智能醫(yī)學(xué)在食管癌早期診斷及治療中的應(yīng)用進(jìn)展

李佳怡，劉 軻，石林林，喻 瑩，馬麗霞，高社干

智能醫(yī)學(xué)，顧名思義，就是“智能”的“醫(yī)學(xué)”，其中智能是手段，醫(yī)學(xué)是目的[1]。從廣義來(lái)說(shuō)，是通過(guò)人工智能(artificial intelligence，AI)的方法，輔助或替代人類進(jìn)行醫(yī)療行為的科學(xué)。因此，智能醫(yī)學(xué)是一門集工科和醫(yī)科之大成的交叉融合學(xué)科，其特征是人工智能、虛擬現(xiàn)實(shí)、大數(shù)據(jù)、移動(dòng)互聯(lián)網(wǎng)等信息技術(shù)與醫(yī)學(xué)的融合和應(yīng)用[2]。此外，還有智慧醫(yī)療、移動(dòng)醫(yī)療、數(shù)字醫(yī)療等相關(guān)技術(shù)都屬于智能醫(yī)學(xué)的范疇[3]。

智能醫(yī)學(xué)的應(yīng)用十分廣泛，幾乎涵蓋醫(yī)學(xué)的所有領(lǐng)域，如醫(yī)學(xué)影像識(shí)別、疾病預(yù)測(cè)、臨床醫(yī)療智能決策、虛擬助理、藥物研發(fā)、健康管理、生物技術(shù)、疾病輔助診斷等，可以實(shí)現(xiàn)疾病診療過(guò)程全覆蓋[4]。目前我國(guó)在智能醫(yī)學(xué)領(lǐng)域也頒布了很多政策來(lái)支持，見(jiàn)表1。此外，利用人工智能提取海量臨床信息可以對(duì)由于個(gè)體基因、細(xì)胞、生理微環(huán)境、生活習(xí)慣和生存環(huán)境等差異造成的疾病異質(zhì)性進(jìn)行全面分析，可在治療前期進(jìn)行準(zhǔn)確分類及制定個(gè)體化治療方案，可在治療后期及時(shí)進(jìn)行療效評(píng)估及治療方案調(diào)整。

表1 中國(guó)智能醫(yī)學(xué)政策支持

1 智能醫(yī)學(xué)在食管癌流行病學(xué)研究中的應(yīng)用

流行病學(xué)主要研究特定人群中疾病的分布、決定因素和防治措施，是預(yù)防醫(yī)學(xué)的重要組成部分。流行病學(xué)最早用于揭示傳染病流行的原因，隨后又被用于研究非傳染病的病因，尤其是惡性腫瘤、心腦血管疾病等一些慢性病。數(shù)據(jù)的收集和分析是流行病學(xué)研究的兩個(gè)重要組成部分。隨著信息搜索和采集由人工方式向多元化的智能方式的轉(zhuǎn)變，可供人們使用的醫(yī)療數(shù)據(jù)越來(lái)越多，數(shù)據(jù)維度也越來(lái)越大。大量信息為人們了解疾病提供了全面的數(shù)據(jù)支撐，同時(shí)也帶來(lái)了信息冗余的問(wèn)題。傳統(tǒng)方法難以處理規(guī)模如此龐大且復(fù)雜的數(shù)據(jù)，人工智能為此提供了一種好的思路和方法[5]。

1.1 決策樹(shù)模型

決策樹(shù)模型是一種常用的機(jī)器學(xué)習(xí)分類算法，采用樹(shù)形結(jié)構(gòu)對(duì)實(shí)例進(jìn)行分類，符合人類的思維方式[6]。相對(duì)于傳統(tǒng)的回歸方法，決策樹(shù)模型可簡(jiǎn)單、快速、準(zhǔn)確地實(shí)現(xiàn)離散屬性數(shù)據(jù)的分類。決策樹(shù)由節(jié)點(diǎn)和有向邊組成，其中節(jié)點(diǎn)包含一個(gè)根節(jié)點(diǎn)、若干個(gè)內(nèi)部節(jié)點(diǎn)和若干個(gè)葉節(jié)點(diǎn)。內(nèi)部節(jié)點(diǎn)表示一個(gè)特征或?qū)傩?，葉節(jié)點(diǎn)表示一個(gè)類別。簡(jiǎn)單而言，決策樹(shù)是一個(gè)多層if-else函數(shù)，其通過(guò)對(duì)各項(xiàng)指標(biāo)進(jìn)行多層if-else判斷來(lái)獲取目標(biāo)屬性的類別[7]。

一些學(xué)者采用決策樹(shù)模型對(duì)食管癌進(jìn)行了相關(guān)研究[8]。張繼等綜合考慮了性別、年齡、婚姻、入院診斷、術(shù)前住院天數(shù)、住院天數(shù)、護(hù)理天數(shù)、出院情況及手術(shù)方式等住院費(fèi)用的影響因素，應(yīng)用決策樹(shù)構(gòu)建了食管惡性腫瘤病例住院費(fèi)用影響因素模型，該模型包含3層10個(gè)分類[9]?；跊Q策樹(shù)的模型從多種影響因素中提出了分類規(guī)則，并得出各類別住院費(fèi)用的參考值范圍，對(duì)制定食管惡性腫瘤住院費(fèi)用標(biāo)準(zhǔn)具有參考價(jià)值。許瓊瓊等進(jìn)一步將住院天數(shù)作為影響變量納入決策樹(shù)模型，對(duì)食管癌患者的住院費(fèi)用進(jìn)行了研究。具體對(duì)南通市某腫瘤?？漆t(yī)院11 784例食管癌患者進(jìn)行住院費(fèi)用分析，以住院天數(shù)為影響變量，以性別、年齡、伴隨疾病、并發(fā)癥、治療方法等作為分類節(jié)點(diǎn)，研究參數(shù)設(shè)置如下：決策樹(shù)最大深度為3，父節(jié)點(diǎn)的最小樣本數(shù)為100，子節(jié)點(diǎn)的最小樣本數(shù)為50[10]。采用基于數(shù)據(jù)挖掘的決策樹(shù)模型進(jìn)行費(fèi)用測(cè)算評(píng)價(jià)，為醫(yī)保預(yù)付費(fèi)制度的實(shí)施提供了依據(jù)。

1.2 支持向量機(jī)模型

支持向量機(jī)(support vector machine，SVM)是一種比較常見(jiàn)的機(jī)器算法，能夠很好地實(shí)現(xiàn)分類和識(shí)別。支持向量機(jī)以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)，具有完美的數(shù)學(xué)形式和直觀的集合解釋。支持向量機(jī)的核心思路是在已知的樣本數(shù)據(jù)條件下，通過(guò)構(gòu)造最優(yōu)分類面將樣本數(shù)據(jù)分離。

支持向量機(jī)在食管癌的特征分類與預(yù)測(cè)方面也有相關(guān)研究。楊芳等利用主成分分析法(principal component analysis，PCA)和支持向量機(jī)SVM對(duì)新疆哈薩克族食管癌X射線圖像進(jìn)行特征提取、特征選擇及分類研究[11]。利用基于灰度共生矩陣的紋理特征和小波變換的頻域特征提取法，提出將受試者工作特征曲線(receiver operating characteristic curve，ROC)面積選擇法和主成分分析法相結(jié)合的兩步式特征選擇法，利用Bayes和SVM分類器對(duì)圖像進(jìn)行分類以驗(yàn)證所提取特征的分類能力。結(jié)果表明SVM具有較好的分類性能，兩步式特征選擇法能有效地消除特征之間的共線性，極大提高了特征的分類能力。張?zhí)斓壤弥С窒蛄繖C(jī)建立食管鱗狀細(xì)胞癌術(shù)后生存期預(yù)測(cè)模型，并評(píng)估該模型判斷食管鱗狀細(xì)胞癌(esophageal squamous cell carcinoma，ESCC)生存期的效能[12]。研究結(jié)果表明，ESCC-SVM模型由性別、T分期、組織學(xué)分級(jí)、淋巴結(jié)轉(zhuǎn)移、TNM分期、14-3-36和gp96等7個(gè)最優(yōu)屬性組成；模型區(qū)分訓(xùn)練組和測(cè)試組ESCC五年整體生存率的最大ROC曲線下方的面積大小(area under curve，AUC)分別為0.96和0.86，準(zhǔn)確率分別為97.7%和90.0%，明顯優(yōu)于目前臨床應(yīng)用的TNM分期(準(zhǔn)確率分別為62.5%、67.5%)及其他各臨床病理屬性；ESCC-SVM與性別、T分期、組織學(xué)分級(jí)、淋巴結(jié)轉(zhuǎn)移、TNM分期和14-3-36均顯著相關(guān)。SVM在早期食管癌病理性質(zhì)分類方面的高準(zhǔn)確性和高特異性，可以協(xié)助醫(yī)生根據(jù)每位患者的病情制定治療方案，也可為治療后評(píng)估療效及更改治療方案提供幫助。

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP(back propagation)神經(jīng)網(wǎng)絡(luò)是一種按照誤差反向傳播來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法，是一種應(yīng)用十分廣泛的人工神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)通常由3層組成：輸入層、隱含層與輸出層。一般而言，輸入層神經(jīng)元的個(gè)數(shù)與輸入指標(biāo)(如無(wú)癥狀人群的血液指標(biāo)、環(huán)境因素和家族史等)個(gè)數(shù)相同，輸出層的個(gè)數(shù)與類別數(shù)(如患病和不患病等)相同，隱含層的層數(shù)與神經(jīng)元數(shù)均可以自定義。

PPP從設(shè)立、建設(shè)、運(yùn)營(yíng)到移交的整個(gè)運(yùn)行周期都涉及稅收問(wèn)題，完善的稅收政策有助于落實(shí)稅收法定原則，增強(qiáng)項(xiàng)目主體參與的積極性；有助于全面貫徹風(fēng)險(xiǎn)—收益匹配原則，增強(qiáng)項(xiàng)目收益測(cè)算的準(zhǔn)確性；有助于提升社會(huì)治理能力，增強(qiáng)項(xiàng)目的經(jīng)濟(jì)效益和社會(huì)效益。因此，完善和優(yōu)化PPP稅收政策對(duì)于推進(jìn)政府和社會(huì)資本合作具有重要作用。

BP神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式處理、自組織、自學(xué)習(xí)等優(yōu)點(diǎn)，目前已在胃癌、乳腺癌、宮頸癌、食管癌等惡性腫瘤的早期篩查中得到應(yīng)用。薛佳殷等通過(guò)建立誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)(back popagation artificial neural network，BP-ANN)預(yù)測(cè)模型分析本地區(qū)與胃部高危疾病有關(guān)的影響因素并評(píng)價(jià)模型預(yù)測(cè)效果，所建立的BP-ANN可以用于篩檢胃癌高危人群[13](準(zhǔn)確率：91.549%，AUC：0.929)?？紫裁吩O(shè)計(jì)了兩個(gè)BP神經(jīng)網(wǎng)絡(luò)對(duì)哈薩克族食管X射線圖像進(jìn)行分類識(shí)別，一個(gè)用于區(qū)分正常食管和病理食管，另一個(gè)用于區(qū)分蕈傘型、潰瘍型和浸潤(rùn)型食管癌[14]。采用分類準(zhǔn)確率和Kappa值來(lái)評(píng)價(jià)分類性能，結(jié)果表明基于BP神經(jīng)網(wǎng)絡(luò)的分類器取得了較高的分類準(zhǔn)確率。徐繼承等采用自制問(wèn)卷，對(duì)調(diào)查對(duì)象的50項(xiàng)指標(biāo)(如一般情況、飲食習(xí)慣、身體狀況等)及是否患病進(jìn)行分析，建立了基于修剪算法BP神經(jīng)網(wǎng)絡(luò)的食管癌發(fā)病預(yù)測(cè)模型[15]。隨機(jī)選擇樣本中70%的病例作為訓(xùn)練集，其余作為測(cè)試集來(lái)測(cè)試模型預(yù)測(cè)精度，與C5.0決策樹(shù)模型和傳統(tǒng)Logistic回歸模型的對(duì)比結(jié)果驗(yàn)證了所建模型的優(yōu)越性。

1.4 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)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)，是深度學(xué)習(xí)的代表算法之一[16]。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)能力，能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類，在基于醫(yī)療數(shù)據(jù)和圖像分析的疾病檢測(cè)、分類等方面有良好的表現(xiàn)。

石善江等驗(yàn)證了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的人工智能系統(tǒng)技術(shù)模型，通過(guò)騰訊覓影人工智能系統(tǒng)技術(shù)模型對(duì)2 120張圖像進(jìn)行驗(yàn)證，同時(shí)在交給4名內(nèi)鏡醫(yī)師進(jìn)行診斷[17]。分析統(tǒng)計(jì)結(jié)果顯示，基于卷積神經(jīng)網(wǎng)絡(luò)的人工智能模型用于早期食管癌預(yù)測(cè)的準(zhǔn)確率為88.4%(1 875/2 120)，敏感度為89.6%(258/288)，特異度88.3%(1 617/1 832)，每張圖像的診斷時(shí)間為(0.25±0.03) s，均優(yōu)于4名內(nèi)鏡醫(yī)師，可在臨床白光內(nèi)鏡中輔助內(nèi)鏡醫(yī)師進(jìn)行診斷[18]。利用人工智能高特異性和敏感性的優(yōu)勢(shì)，可應(yīng)用到臨床上早期食管癌篩查，提高確診率，減輕醫(yī)生在食管癌早期篩查領(lǐng)域的負(fù)擔(dān)。

2 智能醫(yī)學(xué)在食管癌早期診斷中的應(yīng)用

2.1 支持向量機(jī)

SVM是在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的基礎(chǔ)上提出的一種新的模式識(shí)別技術(shù)，它追求的是在有限樣本情況下的最優(yōu)解[19]。近年來(lái)，支持向量機(jī)被用于對(duì)癌細(xì)胞、腫瘤組織的識(shí)別判別中，一是用于對(duì)相關(guān)癌癥的高維基因數(shù)據(jù)篩選，得到有意義的基因表達(dá)變量；二是用于醫(yī)學(xué)圖像處理中，通過(guò)構(gòu)造相應(yīng)的支持向量機(jī)模型，提高醫(yī)學(xué)圖像的識(shí)別準(zhǔn)確率[20]。

Sommen等研究了早期食管腺癌的計(jì)算機(jī)輔助診斷(computer-aided diagnosis，CAD)系統(tǒng)，提取了內(nèi)窺鏡圖像的局部顏色和紋理特征，利用SVM對(duì)其進(jìn)行分類，查全率和查準(zhǔn)率分別為0.95和0.75[21]。Ghatwary等將黏膜分為4種組織病理學(xué)類型，并使用SVM和隨機(jī)森林，對(duì)96名患者的557張圖像進(jìn)行了評(píng)價(jià)[22]。SVM分類器基于“一人一病”交叉驗(yàn)證，以96.05%的準(zhǔn)確率取得了最佳的分類效果。準(zhǔn)確的分類黏膜的組織病理學(xué)類型，對(duì)于預(yù)防食管癌的發(fā)生至關(guān)重要，該方法可以輔助醫(yī)生判斷，有助于食管癌疾病的早期預(yù)測(cè)干預(yù)[23]。Wang等通過(guò)基于計(jì)算機(jī)斷層掃描的支持向量機(jī)模型診斷食管癌的淋巴結(jié)轉(zhuǎn)移。對(duì)接受了術(shù)前化學(xué)療法和根治性手術(shù)的131例食道癌患者[24]，基于CT指標(biāo)(腫瘤厚度，腫瘤長(zhǎng)度，腫瘤CT值，淋巴總數(shù)，CT圖像上的淋巴結(jié)，最大淋巴結(jié)的長(zhǎng)軸和短軸大小)構(gòu)建支持向量機(jī)模型并用來(lái)預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移。通過(guò)結(jié)果分析可以得出結(jié)論，基于CT指標(biāo)的支持向量機(jī)模型可以幫助診斷食管癌的淋巴結(jié)轉(zhuǎn)移。

2.2 隨機(jī)森林

隨機(jī)森林(random forests，RF)是一種利用多個(gè)分類樹(shù)對(duì)數(shù)據(jù)進(jìn)行判別與分類的方法，它在對(duì)數(shù)據(jù)進(jìn)行分類的同時(shí)，還可以給出各個(gè)變量(基因)的重要性評(píng)分，評(píng)估各個(gè)變量在分類中所起的作用[25]。隨機(jī)森林方法憑借其精度高、不易過(guò)擬合等優(yōu)勢(shì)，成為近年來(lái)生物醫(yī)學(xué)及生物信息學(xué)熱門的前沿研究領(lǐng)域之一[26]。

對(duì)于食管癌患者來(lái)說(shuō)，淋巴結(jié)轉(zhuǎn)移是影響食管癌治療預(yù)后的重要因素[27]。馮飛躍等采用隨機(jī)森林分類方法從轉(zhuǎn)錄水平分析，篩選出食管癌淋巴結(jié)轉(zhuǎn)移相關(guān)基因，并對(duì)其進(jìn)行功能聚類[28]。對(duì)食管癌淋巴結(jié)轉(zhuǎn)移的標(biāo)志分子及轉(zhuǎn)移驅(qū)動(dòng)機(jī)制方面研究的靶點(diǎn)選擇具有重要的參考作用。對(duì)食管癌患者的預(yù)后進(jìn)行預(yù)測(cè)可有助于個(gè)性化癌癥治療。Paul等提出了一種從正電子發(fā)射斷層掃描(positron emission computed tomography，PET)圖像和臨床數(shù)據(jù)提取的新的特征選擇策略，稱為GARF(基于隨機(jī)森林的遺傳算法)。預(yù)測(cè)和預(yù)后結(jié)果均顯示GARF的性能優(yōu)于其他4種方法[29]。茹仙古麗·艾爾西丁等通過(guò)選取潰瘍性、縮窄型和蕈傘型食管癌X線圖像各560張，提取了灰度共生矩陣、灰度直方圖和混合特征，通過(guò)調(diào)整參數(shù)進(jìn)行分類研究，探討了RF和C4.5決策樹(shù)對(duì)X線食管造影圖像分型中的應(yīng)用，驗(yàn)證了分類器對(duì)特征的分類能力[30]。結(jié)果表明使用RF和C4.5決策樹(shù)對(duì)潰瘍型和縮窄型食管癌進(jìn)行分類，灰度直方圖特征的分類準(zhǔn)確率比灰度共生矩陣特征的平均高10%，混合特征更適合于潰瘍型、縮窄型食管癌的分類。而灰度直方圖特征更適合于潰瘍型、蕈傘型食管癌的分類，RF的分類能力比C4.5決策樹(shù)高。此算法可為X線食管造影圖像的分類提供參考。

2.3 卷積神經(jīng)網(wǎng)絡(luò)

與其他神經(jīng)網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)需要的參數(shù)相對(duì)較少，其在計(jì)算機(jī)視覺(jué)領(lǐng)域應(yīng)用較廣。由于CNN在大型圖像處理方面的優(yōu)勢(shì)，目前CNN已經(jīng)被大范圍應(yīng)用于醫(yī)學(xué)圖像的分類、檢測(cè)、分割等領(lǐng)域。

Horie等應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)384名食管癌和非食管癌被試者的8 428張內(nèi)鏡圖像進(jìn)行分析，僅用時(shí)27 s，就成功將食管癌患者給辨識(shí)出來(lái)(包括7個(gè)病灶直徑<10 mm的病人)，準(zhǔn)確度達(dá)到98%[31]。Deng等開(kāi)發(fā)了一套食管癌智能診斷系統(tǒng)。本方法需要采集食管癌醫(yī)學(xué)圖像，并與歷年采集得到的與食管癌相關(guān)的醫(yī)學(xué)圖像進(jìn)行比較，通過(guò)數(shù)據(jù)標(biāo)注、圖像預(yù)處理、數(shù)據(jù)增強(qiáng)、深度學(xué)習(xí)等步驟，最終建立食管癌圖像智能診斷系統(tǒng)[32]。該方法提高了食管癌影像診斷識(shí)別率和醫(yī)生工作效率，同時(shí)提高了基層醫(yī)療機(jī)構(gòu)食管癌診斷水平，降低了食管癌患者死亡風(fēng)險(xiǎn)。Fumiaki等利用8 428張食管癌的訓(xùn)練圖像，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)發(fā)展了深度學(xué)習(xí)在食管癌智能檢測(cè)方面的應(yīng)用，該方法不僅適用于食管鱗癌，而且適用于食管腺癌[33]。研究者使用49例食管癌患者和50例非食管癌患者的1 118張測(cè)試圖像評(píng)估了CNN在食管癌診斷方面的準(zhǔn)確性[34]。CNN僅用27 s就得到了1 118張測(cè)試圖像的分析結(jié)果，該方法正確檢測(cè)出食管癌病例的敏感度為98%。如上所述，在早期食管癌診斷中，CNN可以應(yīng)用于影像學(xué)檢查，幫助醫(yī)生早期發(fā)現(xiàn)癌癥，提高食管癌早期確診率，減少漏診。

2.4 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)(bayesian network)，又稱有向無(wú)環(huán)圖模型(directed acyclic graphical model，DAGM)，是一種概率圖模型[35]。根據(jù)概率圖的拓?fù)浣Y(jié)構(gòu)，該方法考察一組隨機(jī)變量{x1,x2,…,xn}及其n組條件概率分布(conditional probability distributions，CPD)的性質(zhì)[36]。

葛輝等采用多水平貝葉斯模型研究了2005年至2010年靈璧縣各村莊食管癌死亡率空間分布特征。通過(guò)空間相鄰關(guān)系，該方法評(píng)價(jià)了村莊空間結(jié)構(gòu)對(duì)村莊食管癌死亡率交互影響作用[37]。他們分析的結(jié)論是食管癌死亡聚集性發(fā)生可能與這些區(qū)域存在著共同的危險(xiǎn)因素或保護(hù)因子有關(guān)，這為探索分析食管癌危險(xiǎn)因素提供依據(jù)。邵華飛等利用Bayes判別分析初步建立診斷食管癌淋巴結(jié)轉(zhuǎn)移的各種CT征象的聯(lián)合診斷模型[38]。利用自身檢驗(yàn)法所得診斷模型的符合率為87.7%，誤判率為12.3%。通過(guò)Bayes判別分析法所建立的不同CT征象對(duì)食管癌淋巴結(jié)轉(zhuǎn)移的聯(lián)合診斷模型具有一定的診斷價(jià)值，但診斷模型還有待進(jìn)一步完善[39]。

楊守鑫等研究螺旋CT多平面重建技術(shù)(multiplanar reformantion，MPR)后綜合橫、矢、冠狀面獲得的淋巴結(jié)多平面形態(tài)學(xué)特征相較于傳統(tǒng)CT掃描獲得的橫斷面淋巴結(jié)形態(tài)學(xué)特征對(duì)食管癌轉(zhuǎn)移淋巴結(jié)診斷效能的差異性[40]。僅以淋巴結(jié)短徑作為食管癌轉(zhuǎn)移淋巴結(jié)的診斷標(biāo)準(zhǔn)，淋巴結(jié)橫斷面短徑和多平面短徑作為診斷標(biāo)準(zhǔn)的曲線下面積分別為0.822、0.836，但差異無(wú)統(tǒng)計(jì)學(xué)意義。Doosti等采用馬爾可夫鏈蒙特卡羅方法，得到了貝葉斯方法中效應(yīng)大小的集合估計(jì)[41]。采用隨機(jī)效應(yīng)模型，對(duì)混合風(fēng)險(xiǎn)比率進(jìn)行了分析。分析表明，與單純手術(shù)及其它治療相比，局部復(fù)發(fā)手術(shù)加紫杉醇、順鉑及放療治療效果更好。在排名方面，SPCRT(surgery+paclitaxel+cisplatin+radiotherapy)、放療和手術(shù)是網(wǎng)絡(luò)中的三種治療方法。然而，算法的精度似乎優(yōu)于貝葉斯方法，但在兩種方法中，處理排序的結(jié)果都是相同的[42]。由此可見(jiàn)，這些計(jì)算方法有望在排查淋巴結(jié)轉(zhuǎn)移和診斷發(fā)揮潛力，成為醫(yī)生的好助手。我們需要更多地去發(fā)掘和掌握人工智能。

3 人工智能在食管癌治療中的應(yīng)用

為了滿足日益增長(zhǎng)的醫(yī)療需求，現(xiàn)代醫(yī)療技術(shù)正轉(zhuǎn)向使用人工智能方法，人工智能不僅能夠優(yōu)化治療方式，減少?gòu)?fù)雜的手術(shù)時(shí)間，提高手術(shù)效率，還能夠針對(duì)不同的患者信息，建議個(gè)性化的治療方法和藥物劑量[43]。目前人工智能在食管癌治療領(lǐng)域的應(yīng)用還處于初級(jí)階段，但在其他腫瘤治療中的成功應(yīng)用為食管癌的治療提供了可借鑒的經(jīng)驗(yàn)。

3.1 深度神經(jīng)網(wǎng)絡(luò)

放療是使用高劑量的輻射來(lái)殺死癌細(xì)胞，但輻射對(duì)于病人的健康組織也會(huì)造成傷害，如果劑量“個(gè)性化”，就能減少對(duì)病人的負(fù)面影響。Lou在知名醫(yī)學(xué)刊物《柳葉刀》發(fā)布論文，采用深度神經(jīng)網(wǎng)絡(luò)(deep neural networks，DNN)算法搭建AI框架，分析掃描并創(chuàng)建了預(yù)測(cè)治療結(jié)果的圖像特征，模型能夠得到建議的最佳放療劑量[44]。相比普通神經(jīng)網(wǎng)絡(luò)，DNN網(wǎng)絡(luò)用較少神經(jīng)元去擬合同樣的函數(shù)，節(jié)省資源，表達(dá)能力更強(qiáng)。模型結(jié)合病人治療前的X射線信息和電子病歷信息，掃描輸入到深度學(xué)習(xí)模型來(lái)訓(xùn)練AI系統(tǒng)，基于五折交叉驗(yàn)證的實(shí)驗(yàn)，80%的數(shù)據(jù)用來(lái)訓(xùn)練模型，20%的數(shù)據(jù)用來(lái)測(cè)試，評(píng)估了DNN的預(yù)測(cè)性能。讓放療真正做到個(gè)性化，最終把副作用降到最低，讓治療的失敗率降低到5%以下[45]。

深度神經(jīng)網(wǎng)絡(luò)算法發(fā)展迅速，應(yīng)用廣泛，在癌癥的相關(guān)治療中有著不俗的表現(xiàn)，不僅能夠給患者建議合適的放療劑量，還能給患者推薦個(gè)性化的治療方式[46]。在患者的治療中提供出色的輔助作用，輻射出了精準(zhǔn)醫(yī)學(xué)的飛躍。深度神經(jīng)網(wǎng)絡(luò)基于大量數(shù)據(jù)的特性，提取有效的特征信息，通過(guò)網(wǎng)絡(luò)內(nèi)部復(fù)雜的結(jié)構(gòu)對(duì)癌癥的特征進(jìn)行分析處理，找到有規(guī)律的模型[47]。有望在食管癌的治療領(lǐng)域中發(fā)揮重要作用，基于大量的食管癌患者的圖像信息，通過(guò)深度神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)和訓(xùn)練，得到反映出圖像和治療方式或者治療模型之間關(guān)系的模型，為醫(yī)師和患者提供輔助性決策和個(gè)性化的治療建議。

3.2 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是一種概率圖模型，模擬人類推理過(guò)程中因果關(guān)系的不確定性處理模型，以簡(jiǎn)單的結(jié)構(gòu)和良好的性能受到人們的關(guān)注。Zhang采用貝葉斯網(wǎng)絡(luò)和系統(tǒng)回顧的方法對(duì)食管癌放射治療中的最佳中草藥注射劑進(jìn)行了分析，最終得到復(fù)方苦參注射液聯(lián)合放療是食管癌患者的最優(yōu)選擇[48]。貝葉斯網(wǎng)絡(luò)用來(lái)有效地增加樣本量，并為不同類型的中草藥注射劑聯(lián)合放療對(duì)食管癌的治療效果進(jìn)行評(píng)估。貝葉斯方法通過(guò)大量的模擬，估計(jì)了感興趣事件的概率分布，通過(guò)隨機(jī)效應(yīng)模型中的馬爾可夫鏈蒙托卡羅(markov chain monte carlo，MCMC)方法以直觀的解釋產(chǎn)生了結(jié)果，而網(wǎng)絡(luò)分析的研究方法與臨床差異決定了隨機(jī)效應(yīng)模型的選擇。研究共包含685個(gè)實(shí)驗(yàn)，其中有55個(gè)符合納入研究的條件，每個(gè)實(shí)驗(yàn)包括12種中草藥注射劑和4 114名參與者的信息[49]。分析得到，華蟾素和康艾注射液在提高1年和2年生存率方面有較大優(yōu)勢(shì)，慢病毒素注射液可以緩解藥物的副作用，而復(fù)方苦參注射液可通過(guò)減少胃腸道反應(yīng)和放射性食管炎對(duì)放療患者提供治療益處。

貝葉斯網(wǎng)絡(luò)不僅過(guò)程簡(jiǎn)單，訓(xùn)練速度快，還能夠在小樣本的學(xué)習(xí)上達(dá)到較好的預(yù)測(cè)分類效果，是最優(yōu)秀的分類器之一。憑借其出色的網(wǎng)絡(luò)性能，能夠在患者的治療階段中提供合適的個(gè)性化治療方式，顯著提高了患者的治療效果。貝葉斯網(wǎng)絡(luò)的不定性因果關(guān)聯(lián)模型和強(qiáng)大的不確定性問(wèn)題處理能力，能有效地進(jìn)行多元信息表達(dá)與融合，可將診斷與決策相關(guān)的各種信息納入網(wǎng)絡(luò)結(jié)構(gòu)中，按照節(jié)點(diǎn)的方式統(tǒng)一進(jìn)行處理，有望在食管癌的治療階段對(duì)患者的治療相關(guān)的各方面信息進(jìn)行融合處理，為患者提供較好的手術(shù)方式建議和治療藥物建議，為患者的個(gè)性化治療做出有效的輔助決策[51-53]。

3.3 其他AI方法高效率協(xié)助癌癥治療

傳統(tǒng)的治療方式中，磁共振成像(magnetic resonance imaging，MRI)能幫助放療技術(shù)更加精準(zhǔn)地攻擊病灶，通過(guò)提供特殊的MRI設(shè)備，能夠做到在放療過(guò)程中追蹤病灶[54]。而AI技術(shù)能夠再推進(jìn)一步，提高勾畫(huà)精度和治療效率。比如中國(guó)的柏視醫(yī)療，其鼻咽癌放療臨床靶區(qū)自動(dòng)勾畫(huà)系統(tǒng)可同時(shí)自動(dòng)勾畫(huà)GTV(腫瘤區(qū))和CTV(臨床靶區(qū))，將單個(gè)鼻咽癌患者的CTV勾畫(huà)時(shí)間從2～4 h縮短到10 min內(nèi)，勾畫(huà)效果接近于鼻咽癌放療專家的水平。

在圖像引導(dǎo)放療過(guò)程中，圖像的準(zhǔn)確定位至關(guān)重要，配準(zhǔn)技術(shù)的準(zhǔn)確度決定了放射治療的有效性和準(zhǔn)確性。Wu采用神經(jīng)網(wǎng)絡(luò)的方法提出了一種配準(zhǔn)質(zhì)量評(píng)估模型，以用于腦腫瘤放射治療中的兒科患者，有效改善了放療中2D/3D圖像配準(zhǔn)的魯棒性。

除了放化療和外科手術(shù)外，熱消融也是癌癥治療的一種方法，通過(guò)借助熱來(lái)治療早期腫瘤，對(duì)于患者、特別是無(wú)法進(jìn)行手術(shù)的患者來(lái)說(shuō)是最佳的替代療法之一。然而，執(zhí)行熱消融的醫(yī)生通常沒(méi)有有效的工具查看，并且在控制手術(shù)過(guò)程中易產(chǎn)生損傷，這意味著腫瘤可能切除不完整，也可能導(dǎo)致人體的健康組織損傷。而且，醫(yī)生還需要等待長(zhǎng)達(dá)24 h的時(shí)間才能知道手術(shù)是否有效。為應(yīng)對(duì)這一問(wèn)題的挑戰(zhàn)，Techso Med開(kāi)發(fā)出世界上第一個(gè)用于熱消融的實(shí)時(shí)監(jiān)控系統(tǒng)Bio Trace，將AI算法應(yīng)用于超聲設(shè)備上的圖像數(shù)據(jù)，以此在熱消融過(guò)程中執(zhí)行監(jiān)測(cè)和分析。該技術(shù)可跟蹤組織的實(shí)時(shí)生物反應(yīng)，讓醫(yī)生可以更好地了解癌癥治療的結(jié)果。

機(jī)器學(xué)習(xí)通過(guò)算法進(jìn)行訓(xùn)練和自我迭代改進(jìn)，能夠同時(shí)處理數(shù)量龐大和復(fù)雜的數(shù)據(jù)，協(xié)助醫(yī)生“精確”回答何種治療方式更有效的問(wèn)題[55]。其中喬良對(duì)246例中晚期食管鱗癌患者基礎(chǔ)資料建立行性回歸機(jī)器學(xué)習(xí)模型分析，發(fā)現(xiàn)機(jī)器學(xué)習(xí)可以有效預(yù)測(cè)患者生存期(輸出模型可以解釋生存期79.1%的變異)。王延峰團(tuán)隊(duì)與王立東團(tuán)隊(duì)合作，構(gòu)建了基于支持向量機(jī)、隨機(jī)神經(jīng)網(wǎng)絡(luò)、反饋式神經(jīng)網(wǎng)絡(luò)等預(yù)測(cè)模型，并用模型對(duì)五百多例食管鱗癌患者術(shù)后的生存期進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度能夠達(dá)到80%以上，并篩查出白細(xì)胞計(jì)數(shù)、單核細(xì)胞計(jì)數(shù)、中性粒細(xì)胞計(jì)數(shù)、凝血酶原時(shí)間和國(guó)際標(biāo)準(zhǔn)化比例等5個(gè)能夠顯著影響生存期的指標(biāo)[56]。

基于機(jī)器學(xué)習(xí)的AI算法應(yīng)用廣泛，以其強(qiáng)大的存儲(chǔ)能力、海量的運(yùn)算能力能夠?qū)颊吒鞣矫娴男畔⑦M(jìn)行綜合考慮，從而給出個(gè)性化的治療方案和精確的預(yù)測(cè)結(jié)果[57]。因此機(jī)器學(xué)習(xí)的特點(diǎn)決定了需要有大量的數(shù)據(jù)供其訓(xùn)練、學(xué)習(xí)，然而目前數(shù)據(jù)量小是制約機(jī)器學(xué)習(xí)精度的一個(gè)重要方面。后續(xù)的研究中，隨著更多數(shù)據(jù)集的納入，算法的進(jìn)一步改良，機(jī)器學(xué)習(xí)有望在食管癌的個(gè)性化治療及生存期預(yù)測(cè)等方面取得更加精確的結(jié)果。

4 展望

智能醫(yī)學(xué)已在食管癌等惡性腫瘤的早期篩查、智能診斷、輔助治療等方面取得了優(yōu)于傳統(tǒng)方法的成績(jī)。目前AI已經(jīng)在醫(yī)療系統(tǒng)的各個(gè)方面得到應(yīng)用，但離人們對(duì)人工智能的期待還有一定差距，不過(guò)可以預(yù)見(jiàn)隨著人工智能技術(shù)的不斷發(fā)展，未來(lái)的醫(yī)療體系將進(jìn)入強(qiáng)智能或全智能時(shí)代[58]。目前，人工智能正處于高速發(fā)展時(shí)期，各個(gè)國(guó)家出臺(tái)了一系列支撐人工智能發(fā)展的政策。人工智能在醫(yī)療領(lǐng)域的應(yīng)用，為醫(yī)療行業(yè)帶來(lái)了深刻的變革和曙光?；谀壳爸悄茚t(yī)學(xué)的發(fā)展問(wèn)題與未來(lái)趨勢(shì)，并結(jié)合我國(guó)人工智能起步晚的現(xiàn)狀，食管癌AI模型及分類方法應(yīng)結(jié)合臨床大數(shù)據(jù)、智能設(shè)備技術(shù)、可識(shí)別的結(jié)構(gòu)化數(shù)據(jù)等進(jìn)行開(kāi)發(fā)，在食管癌的基礎(chǔ)研究、診治與預(yù)后、藥物開(kāi)發(fā)等方面取得更大的突破，以推動(dòng)食管癌的個(gè)體化精準(zhǔn)醫(yī)療系統(tǒng)實(shí)現(xiàn)疾病診斷和治療的精準(zhǔn)化、精細(xì)化。