癌高危人群。Klein等[36]的前瞻性研究運用多元回歸模型、判別分數(shù)和神經(jīng)網(wǎng)絡(luò)證實克羅恩病早期組織學檢查結(jié)果與未來臨床表型以及手術(shù)需求之間的聯(lián)系，并建議克羅恩病患者在早期行結(jié)腸活檢，用于預測疾病未來行手術(shù)的需求，以實現(xiàn)更好的患者管理。Walczak等[37]使用三個不同的神經(jīng)網(wǎng)絡(luò)模型預測胰腺癌患者術(shù)后生存率，準確性最高為80.73%。雖然手術(shù)是控制胰腺癌的最佳手段，但術(shù)后復發(fā)風險高可能會降低患者的生活質(zhì)量甚至縮短生存期。準確預測患者術(shù)后生存率將為臨床治療策略的選擇提供指導。特別是對等待器官移植的患者而言，準確預測短期生存率可更好地進行供體分配，降低患者在等待供體過程中的死亡率。Cucchetti等[38]的研究通過神經(jīng)網(wǎng)絡(luò)預測終末期肝硬化患者的死亡率，在外部隊列驗證中獲得了0.96的AUC，明顯優(yōu)于臨床常規(guī)使用的終末期肝病模型。

五、結(jié)語

目前人工智能技術(shù)仍有需改進的地方，如一些診斷程序要求輸入的變量較多，程序時間復雜度高，但已能應用于內(nèi)鏡、CT、超聲等影像學檢查的分析和多種消化系統(tǒng)疾病的病理診斷。不同于人類醫(yī)師經(jīng)驗性定性分析，計算機定量數(shù)據(jù)分析模式可提供穩(wěn)定準確的診斷信息供臨床醫(yī)師參考。此外，借助人工智能技術(shù)強大的數(shù)據(jù)分析能力，臨床醫(yī)師能結(jié)合人口統(tǒng)計學、血清學、成像數(shù)據(jù)甚至基因表達和基因序列等復雜的分子生物學信息，對患者當前病情和未來可能的進展作出更準確的判斷，有利于個體化臨床決策的制定。未來人工智能將會成為消化病診治領(lǐng)域不可或缺的技術(shù)。