人工智能在結(jié)腸鏡中的應(yīng)用進(jìn)展

徐宇秋, 湯文濤, 呂洋, 許劍民

【提要】 結(jié)腸鏡在息肉的檢出和診斷中發(fā)揮著重要的作用，被廣泛運(yùn)用于結(jié)直腸癌的篩查。然而，醫(yī)生間的水平差異，可能導(dǎo)致息肉的漏檢、息肉診斷的準(zhǔn)確性低等問(wèn)題。隨著計(jì)算機(jī)算法和機(jī)器學(xué)習(xí)的快速發(fā)展，人工智能被逐漸運(yùn)用于結(jié)腸鏡的診療中。本文將針對(duì)人工智能輔助結(jié)腸鏡在息肉篩查和良惡性鑒定中發(fā)揮的作用進(jìn)行總結(jié)和思考，并探討人工智能在結(jié)腸鏡診療領(lǐng)域的應(yīng)用前景。

結(jié)直腸癌是世界范圍內(nèi)最常見(jiàn)的惡性腫瘤之一，發(fā)病率居第三位，死亡率居第二位[1]。結(jié)腸鏡目前是篩查結(jié)直腸癌最常用的方法之一。結(jié)腸鏡下息肉和腺瘤的診斷與治療對(duì)降低結(jié)直腸癌的發(fā)生率和死亡率有重要作用[2]。腺瘤檢出率(Adenoma detection rate，ADR)與結(jié)腸鏡檢查后結(jié)直腸癌的發(fā)生率呈顯著負(fù)向相關(guān)[3]。研究表明，ADR與內(nèi)鏡醫(yī)生的學(xué)習(xí)曲線相關(guān)[4]。內(nèi)鏡醫(yī)生腸鏡診療的質(zhì)量差異，可能導(dǎo)致息肉、腺瘤的漏檢及后續(xù)結(jié)直腸癌的發(fā)生。除了漏檢之外，內(nèi)鏡醫(yī)生的水平差異也會(huì)影響息肉診斷的準(zhǔn)確性。美國(guó)消化內(nèi)鏡協(xié)會(huì)提出，內(nèi)鏡醫(yī)生可將腸鏡下的肉眼判斷作為息肉的組織病理學(xué)診斷的補(bǔ)充，對(duì)目測(cè)陰性值在90%以上的息肉采取“診斷并離開(kāi)(diagnose-and-leave)”的策略[5]。但對(duì)社區(qū)醫(yī)生和非專業(yè)醫(yī)生而言，該策略會(huì)導(dǎo)致息肉診斷的準(zhǔn)確性較低，因而實(shí)際運(yùn)用較為局限[6]。惡性息肉若被漏診或誤診為良性病變將嚴(yán)重影響患者預(yù)后。由此可見(jiàn)，結(jié)腸鏡存在漏檢、準(zhǔn)確性較低等問(wèn)題，限制了其在腸癌早期預(yù)防和診療中的作用。近年來(lái)，得益于機(jī)器學(xué)習(xí)在腸鏡中的應(yīng)用和發(fā)展，人工智能輔助腸鏡的診療有助于平衡內(nèi)鏡醫(yī)生的能力差異，有望降低漏檢率、提高診斷準(zhǔn)確性，本文將針對(duì)人工智能在結(jié)腸鏡中的應(yīng)用與發(fā)展進(jìn)行總結(jié)和思考。

1 計(jì)算機(jī)輔助診斷和深度學(xué)習(xí)

得益于機(jī)器學(xué)習(xí)和算法的發(fā)展，計(jì)算機(jī)輔助診斷(computer-aided diagnosis，CAD)逐漸在醫(yī)學(xué)診療中得到廣泛的運(yùn)用。

早期的CAD系統(tǒng)運(yùn)用傳統(tǒng)的機(jī)器學(xué)習(xí)方法，需提供典型的圖片進(jìn)行機(jī)器學(xué)習(xí)，通過(guò)圖形分類的算法進(jìn)行訓(xùn)練。隨后出現(xiàn)的深度學(xué)習(xí)改善了這一刻板模式。深度學(xué)習(xí)是人工智能主要的學(xué)習(xí)方法，通過(guò)構(gòu)建多隱層的模型對(duì)數(shù)據(jù)特征進(jìn)行學(xué)習(xí)[7]。深度學(xué)習(xí)可以發(fā)掘出與目標(biāo)對(duì)象最匹配的代表性數(shù)據(jù)。受到人腦神經(jīng)元和突觸概念的啟發(fā)，深度學(xué)習(xí)模式依賴人工神經(jīng)網(wǎng)絡(luò)發(fā)揮作用。神經(jīng)網(wǎng)絡(luò)的層數(shù)決定著其對(duì)現(xiàn)實(shí)的刻畫能力，通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的研究和改進(jìn)，出現(xiàn)了多層數(shù)的深度神經(jīng)網(wǎng)絡(luò)(deep neural network，DNN)；通過(guò)將圖像處理和神經(jīng)網(wǎng)絡(luò)結(jié)合，出現(xiàn)了目前圖像分析領(lǐng)域最具代表性的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)，這是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，通過(guò)模擬人類視覺(jué)皮層的活動(dòng)，學(xué)習(xí)越來(lái)越高級(jí)的功能。計(jì)算機(jī)輔助診斷和深度學(xué)習(xí)的系統(tǒng)開(kāi)發(fā)一般需要三個(gè)或三個(gè)以上的數(shù)據(jù)集：一個(gè)為訓(xùn)練集，用于系統(tǒng)模型的構(gòu)建；一個(gè)為驗(yàn)證集，用于系統(tǒng)模型的驗(yàn)證；剩余至少一個(gè)數(shù)據(jù)集為測(cè)試集，用于檢測(cè)該模型的性能，如靈敏度和特異度等[8]。因此，在系統(tǒng)開(kāi)發(fā)的過(guò)程中需要大量且具有異質(zhì)性的圖像或視頻，且圖像和視頻應(yīng)來(lái)源于不同醫(yī)療中心、年齡、性別和病變類型等的患者，以保證系統(tǒng)的普適性。

研究表明，學(xué)習(xí)了129 540張圖像的CNN在鑒別良惡性病變方面的準(zhǔn)確性，可媲美專業(yè)皮膚科醫(yī)生[9]。在病理診斷領(lǐng)域，當(dāng)評(píng)估前哨淋巴結(jié)標(biāo)本中是否存在乳腺癌轉(zhuǎn)移時(shí)，深度學(xué)習(xí)算法具有與病理學(xué)專家相似的準(zhǔn)確性[10]。上述研究證明，CAD在圖像學(xué)習(xí)和識(shí)別方面已取得了顯著的成果。同樣，CAD在輔助腸鏡診療中也發(fā)揮著巨大的作用。

2 人工智能在結(jié)腸鏡中的應(yīng)用

人工智能在輔助結(jié)腸鏡診療中的應(yīng)用可分為輔助息肉的檢出(computer-aided diagnosis for detection，CADe)和輔助息肉的組織學(xué)判斷(computer-aided diagnosis for classification，CADx)[11]。前者有助于提高各種類型病變的檢出率，如微小息肉(直徑≤5 mm)、無(wú)蒂鋸齒狀病變、扁平病變等；后者有利于分辨病變的組織類型，減少不必要的低危息肉的切除率，為“診斷并離開(kāi)”的策略提供依據(jù)?；谏疃葘W(xué)習(xí)的CNN模型的出現(xiàn)和改進(jìn)，也進(jìn)一步改善了人工智能輔助息肉的檢出率及息肉組織類型的判斷準(zhǔn)確性。

2.1 人工智能輔助結(jié)腸鏡下息肉的檢出

人工智能輔助結(jié)腸鏡下息肉的檢出，可以通過(guò)分辨息肉的形狀、顏色、紋理及其與周圍黏膜的差異進(jìn)行判斷。Karkanis等[12]對(duì)結(jié)腸鏡檢查視頻進(jìn)行了基于顏色特征的分析。將66名患者結(jié)腸鏡檢查錄像中隨機(jī)選擇的1 200張靜止幀作為測(cè)試集，由內(nèi)鏡專家手動(dòng)標(biāo)注圖像區(qū)域辨別息肉。該基于顏色特征辨別息肉的模型敏感度高達(dá)93.6%，特異度高達(dá)99.3%。也可以通過(guò)分析息肉的形狀和邊界進(jìn)行判斷。Fernandez-Esparrach等[13]開(kāi)發(fā)了一個(gè)通過(guò)圖像強(qiáng)度確定息肉邊界的模型，將圖像強(qiáng)度的信息整合到能量圖中，分析息肉突出的部位從而確定息肉邊界。經(jīng)過(guò)測(cè)試，該模型的敏感度為70.4%，特異度為72.4%。

近年來(lái)，隨著結(jié)腸鏡的發(fā)展和改良，人工智能輔助結(jié)腸鏡下息肉的檢出率也不斷提升，大量的臨床研究表明，CADe具有良好的臨床應(yīng)用前景。Wang等[14]進(jìn)行了一項(xiàng)開(kāi)放、非盲的隨機(jī)對(duì)照研究(randomised controlled study，RCT)，納入的1 058名患者中，522人被隨機(jī)分配到CADe(靈敏度94.38%，特異度95.92%)輔助腸鏡檢查組，536隨機(jī)分配到普通腸鏡檢查的對(duì)照組。研究發(fā)現(xiàn)CADe輔助腸鏡組的ADR顯著高于對(duì)照組，主要是因?yàn)槲⑿∠倭龅臋z出數(shù)量在CADe的輔助下顯著增高。Wang等[15]的另一項(xiàng)雙盲RCT研究也再次驗(yàn)證了CADe系統(tǒng)(靈敏度91.6%，特異度95.4%)可以有效提高ADR，原先易被漏診的較小、等色、形狀平坦、邊界不清、位于視野邊緣的息肉，在CADe的幫助下可以被更好地發(fā)現(xiàn)和診斷。Spadaccini等[16]的Meta分析共納入了50項(xiàng)隨機(jī)對(duì)照試驗(yàn)，共計(jì)34 445名患者，以高分辨率白光內(nèi)鏡作為對(duì)照，比較了CADe系統(tǒng)輔助、色素內(nèi)鏡、增加黏膜視覺(jué)系統(tǒng)輔助對(duì)結(jié)直腸腫物的檢出率。研究結(jié)果表明CADe是提高ADR的最佳技術(shù)，相比對(duì)照組提高了7.4%，且均高于其他兩組[OR(95%CI)分別為1.45 (1.14～1.85)，1.54 (1.22～1.94)]。由此可見(jiàn)，人工智能對(duì)于輔助結(jié)腸鏡下息肉以及腺瘤的檢出具有重要的臨床效能，對(duì)結(jié)直腸病變的早期診斷和治療具有重大的意義。

2.2 人工智能輔助結(jié)腸鏡下息肉的組織學(xué)預(yù)測(cè)

人工智能輔助結(jié)腸鏡下息肉的組織學(xué)判斷，可以通過(guò)息肉的血管結(jié)構(gòu)和黏膜上皮的微觀結(jié)構(gòu)進(jìn)行模型構(gòu)建。在一項(xiàng)前瞻性試點(diǎn)研究中，利用放大窄帶成像測(cè)試上述CADx模型預(yù)測(cè)息肉組織學(xué)是否為腫瘤性的效能，結(jié)果顯示其敏感度為90%，特異度為70.2%，雖效果較好，但仍然低于醫(yī)生的預(yù)測(cè)(敏感度為93.8%，特異度為85.7%)[17]。

為方便臨床使用，針對(duì)實(shí)時(shí)評(píng)估的CADx系統(tǒng)的開(kāi)發(fā)和研究逐漸增多。Mori等[5]的前瞻性研究評(píng)估了實(shí)時(shí)CAD分別與放大結(jié)腸鏡、放大結(jié)腸鏡的窄帶成像模式、放大結(jié)腸鏡的亞甲藍(lán)染色模式聯(lián)用后對(duì)微小息肉組織病理學(xué)的預(yù)測(cè)效能。設(shè)定最佳情況(對(duì)于缺失CAD或病理的數(shù)據(jù)，均認(rèn)為其CAD預(yù)測(cè)為真)和最差情況(對(duì)于缺失CAD或病理的數(shù)據(jù)，均認(rèn)為其CAD預(yù)測(cè)為假)，最終結(jié)果顯示其對(duì)微小腺瘤的陰性預(yù)測(cè)值在最佳情況下為96.4%(95%CI，91.8%～98.8%)，在最差情況下為93.7%(95%CI，88.3%～97.1%)，當(dāng)CAD結(jié)合窄帶成像模式或亞甲藍(lán)染色模式，可以更好地觀察黏膜上皮的微觀結(jié)構(gòu)和毛細(xì)血管結(jié)構(gòu)時(shí)，其最佳和最差結(jié)果的陰性預(yù)測(cè)值均大于90%，達(dá)到非腫瘤性息肉“診斷并離開(kāi)”策略中所需的閾值。Byrne等[18]的研究也證實(shí)了經(jīng)過(guò)結(jié)腸鏡視頻訓(xùn)練后的人工智能模型可以高精度地區(qū)分微小腺瘤和增生性息肉，模型識(shí)別腺瘤的敏感度為98%，特異度為83%，陰性預(yù)測(cè)值為97%，陽(yáng)性預(yù)測(cè)值為90%。

CADx的臨床應(yīng)用還需要大量RCT臨床研究進(jìn)一步驗(yàn)證和改良。但我們可以預(yù)見(jiàn)，經(jīng)由大數(shù)據(jù)集訓(xùn)練良好的實(shí)時(shí)CADx系統(tǒng)的開(kāi)發(fā)和應(yīng)用不僅有利于“診斷并離開(kāi)”策略的執(zhí)行，而且可為將來(lái)社區(qū)醫(yī)院評(píng)判息肉良惡性提供便利。

2.3 人工智能在結(jié)腸鏡領(lǐng)域的深度學(xué)習(xí)

基于上述深度學(xué)習(xí)的DNN、CNN模型在結(jié)腸鏡下輔助息肉的檢出已愈發(fā)普及。Chen等[19]開(kāi)發(fā)了基于DNN的計(jì)算機(jī)輔助診斷系統(tǒng)，分析微小腸道息肉的圖像判斷其組織學(xué)類型，并與資深內(nèi)鏡專家和新手內(nèi)鏡醫(yī)師的診斷能力進(jìn)行比較。研究發(fā)現(xiàn)該系統(tǒng)識(shí)別腫瘤性或增生性息肉的敏感度為96.3%，特異度為78.1%，陰性預(yù)測(cè)值為91.5%，陽(yáng)性預(yù)測(cè)值為89.6%。其陰性預(yù)測(cè)值已優(yōu)于部分新手內(nèi)鏡醫(yī)師，且其判斷時(shí)間均顯著短于資深專家和新手醫(yī)師(P<0.001)。

Urban等[20]開(kāi)發(fā)的CNN模型，識(shí)別息肉的ROC曲線下面積為0.991，準(zhǔn)確性高達(dá)96.4%，性能優(yōu)越。分別使用含CNN和不含CNN的方法分析9段結(jié)腸鏡檢查錄像，發(fā)現(xiàn)兩種方法各識(shí)別出45個(gè)和36個(gè)息肉，CNN模型的表現(xiàn)更為出色。Misawa等[21]進(jìn)一步開(kāi)發(fā)了3D CNN模型，基本可實(shí)現(xiàn)實(shí)時(shí)檢出，敏感度為90%，特異度為63%。于洪剛團(tuán)隊(duì)基于CNN及感知哈希算法開(kāi)發(fā)了一種實(shí)時(shí)計(jì)算機(jī)輔助系統(tǒng)——ENDOANGEL以輔助結(jié)腸鏡檢查。在這項(xiàng)隨機(jī)對(duì)照研究中，ENDOANGEL組的患者中有16%檢測(cè)到腺瘤，而對(duì)照組中僅有8%[22]。

上述研究表明深度學(xué)習(xí)、DNN、CNN等算法的出現(xiàn)，給內(nèi)鏡醫(yī)生提供了更好的、實(shí)時(shí)的幫助。將來(lái)仍需建立更大的數(shù)據(jù)集進(jìn)行學(xué)習(xí)和驗(yàn)證，開(kāi)發(fā)一致性更高的評(píng)估方法。

3 人工智能結(jié)合不同類型的腸鏡輔助診療

在結(jié)腸鏡的發(fā)展過(guò)程中，出現(xiàn)了多種具有不同功能的內(nèi)鏡設(shè)備和成像方法，如染色、熒光和放大成像等。將人工智能與多種內(nèi)鏡相結(jié)合，有助于擴(kuò)大各種內(nèi)鏡的優(yōu)勢(shì)，提高息肉早期診斷的準(zhǔn)確性。

3.1 人工智能輔助白光內(nèi)鏡

白光內(nèi)鏡是最常用的內(nèi)鏡之一，若能與CAD結(jié)合，將在腸道息肉和惡性腫瘤的鑒別及診斷中發(fā)揮重要的功能。Komeda等[23]嘗試將白光內(nèi)鏡與深度學(xué)習(xí)算法相結(jié)合，但最終惡性腫瘤診斷的準(zhǔn)確度僅有75.1%。其結(jié)果不理想的原因可能是白光內(nèi)鏡的診斷效果普遍較放大窄帶成像和色素內(nèi)鏡差，也可能是該模型的訓(xùn)練集僅有1 200張圖像。Luo等[24]的研究使用了7 734張白光內(nèi)鏡的圖像進(jìn)行訓(xùn)練，檢測(cè)結(jié)果發(fā)現(xiàn)該模型對(duì)于預(yù)測(cè)非侵襲性和淺表侵襲性腫瘤的總體準(zhǔn)確率為91.1%，敏感度為91.2%，特異度為91.0%，具有較好的效果。對(duì)于人工智能輔助白光內(nèi)鏡的應(yīng)用價(jià)值仍存在一定的爭(zhēng)議，需要前瞻性的臨床試驗(yàn)進(jìn)一步探究。

3.2 人工只能輔助窄帶成像內(nèi)鏡

窄帶成像(narrow band imaging，NBI)內(nèi)鏡是過(guò)濾去除寬帶光譜，僅留下窄帶光譜進(jìn)行疾病診斷，窄帶成像技術(shù)使得結(jié)直腸息肉的表面結(jié)構(gòu)和微血管結(jié)構(gòu)更加清晰，在臨床中應(yīng)用得愈加廣泛。Song等[25]使用來(lái)源于624個(gè)息肉的12 480張窄帶成像圖片作為開(kāi)發(fā)CAD-NBI系統(tǒng)的訓(xùn)練集，將息肉分為鋸齒狀息肉、良性腺瘤/黏膜或淺表黏膜下癌以及深部黏膜下癌三種組織學(xué)類型進(jìn)行學(xué)習(xí)，并與內(nèi)鏡專家和學(xué)員的診斷準(zhǔn)確率進(jìn)行比較。測(cè)試集的結(jié)果顯示該系統(tǒng)的總體診斷準(zhǔn)確率為81.3%～82.4%，顯著高于學(xué)員水平(63.8%～71.8%，P<0.01)，與專家水平相當(dāng)(82.4%～87.3%)。上文提及的Mori等[5]的前瞻性研究也應(yīng)用了CAD與NBI結(jié)合的系統(tǒng)，取得較高的準(zhǔn)確率和陰性預(yù)測(cè)值。窄帶成像本身即具有較好的成像視覺(jué)優(yōu)勢(shì)，配合人工智能的深度學(xué)習(xí)，有助于內(nèi)鏡醫(yī)師尤其是初學(xué)者診斷結(jié)直腸息肉，擁有較好的臨床應(yīng)用前景。

3.3 人工智能輔助熒光內(nèi)鏡

熒光內(nèi)鏡分為激光誘導(dǎo)的熒光成像內(nèi)鏡和自體熒光成像內(nèi)鏡。人工智能輔助熒光內(nèi)鏡可以捕獲發(fā)出的光線并將其轉(zhuǎn)化為圖像等信息，經(jīng)人工智能算法分析后反饋結(jié)果。

Rath等[26]報(bào)告了一種人工智能輔助激光誘導(dǎo)的熒光內(nèi)鏡。組織吸收激光后，發(fā)出的光線被活檢鉗上攜帶的設(shè)備捕獲，經(jīng)算法分析后將結(jié)果實(shí)時(shí)反饋給內(nèi)鏡醫(yī)生。通過(guò)一把活檢鉗，內(nèi)鏡醫(yī)生既可以判斷病變性質(zhì)，又可以完成活檢或切除，既實(shí)用又便捷。

自體熒光成像內(nèi)鏡可分析結(jié)直腸黏膜中內(nèi)生熒光團(tuán)被激發(fā)出的光線，最豐富的目標(biāo)是膠原蛋白，發(fā)育異常組織中膠原蛋白的丟失，導(dǎo)致綠色熒光減少，紅色熒光增多，成像系統(tǒng)將此信息轉(zhuǎn)化為紅/綠圖像，通過(guò)計(jì)算反饋病變鑒定信息[27]。Horiuchi等[28]開(kāi)發(fā)了CAD結(jié)合自體熒光成像的系統(tǒng)，根據(jù)綠/紅比率鑒別直腸乙狀結(jié)腸腫瘤性微小息肉，研究顯示該系統(tǒng)的陰性預(yù)測(cè)值為93.4%(95%CI89.0%～96.4%)，基本達(dá)到“診斷并離開(kāi)”策略中的要求。

3.4 人工智能輔助放大內(nèi)鏡

放大內(nèi)鏡通過(guò)放大獲得息肉的更精細(xì)的信息，如長(zhǎng)度、亮度、結(jié)構(gòu)、染色等。將人工智能與此相結(jié)合，可以更加迅速、便捷和準(zhǔn)確地分析上述信息，提高病變?cè)\斷的準(zhǔn)確性。

放大窄帶成像是將放大內(nèi)鏡和窄帶成像技術(shù)相結(jié)合，CAD輔助的NBI是于長(zhǎng)度、亮度等多個(gè)特征，對(duì)病變的腫瘤性和非腫瘤性進(jìn)行判斷。Gross等[29]的研究表明，放大窄帶成像的準(zhǔn)確性達(dá)93.1%，可給予初學(xué)者有力的幫助。

為了獲得更多的結(jié)構(gòu)信息，染色和放大內(nèi)鏡的融合誕生了放大染色內(nèi)鏡。CAD的加入有助于分析所得的結(jié)構(gòu)信息，提高診斷的準(zhǔn)確率。靛藍(lán)、洋紅或結(jié)晶紫染色結(jié)合放大內(nèi)鏡有助于息肉表面結(jié)構(gòu)的精細(xì)顯示，尤其是息肉的小凹形態(tài)，用于區(qū)分息肉的良惡性[30]。CAD輔助腺管小凹的診斷方法主要有兩種，一種是提取腺管結(jié)構(gòu)信息如面積、周長(zhǎng)、小凹等，進(jìn)行自動(dòng)的定量分析。Takemura等[31]通過(guò)這種方法在判斷結(jié)直腸腫瘤Pit Pattern分型時(shí)總體準(zhǔn)確度達(dá)到了98.5%。另一種方法是Hafner等[32]對(duì)紋理結(jié)構(gòu)信息進(jìn)行的分析。這種方法不論是在判斷病變性質(zhì)，還是在判斷Pit Pattern分型中均展現(xiàn)出較高的準(zhǔn)確性。

3.5 人工智能輔助新型內(nèi)鏡系統(tǒng)

內(nèi)鏡系統(tǒng)亦發(fā)展迅速，將人工智能應(yīng)用于新型內(nèi)鏡系統(tǒng)進(jìn)一步擴(kuò)大了其優(yōu)勢(shì)。

Olympus公司的超擴(kuò)大細(xì)胞內(nèi)鏡是一種新型的內(nèi)鏡系統(tǒng)，可使內(nèi)鏡醫(yī)生獲得放大500倍的實(shí)時(shí)細(xì)胞畫面。日本的研究團(tuán)隊(duì)開(kāi)發(fā)了結(jié)合CAD的超擴(kuò)大細(xì)胞內(nèi)鏡。研究團(tuán)隊(duì)最早構(gòu)建的模型，通過(guò)抓取亞甲藍(lán)染色的細(xì)胞核區(qū)域的相關(guān)特征進(jìn)行定量分析，診斷腫瘤病變的準(zhǔn)確度達(dá)到了89.2%[33]。在后續(xù)的研究中，研究團(tuán)隊(duì)加入了更多的分析因素，不僅可以輸出病變的類型，還可以輸出相對(duì)應(yīng)診斷的可能性[34]。除此之外，他們還開(kāi)發(fā)了NBI結(jié)合超擴(kuò)大細(xì)胞內(nèi)鏡的系統(tǒng)，不需要提前染色，診斷腫瘤病變的準(zhǔn)確度達(dá)90%[35]。

共聚焦顯微內(nèi)鏡是一種可以將畫面放大1000倍以上新型顯微內(nèi)鏡系統(tǒng)。Andre等[36]研究表明，將K最鄰近分類和神經(jīng)網(wǎng)絡(luò)分析這兩種算法，與共聚焦顯微內(nèi)鏡相結(jié)合，分辨腫瘤和非腫瘤的準(zhǔn)確度達(dá)89.6%。Stefanescu等[37]研究顯示其分辨結(jié)直腸癌和正常黏膜的準(zhǔn)確度為84.5%。

4 問(wèn)題和展望

盡管已有部分前瞻性的研究肯定了人工智能在腸鏡檢查中實(shí)時(shí)檢出息肉的作用，但是將人工智能運(yùn)用于常規(guī)診療中仍有較多問(wèn)題亟待解決。其一，人工智能和深度學(xué)習(xí)的模型間存在較大的異質(zhì)性[38]。每個(gè)人工智能系統(tǒng)都需要前瞻性研究的驗(yàn)證。歐洲消化內(nèi)鏡協(xié)會(huì)發(fā)布的指南提出，CAD運(yùn)用于腸鏡的前提是有高質(zhì)量的多中心研究證明其診斷的準(zhǔn)確性[39]。其二，人工智能對(duì)腸鏡檢查的質(zhì)控把握。雖然有些CAD系統(tǒng)已經(jīng)加入了判斷腸道準(zhǔn)備是否充分的模型，以期提高內(nèi)鏡檢查質(zhì)量，但在實(shí)際操作中，許多其他因素例如計(jì)算機(jī)的運(yùn)行速度、腸皺襞形態(tài)等會(huì)影響CAD的判斷[40]，仍有待改進(jìn)。其三，人工智能對(duì)于長(zhǎng)期結(jié)局的影響未知。人工智能能否降低腸鏡后結(jié)直腸癌的發(fā)生率，能否延長(zhǎng)腸鏡檢查的間隔時(shí)間等證據(jù)較少，均有待前瞻性的研究進(jìn)行論證。其四，現(xiàn)階段人工智能更多地是承擔(dān)腸鏡檢查過(guò)程中的輔助角色，如何實(shí)現(xiàn)人工智能獨(dú)立完成內(nèi)鏡檢查有待進(jìn)一步的研究。其五，人工智能參與醫(yī)療過(guò)程中，若發(fā)生醫(yī)療過(guò)錯(cuò)、醫(yī)療事故等，責(zé)任歸屬問(wèn)題仍存在爭(zhēng)議。雖然存在許多問(wèn)題和挑戰(zhàn)，但人工智能的飛速發(fā)展是不可阻擋的，未來(lái)人工智能定會(huì)擁有更為廣闊的舞臺(tái)，在腸鏡診斷和治療中起到更加重要的作用。