人工智能在結(jié)腸息肉檢測與分類中的應(yīng)用

王 嘯，黃 鑒，吉 祥，珠 珠

昆明醫(yī)科大學第一附屬醫(yī)院1信息中心，2腫瘤科，3日間手術(shù)中心，云南 昆明650032

結(jié)直腸癌（CRC）是全世界重要的公共衛(wèi)生問題［1-3］。幾乎所有的結(jié)直腸癌起源于結(jié)腸息肉，定期篩查和早期發(fā)現(xiàn)息肉是目前預(yù)防CRC的最有效方法［4-8］。近期研究表明，結(jié)腸鏡檢查被用于CRC篩查和監(jiān)測，能有效地降低CRC的發(fā)病率和死亡率［9-11］。結(jié)腸鏡檢查被推薦為CRC篩查和監(jiān)測的首選策略，已成為目前CRC篩查、監(jiān)測和發(fā)現(xiàn)并切除癌前腺瘤性息肉的重要手段，降低CRC發(fā)病率和死亡率最常用一種有效的方法［12-14］。然而，結(jié)腸鏡檢查實踐是依賴于操作者的重復(fù)性工作，可能致使內(nèi)鏡醫(yī)師容易疲勞而產(chǎn)生心理和知覺錯誤［15-16］，而在結(jié)腸鏡檢查息肉中出現(xiàn)遺漏和誤診［17］。因此，提高結(jié)腸鏡檢查的腫瘤檢出率（ADR）對降低CRC的發(fā)生率和死亡率具有重要意義［18］。ADR被確立為評價內(nèi)鏡醫(yī)師發(fā)現(xiàn)結(jié)直腸腫瘤能力的重要質(zhì)量指標［19］，有證據(jù)表明，ADR 可理想地反映腫瘤的發(fā)生率，ADR 每增加1.0%，間隔期CRC的風險則相應(yīng)降低3.0%［20-21］。因此，提高結(jié)腸鏡檢查的ADR已成為胃腸病學檢測實踐領(lǐng)域研究的重要方向［22-23］。

1 人工智能（AI）技術(shù)

AI是模仿人類認知功能能在社會不同領(lǐng)域完成一定任務(wù)的機器智能，被宣稱是21世紀公共醫(yī)療衛(wèi)生服務(wù)最具突破性的創(chuàng)新技術(shù)［24］。隨著AI技術(shù)應(yīng)用的突破，計算機輔助診斷（CAD）已被用于結(jié)腸鏡檢查，因其在結(jié)腸息肉的自動檢測和分類方面具有較高的靈敏度和準確性，有助于避免內(nèi)鏡醫(yī)師對結(jié)腸息肉的漏診和誤診，因而近年來倍受關(guān)注［25］。近年來，隨著機器學習（ML）、深度學習（DL）和深度神經(jīng)網(wǎng)絡(luò)技術(shù)在計算機視覺領(lǐng)域的發(fā)展，基于AI的CAD（AI-CAD）系統(tǒng)在結(jié)腸鏡檢查應(yīng)用方面取得了顯著的進展［26］。ML是一種AI技術(shù)，可以訓(xùn)練計算機通過重復(fù)和經(jīng)驗學習大量識別或特征的圖像，提高其在任務(wù)中的性能［26］。DL是機器學習的一個子集，是ML研究中的一個新的領(lǐng)域，它基于人工神經(jīng)網(wǎng)絡(luò)（ANN），旨在用非監(jiān)督式或半監(jiān)督式的特征學習和分層特征提取高效算法來替代手工獲取特征。ML，特別是DL，在結(jié)腸鏡檢查的臨床實踐中顯示出重要的前景［27］。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種基于人腦視覺皮層處理和識別圖像原理的深度神經(jīng)網(wǎng)絡(luò)，為一種深度的監(jiān)督學習下的機器學習模型，在結(jié)腸鏡CRC檢測或分類中可以高效地進行圖像和視頻分析［15］。新近研究表明，CAD-CNN模式可提高結(jié)腸鏡檢查的質(zhì)量，增加CRC（或息肉）的檢測或分類的ADR，降低誤報率和增生性息肉的息肉切除術(shù)的成本［27］，保持快速處理的速度，適用于接近實時的結(jié)腸鏡檢查［28］。有證據(jù)表明，在應(yīng)用AI-CAD系統(tǒng)診斷程序進行結(jié)腸鏡檢查，其準確率為89%～95%［29］，敏感性＞90%［30］，陰性預(yù)測值為95%～97%［31］。這些方法主要針對結(jié)腸內(nèi)病變的微觀特征和宏觀特征，預(yù)測腫瘤和腫瘤前病變的可能性。未來在這領(lǐng)域的工作將需要繼續(xù)發(fā)展新的AI-CAD系統(tǒng)，改進敏感性、特異性、準確性和陰性預(yù)測值。因此，利用AI-CAD系統(tǒng)的結(jié)腸鏡一般被設(shè)計為提取來自結(jié)腸鏡圖像/視頻中各種特征和輸出基于ML所預(yù)測的息肉位置或病理，可提高結(jié)腸息肉的檢出率和光學活檢的準確性［29-31］。

2 計算機輔助結(jié)腸息肉檢測（CACPD）

CACPD已經(jīng)成為利用AI-CAD系統(tǒng)應(yīng)用在結(jié)腸鏡檢查中的一種主要方式，在結(jié)腸鏡檢查過程中通過屏幕上數(shù)字視覺標記或聲音提示內(nèi)鏡醫(yī)生注意存在息肉。一些研究證明，利用AI-CAD系統(tǒng)的結(jié)腸鏡檢查可以幫助內(nèi)鏡醫(yī)師避免遺漏息肉［32-33］，可有效地防止患者避免后續(xù)發(fā)生結(jié)腸癌的風險［34-35］。近年來，CACPD的應(yīng)用發(fā)展推動了結(jié)腸鏡檢查CRC領(lǐng)域的進展。

早期研究是基于靜態(tài)的內(nèi)窺鏡圖像和視頻畫面的分析。既往多研究報道，使用ANN對這些從獨自靜止圖像中獲得的特征進行分類，CACPD精度達到95%以上［32-33］，而一些其他方法是利用紋路頻譜和顏色直方圖的特征對結(jié)腸狀態(tài)分析為“正常”或“異?！保?4］。研究表明，利用基于顏色小波協(xié)方差建立的顏色特征提取技術(shù)，開發(fā)出的一種新的CAD方法，比以前開發(fā)的基于灰度值特征或顏色紋理輸入的提取方法具有更高靈敏度。顏色小波協(xié)方差方法用在高分辨率內(nèi)窺鏡檢測息肉的結(jié)果顯示90%的靈敏度和97%的特異性［35］。有研究顯示，使用結(jié)合顏色、紋理和腔內(nèi)輪廓信息的貝葉斯融合方案開發(fā)創(chuàng)建一種智能臨床決策支持工具，被用于內(nèi)鏡圖像檢測出血病變和腔內(nèi)不規(guī)則病變［36］。既往也有報告顯示，采用一種標準低分辨率視頻輸入的模式識別框架，結(jié)腸息肉檢測準確性超過94.5%［23］。隨后的工作重點是將息肉檢測方法轉(zhuǎn)換為實時視頻分析。一種使用混合上下文的形狀方法的CAD系統(tǒng)被開發(fā)用于結(jié)腸息肉定位和排除非息肉樣結(jié)構(gòu)形狀的信息分析，其實時檢測結(jié)腸息肉的靈敏度為88%［37］。有報道利用一種基于息肉定位及其邊界的能量圖方法，稱為凹處積累窗口中位深度能量圖方法，被開發(fā)用于法檢測結(jié)腸息肉，其靈敏度為70.4%，特異性為72.4%［38］。此外，一種利用邊緣截面視覺特征和基于規(guī)則分類的方法開發(fā)用于檢測“息肉邊緣”，在43個息肉中，正確地檢測出42個的息肉（97.7%），并且延遲時間很短［25］。最近，一些研究已經(jīng)開始將DL方法納入到CAD系統(tǒng)。2016年報道了首個用于檢測結(jié)腸息肉的DL系統(tǒng)。在本研究中，對32305結(jié)腸鏡圖像訓(xùn)練過的CNN檢測息肉的準確率為86%，靈敏度為73%，說明應(yīng)用DL的計算機視覺程序可以從結(jié)腸鏡圖像中準確識別出結(jié)腸息肉［39］。2017年世界胃腸病學學會會議上展示了基于SegNet架構(gòu)系統(tǒng)（Seg-Net architecture system）的DL息肉檢測軟件，該系統(tǒng)在中國進行了對5545張附有內(nèi)鏡醫(yī)師注解的結(jié)腸鏡檢查圖像的一組回顧性研究，隨后對來自1235 例患者的27461張結(jié)腸鏡檢查圖像進行前瞻性驗證［40］。新近研究顯示，一個利用DL的AI技術(shù)被開發(fā)，對105個息肉陽性和306個息肉陰性視頻進行訓(xùn)練，結(jié)果表明該系統(tǒng)能夠檢測出息肉為94%，假陽性檢出率60%［41］。利用DL的AI技術(shù)可自動提取相關(guān)的圖像特征，在進行更詳細的圖像分析和實時應(yīng)用方面的表現(xiàn)優(yōu)于人類。因此，開發(fā)出具有高靈敏度、低延遲時間和假陽性率低的新的CACPD系統(tǒng)希望能在不久的將來得以實現(xiàn)。

3 計算機輔助結(jié)腸息肉分類（CACPC）

結(jié)腸息肉病變自動檢測被稱為CACPC，其目的是預(yù)測息肉病理(即腫瘤性或非腫瘤性)，而不需要組織活檢，以幫助內(nèi)鏡醫(yī)生作出相應(yīng)的光學診斷和選擇性地切除腫瘤息肉的決策。CACPC應(yīng)用的迅速發(fā)展，為今后AI-CAD系統(tǒng)在結(jié)腸鏡檢查CRC的臨床應(yīng)用和研究奠定了基礎(chǔ)。

臨床研究表明，在檢測同一個數(shù)據(jù)庫209張息肉圖像(并進行相應(yīng)的活檢)時，使用ML的基于AI的結(jié)腸息肉CAD系統(tǒng)的敏感性為90%，而人的觀測的敏感性為93.8%［42-43］。有研究報道，使用光學放大窄帶成像的計算機算法組檢測息肉的靈敏度為95%，而專家檢測組的靈敏度為93.4%，非專家檢測組的靈敏度為86.0%。一項研究使用窄帶成像放大結(jié)腸鏡預(yù)測結(jié)直腸腺瘤的組織學，對診斷腺瘤息肉病變的敏感性為97.8%，特異性為97.9%，準確性為97.8%，CACPC和2名有經(jīng)驗的內(nèi)窺鏡醫(yī)師診斷診的一致性為98.7%［44］；另一項研究利用實時圖像識別系統(tǒng)和窄帶成像放大結(jié)腸鏡進行結(jié)直腸息肉組織學計算機輔助診斷，其敏感性93.0%，特異性為93.3%，準確性為93.2%，圖像識別軟件和內(nèi)窺鏡醫(yī)師操作內(nèi)鏡的診斷的一致性為97.5%，證明實時AI-CAD系統(tǒng)是可行的，使用放大窄帶成像技術(shù)（NBI）可以與人的操作診斷媲美［45］。此外，其他一些先進的內(nèi)窺鏡成像模式也同樣得益于AI-CAD系統(tǒng)的進步［46］。最近研究表明，使用EC-CAD系統(tǒng)（一種機器學習CAD系統(tǒng)）預(yù)測病理分類，其敏感性和特異性分別為92.0%和79.5%，而相比較內(nèi)鏡專家的敏感性和特異性分別為92.7%和91%［47］。ML-CAD系統(tǒng)被用于AI輔助細胞內(nèi)鏡圖像分析EC-NBI結(jié)直腸病變的特征，該系統(tǒng)對腺瘤息肉的診斷的敏感性為85%，特異性為98%，準確性為90%［48］。有前瞻性研究顯示AI輔助細胞內(nèi)鏡系統(tǒng)對腺瘤息肉的診斷敏感性為97%，特異性為67%，準確性為83%,陽性預(yù)測值為78%，陰性預(yù)測值為95%，延遲時間極低［49］。隨著DL的應(yīng)用，一種深卷積神經(jīng)網(wǎng)絡(luò)AI技術(shù)被開發(fā)并用于測試的125個連續(xù)遇到微小息肉視頻測試資料顯示，其中的106例被分類，精度為94%，其余19息肉則系統(tǒng)未能達到≥50%的可信度評分閾值，對于這106個息肉視頻，該系統(tǒng)檢測腺瘤的敏感性為98%，特異性檢為83%［31］。未來利用AI-CAD系統(tǒng)結(jié)腸鏡檢測息肉領(lǐng)域的工作需要在致力于將CAD檢測和CAD分類模式相結(jié)合的同時，繼續(xù)提高實時光學分類方法的靈敏度、特異性、和準確性。

4 結(jié)論

AI技術(shù)和CAD系統(tǒng)在臨床結(jié)腸鏡檢查的應(yīng)用是一個令人興奮的新的前沿研究領(lǐng)域。眾多研究表明，AI-CAD系統(tǒng)，特別是DL和CNN技術(shù)，能夠幫助處理大容量的結(jié)腸鏡檢查圖片和視頻數(shù)據(jù)，協(xié)助臨床醫(yī)生對結(jié)腸鏡檢測結(jié)腸息肉是否存在和息肉分類（腫瘤或非腫瘤）做出決定。然而，結(jié)腸鏡檢查的實踐仍然高度依賴于操作者及其重復(fù)的活動，容易在結(jié)腸鏡檢查息肉中出現(xiàn)遺漏和誤診。因此，在未來的研究中，提高結(jié)腸息肉的檢出率和光學活檢的準確性，有效地防止患者后續(xù)發(fā)生CRC的風險，對于開發(fā)新型的AI-CAD系統(tǒng)的結(jié)腸鏡將是至關(guān)重要的。