人工智能技術(shù)在消化內(nèi)鏡領(lǐng)域的研究現(xiàn)狀*

張雅瓊，栗鳳霞

（1.山西醫(yī)科大學(xué)，山西 太原 030001；2. 山西醫(yī)科大學(xué)附屬人民醫(yī)院 消化科，山西 太原 030012）

消化道腫瘤發(fā)病率高，多數(shù)患者發(fā)現(xiàn)時(shí)已為中晚期，且預(yù)后較差。電子內(nèi)鏡是診療消化科疾病的重要手段。近年來，內(nèi)鏡技術(shù)如色素內(nèi)鏡、電子染色內(nèi)鏡、放大內(nèi)鏡及膠囊內(nèi)鏡等技術(shù)發(fā)展迅速，醫(yī)生可以直觀地檢查消化道腸腔黏膜病變[1-2]。然而我國電子內(nèi)鏡醫(yī)療資源分布不均，內(nèi)鏡醫(yī)師臨床經(jīng)驗(yàn)以及診療水平參差不齊，對(duì)早期病變黏膜識(shí)別度低，導(dǎo)致我國食管癌、胃癌等疾病的早期內(nèi)鏡下檢出率低。因計(jì)算機(jī)技術(shù)的飛速發(fā)展及數(shù)據(jù)分析能力的提高，人工智能技術(shù)成為當(dāng)前研究的熱點(diǎn)內(nèi)容。目前，已經(jīng)在醫(yī)學(xué)領(lǐng)域的多個(gè)系統(tǒng)展開研究人工智能技術(shù)，并取得可喜的成績，有望投入到將來的臨床實(shí)踐中。本文就人工智能技術(shù)以及該技術(shù)在消化道內(nèi)鏡領(lǐng)域的研究進(jìn)行綜述。

1 人工智能技術(shù)的發(fā)展

1956年，在達(dá)特茅斯會(huì)議上提出了人工智能的概念，標(biāo)志著人工智能技術(shù)的誕生[3]。人工智能技術(shù)是計(jì)算機(jī)科學(xué)的一個(gè)分支，研究內(nèi)容包括機(jī)器人、語音識(shí)別、圖像識(shí)別、自然語言處理及專家系統(tǒng)等。機(jī)器學(xué)習(xí)是人工智能技術(shù)體系的一種，機(jī)器學(xué)習(xí)算法流程包括對(duì)原始數(shù)據(jù)進(jìn)行特征提取、特征篩選、模型訓(xùn)練及模型驗(yàn)證。

早期研究中，研究人員主要通過圖像特征提取算法結(jié)合機(jī)器學(xué)習(xí)方法來實(shí)現(xiàn)內(nèi)鏡下疾病的檢測和診斷，例如SHEN 等[4]將多尺度紋理特征與顏色特征結(jié)合，并在Adaboost 分類器中完成胃鏡圖像下胃黏膜損傷檢測。LI 等[5-6]利用局部二值化、小波變換及支持向量機(jī)方法對(duì)膠囊內(nèi)鏡圖像進(jìn)行分類，證明小波變換對(duì)區(qū)分息肉類型非常有效。但是傳統(tǒng)方法往往需要人工提取特征，其算法效果取決于研究人員特征選取的質(zhì)量，具有很大的不穩(wěn)定性。

深度學(xué)習(xí)是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)研究熱點(diǎn)，在圖像識(shí)別等領(lǐng)域表現(xiàn)出優(yōu)異的性能，深度學(xué)習(xí)網(wǎng)絡(luò)包括深度神經(jīng)網(wǎng)絡(luò)（deep neural network, DNN）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）及循環(huán)神經(jīng)網(wǎng)絡(luò)RNN（recurrent neural network, RNN）等[7]。其中，CNN 是深度學(xué)習(xí)在圖像處理上具有突出表現(xiàn)的一種網(wǎng)絡(luò)結(jié)構(gòu)，包括圖像識(shí)別、目標(biāo)檢測及圖像分割等。CNN 通常由卷積層、池化層及全連接層[8]組成。卷積核本質(zhì)上是一種特殊的濾波器，可以提取某種特征在圖像上的分布特點(diǎn)，通過多種特征的組合抽象從而形成深度學(xué)習(xí)模型可以理解的高層特征。池化層旨在通過降低特征圖的分辨率并且實(shí)現(xiàn)特征的空間不變性，其通常位于兩個(gè)卷積層間，包括最大池化和平均池化。最大池化有利于提取圖像紋理而平均池化有利于提取圖像背景。全連接層通過權(quán)重調(diào)節(jié)從而實(shí)現(xiàn)分類功能。CNN 以其局部權(quán)值共享和感受野的結(jié)構(gòu)特性在語音識(shí)別和圖像處理方面有著獨(dú)特的優(yōu)越性。近年來先后涌現(xiàn)諸如AlexNet、VGG、GoogleNet、ResNet及DenseNet等圖像分類算法和R-CNN、Faster R-CNN、YOLO 及SSD 等目標(biāo)檢測算法以及專用于醫(yī)學(xué)影像分割的U-Net 等基于CNN 技術(shù)的算法模型。目前，CNN 已經(jīng)廣泛用于醫(yī)學(xué)圖像處理，并取得可喜的研究成果。

人工智能技術(shù)通過對(duì)海量數(shù)據(jù)的學(xué)習(xí)自動(dòng)提取疾病特征，并可以覆蓋更廣泛的地區(qū)和人群從而具有良好的準(zhǔn)確率和泛化能力，極大地減少漏診誤診；另一方面，利用計(jì)算機(jī)強(qiáng)大的數(shù)據(jù)處理能力，將醫(yī)生從耗時(shí)費(fèi)力的工作中解脫出來，帶來更快速和精準(zhǔn)的診斷。目前人工智能技術(shù)已經(jīng)在醫(yī)學(xué)領(lǐng)域的多個(gè)領(lǐng)域展開研究并取得可喜的成績，并作為輔助診斷手段已經(jīng)開始投入臨床使用。

GULSHAN 等[9]于2016年利用深度學(xué)習(xí)方法構(gòu)建一個(gè)可以自動(dòng)檢測糖尿?。╠iabetes mellitus,DM）視網(wǎng)膜病變和DM 黃斑水腫的算法。2017年，ESTEVA 等[10]利用深度學(xué)習(xí)模型開發(fā)出一項(xiàng)診斷能力可以與專家媲美的基于人工智能的皮膚癌診斷系統(tǒng)。2018年，LI 等[11]一項(xiàng)研究將人工智能技術(shù)應(yīng)用于甲狀腺癌超聲診斷，實(shí)現(xiàn)超聲下甲狀腺癌的自動(dòng)化高精度、高敏感性及高特異性診斷。此外CNN 還被應(yīng)用于兒科多系統(tǒng)疾病人工智能輔助診斷系統(tǒng)的研究[12]。人工智能技術(shù)與醫(yī)療資源相結(jié)合，通過算法在海量的醫(yī)療病例中學(xué)習(xí)相關(guān)診斷規(guī)則，可以達(dá)到專家級(jí)別的診斷水平，可以有效降低疾病的漏診誤診，實(shí)現(xiàn)快速準(zhǔn)確的疾病診斷，特別是對(duì)于醫(yī)療資源缺乏、醫(yī)療水平欠佳的地區(qū)，通過人工智能技術(shù)等可以實(shí)現(xiàn)優(yōu)質(zhì)醫(yī)療資源的共享。

2 人工智能技術(shù)在胃結(jié)腸鏡中的研究現(xiàn)狀

2.1 人工智能技術(shù)在普通白光胃鏡中的應(yīng)用

普通胃鏡下白光檢查與活組織病理檢查是目前臨床對(duì)消化道疾病檢查和診斷的主要方法，尤其在Barrett 食管、食管癌的篩查及診斷上具有重要作用。JISU 等[13]對(duì)人工智能技術(shù)輔助內(nèi)鏡下診斷進(jìn)行大膽嘗試，他們采用262 張白光胃鏡下Barrett 食管的胃鏡圖像進(jìn)行訓(xùn)練學(xué)習(xí)，并構(gòu)建CNN 模型。其中236 張圖片做為訓(xùn)練集，另外26 張圖片作為測試集。該CNN模型對(duì)腸化生和食管癌的識(shí)別準(zhǔn)確率為100%，模型分類的準(zhǔn)確性為80.77%。該實(shí)驗(yàn)結(jié)果提示，人工智能技術(shù)可以輔助胃鏡圖像下Barrett 食管的診斷，可以極大地節(jié)省病理組織活檢及時(shí)間成本。de GROOF 等[14]利用計(jì)算機(jī)輔助診斷系統(tǒng)利用對(duì)Barrett 食管顏色、紋理特征的訓(xùn)練學(xué)習(xí)，開展計(jì)算機(jī)輔助診斷Barrett 食管前瞻性的研究，該研究納入40 例Barrett 食管與20 例非Barrett 食管患者的白光內(nèi)鏡圖片，其檢測結(jié)果準(zhǔn)確性為92%，敏感性為95%，特異性為85%，該系統(tǒng)可以對(duì)Barrett 食管進(jìn)行準(zhǔn)確檢測以及定位，是實(shí)現(xiàn)Barrett 食管自動(dòng)診斷的重要一步。日本癌癥研究所的研究[15]利用CNN 對(duì)8 428 張食管癌圖片進(jìn)行訓(xùn)練學(xué)習(xí)，該系統(tǒng)可以檢測出＜10 mm 的食管癌病灶，并可以用98%的準(zhǔn)確率將淺表食管癌與晚期食管癌加以區(qū)別。

人工智能技術(shù)輔助胃癌癌前病變及早癌診斷的研究也如火如荼。LEE 等[16]利用基于迭代強(qiáng)化學(xué)習(xí)的人工智能方法，實(shí)現(xiàn)人工智能自動(dòng)對(duì)正常黏膜、良性潰瘍及胃癌的區(qū)分。該實(shí)驗(yàn)由200 張正常黏膜、367 例胃癌胃鏡圖片及220 例潰瘍圖片組成，并用3個(gè)不同的模型進(jìn)行比較，其中ResNet 模型的受試者工作特征曲線下面積達(dá)到0.97。浙江大學(xué)的科研團(tuán)隊(duì)[17]利用CNN 針對(duì)胃息肉、糜爛及潰瘍等胃癌前病變，設(shè)計(jì)自動(dòng)診斷系統(tǒng)GPDNet（gastric precancerous disease network, GPDNet），GPDNet 共1 331 張圖片納入研究，該系統(tǒng)利用紅外光譜法將測量精度提高到88.9%。人工智能技術(shù)對(duì)早期胃癌診斷的相關(guān)研究[18]也相繼開展，一項(xiàng)研究共納入5 159 張圖片，實(shí)驗(yàn)結(jié)果提示人工智能技術(shù)對(duì)早期胃癌診斷的準(zhǔn)確性為89.4%，敏感性為88.8%，特異性為89.7%。這些研究結(jié)果表明，人工智能技術(shù)有望在胃鏡檢查中幫助內(nèi)鏡醫(yī)師發(fā)現(xiàn)早期胃癌，及早對(duì)患者進(jìn)行醫(yī)療干預(yù)，提高患者生存質(zhì)量，為患者及家屬帶來福音。復(fù)旦大學(xué)科研人員[19]開發(fā)可以確定胃癌侵襲深度的人工智能輔助內(nèi)鏡檢查（convolutional neural network computer-aided detection,CNN-CAD）系統(tǒng)，該實(shí)驗(yàn)采用790 張胃癌胃鏡圖片作為訓(xùn)練集，203 張胃癌胃鏡圖片作為測試集，CNNCAD 系統(tǒng)測定胃癌侵襲深度準(zhǔn)確性AUC 為0.94，敏感性為76.47%，特異性為95.56%，陽性和陰性預(yù)測值分別為89.66%、88.97%。該研究表明CNN-CAD系統(tǒng)可以協(xié)助內(nèi)鏡醫(yī)師更準(zhǔn)確判斷胃癌侵襲深度，以決定胃早癌患者是否行內(nèi)鏡下胃早癌切除，改善患者預(yù)后。

2.2 人工智能技術(shù)在腸鏡中的研究進(jìn)展

20 世紀(jì)90年代，計(jì)算機(jī)輔助息肉檢測系統(tǒng)首次被提出，使用基于像素區(qū)域增長的圖像分割方法提取大腸腸腔輪廓和檢查下消化道的病變。20 世紀(jì)90年代末，該研究方向主要結(jié)合黏膜紋理、顏色或混合智能模式分類分析方法，幫助檢測靜態(tài)腸鏡下的病變圖片。近年來基于CNN 的深度學(xué)習(xí)技術(shù)得到極大的發(fā)展，并且越來越多的研究已經(jīng)將其結(jié)合腸鏡檢查，并取得很好的實(shí)驗(yàn)效果。

2018年，GREGOR 等[20]開發(fā)基于深度學(xué)習(xí)的息肉識(shí)別定位診斷系統(tǒng)，實(shí)驗(yàn)使用8 641 張腸鏡圖像作為訓(xùn)練集，其中包括4 088 個(gè)含有息肉的圖像，4 553張沒有息肉的圖像，并使用其他4 種不同來源的腸鏡圖片數(shù)據(jù)集進(jìn)行驗(yàn)證。該模型可以實(shí)現(xiàn)實(shí)時(shí)識(shí)別和定位息肉，其對(duì)息肉識(shí)別定位的準(zhǔn)確度為96.4%，受試者工作特征曲線下面積為0.991，該研究可以極大地提高內(nèi)鏡醫(yī)師的腺瘤檢出率，降低結(jié)直腸癌發(fā)病風(fēng)險(xiǎn)。WANG 等[21]利用27 113 張腸鏡圖片開發(fā)一個(gè)用于息肉檢測的系統(tǒng)，該系統(tǒng)主要對(duì)訓(xùn)練集是否存在息肉以及息肉大小分別進(jìn)行訓(xùn)練學(xué)習(xí)，結(jié)果顯示人工智能系統(tǒng)與內(nèi)鏡醫(yī)師對(duì)息肉診斷的敏感性和特異性分別為94.38%和91.64%，進(jìn)一步驗(yàn)證人工智能技術(shù)可以輔助腸鏡下腸息肉的診斷。隨后，WANG 等[22]對(duì)人工智能輔助自動(dòng)息肉和腺瘤檢出系統(tǒng)進(jìn)行前瞻性和隨機(jī)對(duì)照實(shí)驗(yàn)，該研究將1 058 例患者隨機(jī)分組至常規(guī)腸鏡檢查組和計(jì)算機(jī)輔助腸鏡檢查組。計(jì)算機(jī)輔助腸鏡檢查系統(tǒng)在微小腺瘤的診斷上較常規(guī)腸鏡檢查顯示出很大的優(yōu)勢(shì)。該研究是目前為止人工智能領(lǐng)域?yàn)閿?shù)不多的前瞻性隊(duì)列研究，表明人工智能在胃腸鏡領(lǐng)域的科學(xué)研究和臨床實(shí)踐中邁出堅(jiān)實(shí)的一步。我國臺(tái)灣CHEN 等[23]同樣采用深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)腸鏡下對(duì)微小腸息肉的病理分類，并比較低年資內(nèi)鏡醫(yī)師、高年資內(nèi)鏡醫(yī)師及計(jì)算機(jī)智能診斷系統(tǒng)對(duì)息肉病理分類的敏感性、特異性等相關(guān)指標(biāo)。實(shí)驗(yàn)結(jié)果表明，計(jì)算機(jī)智能診斷系統(tǒng)的診斷能力超過初級(jí)職稱內(nèi)鏡醫(yī)師，與高級(jí)職稱內(nèi)鏡醫(yī)師相當(dāng)。多項(xiàng)研究表明，人工智能技術(shù)在結(jié)直腸息肉的自動(dòng)檢測、定位、定性上可以達(dá)到很高的診斷水平，大大地降低內(nèi)鏡醫(yī)師因工作量大、工作經(jīng)驗(yàn)不足及工作疲勞等原因?qū)е孪⑷饴┰\，提高內(nèi)鏡醫(yī)師腺瘤檢出率，讓更多的患者在結(jié)直腸癌的癌前病變階段可以及時(shí)將病變切除，獲得更好的生活質(zhì)量。

2.3 人工智能技術(shù)在膠囊內(nèi)鏡中的研究進(jìn)展

AOKI 等[24]開發(fā)一個(gè)膠囊內(nèi)鏡人工智能診斷系統(tǒng)用于膠囊內(nèi)鏡中糜爛和潰瘍的診斷，該系統(tǒng)使用深度CNN，將5 360 張糜爛和潰瘍圖片用于系統(tǒng)的訓(xùn)練學(xué)習(xí)，并在10 440 張小腸內(nèi)鏡圖像進(jìn)行系統(tǒng)測試，該測試共用時(shí)233 s，診斷糜爛和潰瘍的受試者工作特征曲線下面積為0.958，敏感性、特異性及準(zhǔn)確性分別為88.2%、90.9%和90.8%。但是，該系統(tǒng)中存在一定的假陽性，可能由于泡沫、碎片或者血管擴(kuò)張導(dǎo)致。該實(shí)驗(yàn)為回顧性實(shí)驗(yàn)，仍需要多中心的驗(yàn)證。此外，包括炎癥性腸病、小腸腫瘤在內(nèi)的多種疾病也應(yīng)該納入該系統(tǒng)中。

隨著計(jì)算機(jī)技術(shù)的高速發(fā)展，人工智能技術(shù)已經(jīng)成為未來消化內(nèi)鏡領(lǐng)域的重要研究方向。當(dāng)前利用深度學(xué)習(xí)技術(shù)對(duì)消化內(nèi)鏡圖像、視頻等數(shù)據(jù)的研究已經(jīng)開展，并在針對(duì)腫瘤、息肉、增生和潰瘍等的識(shí)別與診斷中取得良好的成績。

目前研究人員使用深度學(xué)習(xí)等技術(shù)處理胃腸鏡圖像數(shù)據(jù)僅僅停留在病灶的識(shí)別與診斷階段。在已有研究中，所使用的胃腸鏡圖像數(shù)據(jù)數(shù)量較少且來源單一，雖然取得良好識(shí)別效果但具有局限性。臨床實(shí)踐中，疾病的預(yù)后也很重要，定時(shí)胃腸鏡隨訪檢查與人工智能技術(shù)中基于時(shí)間序列的研究相對(duì)應(yīng)。當(dāng)前基于RNN 與CNN 以及LSTM 等的組合模型在眼科疾病的預(yù)后診療中已經(jīng)開展，并取得良好的結(jié)果，有望在胃腸鏡領(lǐng)域展開進(jìn)一步研究[25]；同時(shí)數(shù)據(jù)的全面性、代表性、安全性以及數(shù)據(jù)標(biāo)注的準(zhǔn)確性等也是制約醫(yī)學(xué)人工智能發(fā)展的重要因素。總之，人工智能技術(shù)在消化道內(nèi)鏡乃至醫(yī)學(xué)領(lǐng)域有著廣闊的發(fā)展前景。