人工智能在結(jié)腸鏡檢查中的應(yīng)用

高旭東,蔡云龍,戎龍

【提要】 本文主要對(duì)人工智能在結(jié)腸鏡檢查中的多種應(yīng)用進(jìn)行綜述。在結(jié)腸鏡檢查中應(yīng)用人工智能可以自動(dòng)檢測(cè)出大腸息肉，還可以判斷出息肉的病理類型，識(shí)別早期腫瘤性病變。此外，人工智能可以應(yīng)用于潰瘍性結(jié)腸炎的結(jié)腸鏡檢查和結(jié)腸鏡檢查的質(zhì)量控制，并對(duì)未來發(fā)展作出展望。

結(jié)直腸癌(colorectal cancer，CRC)至今仍然是癌癥主要死亡原因之一[1]。近年來由于結(jié)直腸癌篩查的開展和大腸腺瘤性息肉的發(fā)現(xiàn)與切除，其發(fā)病率和死亡率隨著時(shí)間的推移而下降[2]。腺瘤檢出率(adenoma detection rate，ADR)是結(jié)腸鏡檢查質(zhì)量的評(píng)價(jià)指標(biāo)，較高的ADR與較低的檢查間期CRC發(fā)病率和CRC死亡率的下降密切相關(guān)[3]。由于內(nèi)鏡醫(yī)師專業(yè)水平的差異和醫(yī)師的疲勞程度，ADR存在顯著性差異(7%～53%)[4]。最近一項(xiàng)結(jié)腸鏡檢查的系統(tǒng)回顧和薈萃分析顯示：大腸腺瘤的漏檢率為25%，其中9%為高級(jí)別腺瘤，27%為無蒂鋸齒狀息肉[5]。同時(shí)息肉的病理診斷也是一個(gè)重要問題，內(nèi)鏡醫(yī)師可以采用結(jié)腸鏡檢查預(yù)測(cè)息肉的病理類型，替代活檢或切除組織的病理學(xué)評(píng)估，這種方法被稱為“光學(xué)活檢”，其準(zhǔn)確性可達(dá)90%，但是由于內(nèi)鏡醫(yī)師專業(yè)水平和內(nèi)鏡型號(hào)的不同，這種預(yù)測(cè)的準(zhǔn)確性是很有限的[6-7]。計(jì)算機(jī)輔助診斷(computer-aided diagnosis，CAD)為上述問題的解決提供新的方法。目前CAD技術(shù)主要采用人工智能的深度學(xué)習(xí)法。

1 人工智能技術(shù)

人工智能技術(shù)(artificial intelligence，AI)是計(jì)算機(jī)科學(xué)的一個(gè)分支，包括機(jī)器人、語音識(shí)別、圖像識(shí)別等內(nèi)容。早期的CAD主要通過人工智能體系中的機(jī)器學(xué)習(xí)，其過程包括原始數(shù)據(jù)的特征提取、特征篩選、模型訓(xùn)練和模型驗(yàn)證。機(jī)器學(xué)習(xí)往往受到圖像質(zhì)量的影響，其效果具有很大的不穩(wěn)定性。當(dāng)前的CAD主要通過人工智能體系中的深度學(xué)習(xí)法，深度學(xué)習(xí)包括深度神經(jīng)網(wǎng)絡(luò)(DNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)及循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)等。其中卷積神經(jīng)網(wǎng)絡(luò)在圖像處理上具有顯著優(yōu)勢(shì)，包括圖像識(shí)別、目標(biāo)檢測(cè)和圖像分割等，現(xiàn)已被廣泛用于放射、超聲、內(nèi)鏡等多種醫(yī)學(xué)圖像處理。

2 大腸息肉的自動(dòng)檢測(cè)

計(jì)算機(jī)輔助檢測(cè)(computer-aided detection，CADe)是指在結(jié)腸鏡檢查期間實(shí)時(shí)在內(nèi)鏡監(jiān)視器上提示息肉，以引起內(nèi)鏡醫(yī)師的注意。在2003年，兩個(gè)工程小組即開展了息肉自動(dòng)檢測(cè)的早期研究，他們對(duì)結(jié)腸鏡白光圖像進(jìn)行息肉檢測(cè)，提供了良好的準(zhǔn)確度(>90%)[8-9]。此后各種研究不斷開展，一個(gè)研究小組使用包含31個(gè)息肉的24個(gè)腸鏡視頻作為原始資料建立模型，對(duì)大腸息肉進(jìn)行檢測(cè)，診斷敏感性和特異性均大于70%[10]。但是這些早期研究是通過圖像特征提取算法結(jié)合機(jī)器學(xué)習(xí)的方法對(duì)息肉進(jìn)行診斷，其效果很大程度上取決于研究人員圖像選取的質(zhì)量，具有不穩(wěn)定性。隨著深度學(xué)習(xí)技術(shù)的出現(xiàn)，這種狀況逐漸發(fā)生了改變。在2018年，Misawa等[11]開發(fā)了一種用于息肉檢測(cè)的模型，其敏感性為90%，特異性為63%。隨后Urban等[12]也開發(fā)了一個(gè)檢測(cè)模型，可以在白光和窄帶成像下使用，他們通過9個(gè)腸鏡視頻進(jìn)行比較，AI組發(fā)現(xiàn)了45個(gè)息肉，比無AI組多發(fā)現(xiàn)9個(gè)，兩組差異具有統(tǒng)計(jì)學(xué)意義。Wang等[13]研究了一個(gè)敏感性和特異性均大于90%的模型，他們使用大量數(shù)據(jù)對(duì)這一模型評(píng)估，對(duì)象包括1138例患者的27113張靜態(tài)圖像和111例患者的138個(gè)息肉視頻，進(jìn)一步證明模型的可靠性。

以往研究多是息肉檢測(cè)的試驗(yàn)性研究和回顧性研究，近年來息肉檢測(cè)的前瞻性研究不斷開展。一項(xiàng)對(duì)CADe前瞻性研究的薈萃分析表明，通過系統(tǒng)檢索Medline、Embase和Cochrane Central篩選，評(píng)估研究的合理性、證據(jù)確定性以及偏移的風(fēng)險(xiǎn)，共有5個(gè)隨機(jī)對(duì)照試驗(yàn)符合條件。結(jié)論是AI檢查的結(jié)腸息肉檢出率(polyp detection rates，PDR)為45.4%，無AI組檢查的PDR為30.6%；AI組的ADR為29.6%，無AI組的ADR為19.3%[14]。進(jìn)一步觀察發(fā)現(xiàn)，AI組的檢查小腺瘤(≤5 mm)檢出數(shù)量高于無AI組的平均數(shù)量，而對(duì)于較大腺瘤(>5 mm而≤10 mm)和大腺瘤(>10 mm)兩組之間無顯著差異，CRC的檢出率兩組也無顯著差異，該研究認(rèn)為CADe只是增加了小息肉和小腺瘤的檢測(cè)率。而Gong等[15]開發(fā)的CADe模型，通過監(jiān)控退鏡速度和提示觀察盲點(diǎn)，能夠提高較大腺瘤和早期結(jié)直腸癌的檢出率。最近Wang等[16]進(jìn)行了一項(xiàng)有趣的雙盲隨機(jī)對(duì)照試驗(yàn)，使用了假AI輸出假陽性結(jié)果。在這項(xiàng)研究中，AI組的ADR明顯高于對(duì)照組即假AI組(34% vs.28%，P=0.03)。此外背對(duì)背研究對(duì)于CADe也是非常必要的，可以更好的評(píng)估腺瘤漏診率。Wang等[17]使用他們開發(fā)的CADe開展了一項(xiàng)背靠背研究，AI組腺瘤漏診率明顯低于無AI組(14%vs40%，P<0.001)。

3 大腸息肉的分類檢測(cè)

計(jì)算機(jī)輔助分類(computer-aided characterization，CADx)是指對(duì)檢測(cè)到的息肉實(shí)時(shí)分析內(nèi)鏡或病理學(xué)分型。

3.1 白光內(nèi)鏡

白光內(nèi)鏡檢查是最基本也是使用最廣泛的檢查方法，因此將CADx用于白光結(jié)腸鏡檢查是非常有意義的。Komeda等[18]報(bào)告了將CADx應(yīng)用于33例白光結(jié)腸鏡檢查，區(qū)分腺瘤性病變和非腺瘤性病變，其診斷準(zhǔn)確率僅為75.1%。臨床中白光內(nèi)鏡獲得的信息量遠(yuǎn)比色素內(nèi)鏡和放大內(nèi)鏡要少，即使是有經(jīng)驗(yàn)的內(nèi)鏡醫(yī)師有時(shí)也很難鑒別是否為腺瘤性病變，其準(zhǔn)確度在現(xiàn)階段幾乎不可能達(dá)到很高水平。因此,CADx在白光結(jié)腸鏡檢查中的作用尚待進(jìn)一步研究證實(shí)。

3.2 數(shù)字圖像增強(qiáng)內(nèi)鏡

窄帶成像(narrow-band imaging，NBI)或藍(lán)激光成像是臨床常用的數(shù)字圖像增強(qiáng)技術(shù)，可以詳細(xì)評(píng)估息肉的表面結(jié)構(gòu)和血管形態(tài)。Tischendorf等[19]首先開展了CADx在NBI中的應(yīng)用，診斷準(zhǔn)確率為86.2%。Chen等[20]使用2157張圖像進(jìn)行AI訓(xùn)練，這些圖像可以區(qū)分腺瘤性息肉和增生性息肉。他們比較了CADx和內(nèi)鏡醫(yī)師在診斷小息肉(≤5 mm)方面的差異，以內(nèi)鏡活檢病理作為標(biāo)準(zhǔn)，CADx的準(zhǔn)確率為90.1%，而內(nèi)鏡檢查初學(xué)者的準(zhǔn)確率為80.3%～88.0%，說明CADx對(duì)內(nèi)鏡醫(yī)師，特別是初學(xué)者，是非常有幫助的。Tamaki等[21]用CADx進(jìn)行CRC浸潤(rùn)深度的診斷，他們根據(jù)息肉表面微血管在NBI和放大圖像中的各種特征(例如血管的長(zhǎng)度、寬度、形狀、顏色等)，利用AI分析了121個(gè)大腸癌，預(yù)測(cè)CRC黏膜下浸潤(rùn)或更深層浸潤(rùn)的準(zhǔn)確率為82.8%。為了避免選擇偏倚，尚需開展前瞻性隨機(jī)對(duì)照試驗(yàn)客觀評(píng)估CADx的準(zhǔn)確性。

3.3 染色放大內(nèi)鏡

結(jié)晶紫染色聯(lián)合放大內(nèi)鏡有助于內(nèi)鏡醫(yī)師觀察大腸息肉的表面細(xì)微結(jié)構(gòu)，如腺管開口狀態(tài)(pit-pattern)，有助于對(duì)息肉病理學(xué)進(jìn)行精確的預(yù)測(cè)診斷(敏感性97.8%，特異性91.4%)[22]。Takemura等[23]應(yīng)用AI從結(jié)晶紫染色圖像中提取不同類型息肉的腺管開口特征，診斷準(zhǔn)確度達(dá)98.5%。但是這種檢測(cè)需要結(jié)晶紫染色，而染色是由內(nèi)鏡檢查人員進(jìn)行的，很難獲得質(zhì)量一致的內(nèi)鏡圖像。因此評(píng)估CADx在染色放大內(nèi)鏡的診斷準(zhǔn)確率，至今尚無嚴(yán)謹(jǐn)?shù)膶?duì)照試驗(yàn)。

3.3 細(xì)胞學(xué)內(nèi)鏡

細(xì)胞學(xué)內(nèi)鏡(H290ECI；奧林巴斯)是一種新型的體內(nèi)接觸顯微成像系統(tǒng)，它能在結(jié)腸鏡檢查時(shí)提供放大500倍或1000倍的實(shí)時(shí)細(xì)胞學(xué)圖像。細(xì)胞學(xué)內(nèi)鏡能夠提供聚焦固定的圖像，有助于AI進(jìn)行穩(wěn)健的圖像分析，因此細(xì)胞學(xué)內(nèi)鏡與CADx相結(jié)合是非常有前景的。日本一個(gè)研究小組對(duì)此進(jìn)行了長(zhǎng)期深入的研究。他們第一個(gè)研究模型是應(yīng)用AI自動(dòng)提取細(xì)胞核亞甲基藍(lán)染色區(qū)域，然后對(duì)細(xì)胞核6種化合物進(jìn)行定量分析，腺瘤性息肉的診斷準(zhǔn)確率為89.2%[24]。在后續(xù)研究中，他們開發(fā)了一個(gè)更好的模型，使用NBI觀察，無需事先染色。該模型重點(diǎn)分析息肉表面的微血管特征，區(qū)分腺瘤性和非腺瘤性息肉，準(zhǔn)確率為90.0%[25]。他們還探索利用CADx識(shí)別腺瘤性息肉中的浸潤(rùn)性癌，準(zhǔn)確率為94.1%[26]。

3.4 激光誘導(dǎo)熒光內(nèi)鏡和自體熒光內(nèi)鏡

CADx用于激光誘導(dǎo)熒光內(nèi)鏡，是指用AI分析吸收了誘導(dǎo)激光的組織所發(fā)出的光，來預(yù)測(cè)息肉是腺瘤性還是非腺瘤性。Rath等[27]開展了一項(xiàng)前瞻性試驗(yàn)，評(píng)估激光誘導(dǎo)熒光內(nèi)鏡下模型性能，診斷準(zhǔn)確率為96.1%。而在另一項(xiàng)前瞻性研究中，Kunpiper等[28]采用了同樣的模型，鑒別小息肉(≤5 mm)是腺瘤性還是非腺瘤性，準(zhǔn)確率僅為73.5%。自體熒光內(nèi)鏡可以分析人體大腸黏膜發(fā)出的內(nèi)源性熒光團(tuán)，提供綠色或紅色圖像。Aihara等[29]采用前瞻性試驗(yàn)評(píng)估自體熒光內(nèi)鏡下CADx性能，敏感性和特異性分別為94.2%和88.9%。目前熒光內(nèi)鏡只在國(guó)內(nèi)少數(shù)科研單位應(yīng)用，很難在基層醫(yī)院廣泛開展。

4 潰瘍性結(jié)腸炎

內(nèi)鏡評(píng)估和組織學(xué)評(píng)估相結(jié)合是制定潰瘍性結(jié)腸炎(ulcerative colitis，UC)治療方案和監(jiān)測(cè)預(yù)后的關(guān)鍵。由于內(nèi)鏡醫(yī)師對(duì)UC內(nèi)鏡表現(xiàn)的評(píng)估存在差異，因此常用內(nèi)鏡活檢的病理組織學(xué)特征來評(píng)估疾病活動(dòng)情況。Maeda等[30]認(rèn)為CAD在評(píng)估UC炎癥活動(dòng)方面具有優(yōu)勢(shì)，他們首先讓AI學(xué)習(xí)了100例UC患者結(jié)腸鏡檢查中的525個(gè)視頻片段，隨后對(duì)87例患者進(jìn)行了測(cè)試，使用CAD預(yù)測(cè)炎癥活動(dòng)程度，同時(shí)以內(nèi)鏡活檢病理作為參考標(biāo)準(zhǔn)，敏感性、特異性和準(zhǔn)確性分別為74.0%、97.0%和91.0%。Takenaka等[31]將結(jié)腸鏡活檢部位的3幅連續(xù)圖像與活檢的組織學(xué)結(jié)果相關(guān)聯(lián)，對(duì)AI進(jìn)行培訓(xùn)，通過分析UC患者的內(nèi)鏡圖像預(yù)測(cè)疾病是否緩解。對(duì)875例UC患者進(jìn)行了前瞻性試驗(yàn)，使用內(nèi)鏡醫(yī)師的診斷作為參考標(biāo)準(zhǔn)，內(nèi)鏡判斷為緩解的準(zhǔn)確度為90.1%；而使用活檢病理結(jié)果作為參考標(biāo)準(zhǔn)，組織學(xué)判斷為緩解的準(zhǔn)確度達(dá)到了92.9%。最近一項(xiàng)關(guān)于CAD在炎癥性腸病應(yīng)用的系統(tǒng)回顧研究，通過檢索PubMed并篩選，共有15個(gè)橫斷面研究符合條件(前瞻性7個(gè)、回顧性8個(gè))，其中關(guān)于UC的研究有11個(gè)。這些研究主要分析了腸黏膜的活動(dòng)情況和UC相關(guān)的結(jié)腸腫瘤，準(zhǔn)確率都達(dá)到了90%，但是可能存在偏移[32]。該研究還指出，CAD分析受多種因素影響，如腸道準(zhǔn)備情況、腸黏膜暴露情況、炎癥修復(fù)瘢痕、炎性后息肉等。CAD在克羅恩病中的應(yīng)用，主要是分析小腸膠囊內(nèi)鏡的表現(xiàn)，在此不做詳述。

5 檢查質(zhì)量控制

目前，腸道準(zhǔn)備情況、達(dá)盲率和退鏡時(shí)間是結(jié)腸鏡檢查質(zhì)量控制的三個(gè)重要因素[33]。Gong等[15]為了提高結(jié)腸鏡檢查質(zhì)量，同時(shí)提高大腸腺瘤和CRC的檢出率，設(shè)計(jì)了一個(gè)質(zhì)量改進(jìn)系統(tǒng)。該系統(tǒng)可以判斷內(nèi)鏡是否到達(dá)盲腸、監(jiān)測(cè)內(nèi)鏡退出速度和退鏡時(shí)間并實(shí)時(shí)提醒內(nèi)鏡操作過快造成的視野盲點(diǎn)。觀察組355例患者接受了有AI的結(jié)腸鏡檢查，其中58例(16%)檢測(cè)到一個(gè)或多個(gè)腺瘤性息肉，而對(duì)照組349例采用無AI檢查，僅27例(8%)檢測(cè)到腺瘤(OR：2.30；95%可信區(qū)間1.40～3.77；P=0.001)。亞力孔等[34]讓AI學(xué)習(xí)了7140張結(jié)腸鏡檢查圖像，建立了一個(gè)質(zhì)量控制模型，可以分析腸道準(zhǔn)備情況(波士頓評(píng)分4分法)并識(shí)別回盲瓣，波士頓評(píng)分的準(zhǔn)確度為76.9%，回盲瓣識(shí)別的準(zhǔn)確度為95.3%。鄧少琦等[35]應(yīng)用AI建立了腸道準(zhǔn)備預(yù)測(cè)模型，將腸道準(zhǔn)備情況分為準(zhǔn)備充分組和準(zhǔn)備不佳組，觀察了302例患者，對(duì)照logistic回歸預(yù)測(cè)模型，正確分類比例提高了18%。以上研究表明CAD能為醫(yī)院對(duì)結(jié)腸鏡檢查質(zhì)量的評(píng)估提供依據(jù)。然而在實(shí)際結(jié)腸鏡檢查過程中，許多干擾因素影響了CAD系統(tǒng)的準(zhǔn)確度，如計(jì)算機(jī)運(yùn)行速度慢、腸道糞水多、大腸皺襞形態(tài)改變等引起的假陽性或假陰性。

6 展望

目前，AI在結(jié)腸鏡檢查中的應(yīng)用已經(jīng)取得了一些研究成果，但是仍然存在一些問題。例如大多數(shù)研究采用回顧性方法，即使是前瞻性研究也往往是單中心研究，這可能產(chǎn)生很大的偏倚。將來開展研究可以參考如下幾方面設(shè)計(jì)：①開展前瞻性試驗(yàn)研究，實(shí)時(shí)使用CAD評(píng)估；②設(shè)計(jì)對(duì)照研究(即有AI組和無AI組)；③采用良好的觀察指標(biāo)，如ADR、敏感性、特異性等；④采用客觀的參考標(biāo)準(zhǔn)，如病理組織學(xué)性質(zhì)；⑤開展多中心研究，這一點(diǎn)尤為重要，可以確保研究結(jié)果的可重復(fù)性[36]。此外，CAD在判斷病理類型時(shí)應(yīng)盡量包含大腸息肉的所有病理類型。除腺瘤外的其他類型息肉如錯(cuò)構(gòu)瘤性息肉、無蒂鋸齒狀病變、結(jié)腸炎相關(guān)癌癥、遺傳性息肉病等均應(yīng)作為研究對(duì)象。以往研究也沒有區(qū)分腫瘤是分化型還是未分化型，這點(diǎn)對(duì)后續(xù)治療是非常有幫助的。今后我們不僅要進(jìn)行高質(zhì)量的研究來積累數(shù)據(jù)，還應(yīng)了解如何獲得監(jiān)管部門的批準(zhǔn)，使CAD在結(jié)腸鏡檢查中廣泛應(yīng)用。如果上述問題得到解決，AI將為新一代結(jié)腸鏡檢查打開大門。

AI在消化內(nèi)鏡的應(yīng)用有著廣闊的前景。AI將來可以輔助醫(yī)院培訓(xùn)初學(xué)內(nèi)鏡檢查或既往表現(xiàn)不佳的內(nèi)鏡醫(yī)師，降低漏診率[37]；AI不但能提高內(nèi)鏡設(shè)備的圖像質(zhì)量，還可以使內(nèi)鏡圖像呈現(xiàn)三維立體結(jié)構(gòu)；AI的精準(zhǔn)性既能降低醫(yī)師的誤診幾率，又能協(xié)助醫(yī)師實(shí)時(shí)決策病變是否需要切除，選擇內(nèi)鏡手術(shù)還是外科手術(shù)切除；AI不只專注于內(nèi)鏡檢查，還能在內(nèi)鏡手術(shù)上幫助醫(yī)師，例如準(zhǔn)確顯示病變邊界、黏膜層次、血管位置等；AI不僅用于圖像信息分析，還可以結(jié)合患者病史、體征及其他輔助檢查進(jìn)行綜合診斷，協(xié)助醫(yī)師制定診療方案。相信未來AI技術(shù)與內(nèi)鏡技術(shù)攜手合作，將會(huì)創(chuàng)造更多發(fā)展的機(jī)遇。