人工智能輔助消化內(nèi)鏡診斷的進(jìn)展

趙思琦,劉文天

趙思琦,劉文天,天津醫(yī)科大學(xué)總醫(yī)院消化內(nèi)科 天津市 300052

0 引言

消化道疾病的發(fā)病率一直居于世界前列,2015年我國(guó)腫瘤登記資料顯示,食管癌、胃癌、肝癌和結(jié)直腸癌在惡性腫瘤中構(gòu)成比為35.82%,且多數(shù)患者發(fā)現(xiàn)時(shí)已為中晚期,預(yù)后較差,故發(fā)現(xiàn)早期癌變一直是消化內(nèi)鏡領(lǐng)域的研究熱點(diǎn).消化內(nèi)鏡在消化系統(tǒng)疾病的診療過(guò)程中發(fā)揮著不可替代的作用,隨著內(nèi)鏡技術(shù)的發(fā)展,電子色素內(nèi)鏡如窄帶成像(narrow-band imaging,NBI),藍(lán)激光內(nèi)鏡(blue laser imaging,BLI)及放大內(nèi)鏡(magnifying endoscopy,ME)、共聚焦激光顯微內(nèi)鏡等技術(shù)應(yīng)用于臨床,超聲內(nèi)鏡(endoscopic ultrasound,EUS)、膠囊內(nèi)鏡(capsule endoscopy,CE)也日趨成熟,使醫(yī)生可以直觀地檢查消化道黏膜病變及黏膜下病變.然而,由于我國(guó)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)早期癌變黏膜的識(shí)別度低,導(dǎo)致我國(guó)食管癌、胃癌等疾病的早期內(nèi)鏡下檢出率較低.如今計(jì)算機(jī)技術(shù)迅猛發(fā)展,在各種機(jī)器學(xué)習(xí)(machine learning,ML)之上衍生出更高級(jí)的基于深度學(xué)習(xí)(deep learning,DL)的AI技術(shù),如卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN).CNN在圖像識(shí)別、圖像分割、圖像理解等領(lǐng)域表現(xiàn)優(yōu)異,已經(jīng)成為醫(yī)學(xué)成像的一個(gè)有前途的工具.AI影像系統(tǒng)包括: 計(jì)算機(jī)輔助檢測(cè)系統(tǒng)(computer assisted detection,CADe)和計(jì)算機(jī)輔助診斷系統(tǒng)(computer assisted diagnosis,CADx),目前該系統(tǒng)仍在不斷開(kāi)發(fā)、測(cè)試和改進(jìn)中,有望未來(lái)在臨床得到廣泛的推廣.

1 人工智能輔助胃鏡檢查的應(yīng)用進(jìn)展

胃鏡檢查是直觀檢查上消化道病變的最常用手段.人工智能輔助胃鏡檢查的研究熱點(diǎn)包括檢測(cè)致癌獨(dú)立危險(xiǎn)因素幽門螺桿菌(Helicobacter pylori,H.pylori)感染[1]、識(shí)別Barrett’s食管(Barrett's esophagus,BE)和慢性萎縮性胃炎(chronic atrophic gastritis,CAG),以及對(duì)食管癌、胃癌的早期診斷和分期分級(jí),評(píng)估預(yù)后等.國(guó)內(nèi)外已有多位學(xué)者將CAD系統(tǒng)應(yīng)用于食管疾病診斷的探索,包括食管癌的識(shí)別及分級(jí)、BE和非異型增生BE(non-dysplastic Barrett's esophagus,NDBE)的辨別等.

1.1 人工智能輔助診斷BE BE是已知的食管腺癌(esophagus adenocarcinoma,EAC)的癌前病變.BE患者應(yīng)定期接受內(nèi)鏡監(jiān)測(cè),以便在早期發(fā)現(xiàn)EAC,進(jìn)行內(nèi)鏡下干預(yù),改善預(yù)后.當(dāng)內(nèi)鏡下可疑BE但目標(biāo)活檢和隨機(jī)活檢均未顯示異常增生時(shí),可稱為NDBE[2],NDBE可發(fā)展為高級(jí)別瘤變(high-grade neoplasia,HGD)或EAC,但可能性較BE低.

Jisu等[3]構(gòu)建了一個(gè)CNN分類器來(lái)區(qū)分BE和食管癌,其分類準(zhǔn)確率為80.77%.而后de Groof等[4]首次開(kāi)發(fā)了一種基于白光內(nèi)鏡(white light endoscopy,WLE)的CAD系統(tǒng),用于實(shí)時(shí)內(nèi)鏡下辨別BE和NDBE,并且在Jisu的基礎(chǔ)上擴(kuò)大了訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集.該研究前瞻性地收集40例BE和20例NDBE患者的WLE靜態(tài)圖像用于驗(yàn)證.經(jīng)驗(yàn)證,該CAD系統(tǒng)在WLE圖像上檢測(cè)和定位BE準(zhǔn)確度為92%,靈敏度為95%,特異度為85%.然而當(dāng)病變的最大部分包含反光時(shí),該系統(tǒng)將難以識(shí)別病變.

繼Jisu和de Groof之后,Struyvenberg等[5]利用DL技術(shù)選擇用雙中心來(lái)源的494364張普通內(nèi)鏡圖像和1430張含病變的WLE及NBI縮放圖像(802張BE和628張NDBE)分層多次訓(xùn)練CADx系統(tǒng),在進(jìn)一步擴(kuò)大驗(yàn)證數(shù)據(jù)集靜態(tài)圖片數(shù)量的同時(shí)加入NBI變焦視頻.經(jīng)驗(yàn)證,該系統(tǒng)基于NBI變焦圖像檢測(cè)BE的準(zhǔn)確性、靈敏度和特異性分別為84%、88%和78%;基于視頻的準(zhǔn)確性、靈敏度和特異性分別為83%、85%和83%.基于視頻的CADx系統(tǒng)的準(zhǔn)確性、靈敏度差別不大,值得注意的是其識(shí)別BE的特異性增加了,這可能會(huì)減少內(nèi)窺鏡醫(yī)師假陽(yáng)性預(yù)測(cè)的數(shù)量,從而減少不必要的活組織檢查.該研究驗(yàn)證數(shù)據(jù)集包含的視頻樣本量相對(duì)較小,故該系統(tǒng)對(duì)視頻的識(shí)別可能不夠穩(wěn)定.

1.2 人工智能輔助診斷食管癌 食管癌是全球第八大最常見(jiàn)的癌癥[6],2020年中國(guó)食管癌新發(fā)病例和死亡病例別占全球的53.70%和55.35%[7].早期食管癌(esophageal squamous cell carcinoma,ESCC)預(yù)后良好,5年生存率可達(dá)80%,晚期預(yù)后極差,5年生存率不足20%.故內(nèi)鏡下早期識(shí)別、早期治療食管癌對(duì)患者預(yù)后極其重要.

癌癥侵襲深度是影響淺層癌患者治療選擇的一個(gè)關(guān)鍵因素,然而內(nèi)鏡下觀察者對(duì)侵襲深度的判斷具有主觀因素.Nakagawa等[8]用非放大內(nèi)鏡和放大內(nèi)鏡(二者均包含WLE、NBI和色素內(nèi)鏡圖像)圖片訓(xùn)練人工智能系統(tǒng),用于評(píng)估淺層ESCC.該系統(tǒng)鑒別病理性粘膜及粘膜下微浸潤(rùn)性(SM1)癌與粘膜下深浸潤(rùn)性(SM2/3)癌的敏感性為90.1%,特異性為95.8%,陽(yáng)性預(yù)測(cè)值為99.2%,陰性預(yù)測(cè)值為63.9%,準(zhǔn)確率為91.0%,其對(duì)腫瘤侵襲深度的判斷與有經(jīng)驗(yàn)的內(nèi)窺鏡醫(yī)生相當(dāng).

Guo等[9]用NBI圖像通過(guò)深度學(xué)習(xí)訓(xùn)練的實(shí)時(shí)CAD系統(tǒng)識(shí)別食管癌的靈敏度為98.04%,特異性為95.03%,但未開(kāi)發(fā)對(duì)食管腫瘤進(jìn)行分級(jí)的功能.隨后Wang等[10]通過(guò)CNN構(gòu)建了一個(gè)通過(guò)單次多盒檢測(cè)器(single-shot multibox detector,SSD)進(jìn)行深度學(xué)習(xí)的人工智能系統(tǒng),可在識(shí)別食管腫瘤的基礎(chǔ)上進(jìn)行組織學(xué)分級(jí),包括低級(jí)別鱗狀異常增生、高級(jí)別鱗狀異常增生和鱗狀細(xì)胞癌(squamous cell carcinomas,SCC).498張WLE和438張NBI圖像被納入訓(xùn)練圖像數(shù)據(jù)集.SSD對(duì)食管SCC具有良好的敏感性,綜合SSD、WLE和NBI對(duì)食管癌的敏感性分別為98.9%、97.5%和100%.該系統(tǒng)在檢測(cè)食道腫瘤方面的靈敏度、特異性和診斷準(zhǔn)確性分別為96.2%、70.4%和90.9%,且在區(qū)分食道腫瘤的組織學(xué)等級(jí)方面的準(zhǔn)確率為92%,且分析NBI(95%)時(shí)顯示出比WLE(89%)圖像更好的準(zhǔn)確性.雖然NBI通過(guò)放大腫瘤的特征增加了敏感性,但NBI也可能因過(guò)度診斷而降低特異性.食管腫瘤的不同組織學(xué)分級(jí)通常是通過(guò)放大內(nèi)鏡來(lái)進(jìn)行的,該研究證實(shí)該系統(tǒng)在不需要放大內(nèi)鏡和經(jīng)驗(yàn)豐富的內(nèi)鏡醫(yī)師的情況下在準(zhǔn)確診斷淺表食管腫瘤方面具有很大的潛力.

1.3 人工智能輔助診斷胃非腫瘤性病變H.pylori感染了世界上超過(guò)一半的人口.多種研究表明H.pylori感染與胃癌密切相關(guān),因此,H.pylori已被國(guó)際癌癥研究機(jī)構(gòu)確認(rèn)為Ⅰ類致癌物.中國(guó)作為H.pylori感染大國(guó),及時(shí)發(fā)現(xiàn)并防止其持續(xù)感染造成組織損傷尤為重要.內(nèi)鏡檢查并非檢測(cè)H.pylori感染的常用方法,但可作為一種新的方法對(duì)H.pylori感染進(jìn)行多角度評(píng)價(jià).

Itoh等[11]首先開(kāi)發(fā)了CNN模型檢測(cè)H.pylori感染,其靈敏度和特異性分別為86.7%和86.7%,AUC為0.956.該研究說(shuō)明CNN輔助診斷H.pylori感染似乎是可行的,有望促進(jìn)和改善健康檢查中的診斷,但由于其樣本量小,穩(wěn)定性仍待驗(yàn)證.Zheng等[12]用1959名患者胃不同部位的WLE圖像訓(xùn)練CNN模型來(lái)評(píng)估H.pylori感染.單個(gè)胃部圖像的AUC為0.93,敏感性、特異性和準(zhǔn)確性分別為81.4%、90.1%和84.5%,其中胃體的AUC(0.94)最高.每個(gè)病人的多個(gè)胃部圖像的曲線下面積為0.97,靈敏度、特異性和準(zhǔn)確性分別為91.6%、98.6%和93.8%,高于單個(gè)胃部圖像的相應(yīng)指標(biāo),且靈敏度和特異性不輸于其他直接H.pylori檢測(cè)方法[13-15].有研究發(fā)現(xiàn)WLE下基于CNN的H.pylori感染計(jì)算機(jī)輔助決策支持系統(tǒng)(CADSS-HP)診斷H.pylori感染的靈敏度與優(yōu)于組織病理學(xué)[16].

有研究表明CNN的表現(xiàn)似乎與醫(yī)生相當(dāng)[17].Shen等[16]前瞻性地驗(yàn)證了CADSS-HP的診斷效能.發(fā)現(xiàn)CADSS-HP的靈敏度和準(zhǔn)確性(91.5%,89.9%)均優(yōu)于內(nèi)窺鏡醫(yī)生(78.3%,83.8%).Seo等[18]開(kāi)發(fā)的用于診斷H.pylori感染的CNN模型也在多中心多種族的驗(yàn)證數(shù)據(jù)集中表現(xiàn)出良好的整體性能.

胃癌前疾病(gastric precancerous disease,GPD)可能會(huì)惡化為早期胃癌,胃黏膜萎縮是GPD的一種,是胃癌進(jìn)展的關(guān)鍵階段,CAG的早期診斷對(duì)預(yù)防胃癌的發(fā)生發(fā)展具有重要意義,然而內(nèi)鏡下CAG漏診率高,內(nèi)窺鏡診斷CAG的敏感性為42%[19],且活組織檢查既昂貴又耗時(shí).近年來(lái),彩色內(nèi)鏡聯(lián)合放大內(nèi)鏡和激光共聚焦顯微鏡已成為慢性胃炎診斷和鑒別診斷的重要工具.

Zhang等[20]訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)-慢性萎縮性胃炎模型(CNN-CAG)能很好區(qū)分CAG與其他胃黏膜炎癥,如胃粘膜慢性炎癥、慢性非萎縮性胃炎和胃粘膜活動(dòng)性炎癥,其診斷萎縮性胃炎的準(zhǔn)確率、敏感性和特異性分別為0.942、0.945和0.940,均高于專家的診斷結(jié)果,且可以對(duì)其萎縮程度準(zhǔn)且分類,萎縮程度越嚴(yán)重,診斷準(zhǔn)確率越高,輕、中、重分別為0.93、0.95、0.99.但CNN-CAG數(shù)據(jù)集為單中心,沒(méi)有納入動(dòng)態(tài)視頻,有研究表明[5,21,22]視頻可以增加診斷的效能.Zhang等[23]使用迭代強(qiáng)化學(xué)習(xí)訓(xùn)練的胃癌疾病網(wǎng)絡(luò)(GPD-Net)模型實(shí)現(xiàn)了3類GPD的分類,即息肉、侵蝕和潰爛,準(zhǔn)確率為88.90%,有望臨床上及時(shí)識(shí)別GPD.

1.4 人工智能輔助診斷胃癌 胃癌是全球第五大常見(jiàn)癌癥,也是癌癥相關(guān)死亡的第四大原因[24].近一半的胃癌患者初診即為晚期,晚期胃癌患者在手術(shù)治療后5年生存率不足30%,而早期胃癌患者在及時(shí)治療后5年生存率可達(dá)90%以上[25,26].因此人工智能輔助胃癌檢出、胃癌侵襲深度的識(shí)別、病理診斷,具有廣闊的發(fā)展空間.

Li等[27]開(kāi)發(fā)的基于NBI的CNN系統(tǒng)在早期胃癌維也納分型診斷中,其敏感性明顯高于專家,特異性和準(zhǔn)確性方面沒(méi)有發(fā)現(xiàn)明顯的差異[28],且CNN的診斷靈敏度、特異性和準(zhǔn)確性都明顯高于非專家[29].Ikenoyama等[30]研發(fā)的CNN系統(tǒng)靈敏度明顯高于內(nèi)窺鏡醫(yī)師,特異性明顯低于內(nèi)鏡醫(yī)師.次年,Teramoto等[31]基于WLE利用DenseNet-121分類改進(jìn)的CNN模型檢測(cè)胃癌單張圖像的靈敏度為97%,特異性為99.4%,分類錯(cuò)誤率小于0.02.在早期胃癌的病例中,具有廣泛侵犯區(qū)域的圖像被歸類為晚期胃癌.在健康病例中,內(nèi)鏡檢查顯示胃粘膜粘附的氣泡和充血區(qū)被誤診為晚期胃癌.有研究表明[21]使用包含大量非癌癥圖像以及視頻似乎可以減少假陽(yáng)性和假陰性.但該CNN模型在基于病例的評(píng)估中,其檢測(cè)靈敏度和特異性均達(dá)到100%.此外,Su等[29]還研究了不同深度學(xué)習(xí)方法構(gòu)建的CNN模型的側(cè)重點(diǎn),發(fā)現(xiàn)Faster RCNN和Mask RCNN更強(qiáng)調(diào)陽(yáng)性檢測(cè),Cascade RCNN更強(qiáng)調(diào)陰性檢測(cè)[29].

另外,胡珊博士團(tuán)隊(duì)研發(fā)的實(shí)時(shí)計(jì)算機(jī)內(nèi)鏡輔助系統(tǒng)(內(nèi)鏡精靈,ENDOANGEL)在一個(gè)大型多中心前瞻性隨機(jī)對(duì)照研究中識(shí)別胃癌的準(zhǔn)確率為84.7%,敏感性為100%,特異性為84.3%[32],該研究有力說(shuō)明了人工智能對(duì)于內(nèi)鏡下識(shí)別胃癌有較高的性能和穩(wěn)定性.

1.5 人工智能輔助在胃鏡領(lǐng)域的其他應(yīng)用 有研究表明[33]特發(fā)性胃十二指腸潰瘍出血病史且幽門螺旋體陰性的患者,重復(fù)出現(xiàn)消化道并發(fā)癥的風(fēng)險(xiǎn)增加.Wong等[34]建立了一個(gè)模型(IPU-ML)來(lái)預(yù)測(cè)復(fù)發(fā)性潰瘍出血.IPU-ML在1年內(nèi)識(shí)別出復(fù)發(fā)性潰瘍出血的總體準(zhǔn)確率為84.3%.

2 人工智能在腸鏡領(lǐng)域的應(yīng)用進(jìn)展

結(jié)腸鏡(Colonoscopy)是直觀檢查結(jié)直腸病變的最常用手段,人工智能在腸鏡領(lǐng)域的研究熱點(diǎn)為潰瘍性結(jié)腸炎(ulcerative colitis,UC)的診斷和預(yù)后評(píng)估,識(shí)別結(jié)直腸息肉、對(duì)息肉進(jìn)行組織學(xué)分級(jí),以及對(duì)結(jié)直腸癌的診斷和分期分級(jí),預(yù)測(cè)轉(zhuǎn)移和預(yù)后等.

2.1 人工智能診斷結(jié)直腸腺瘤性息肉 結(jié)直腸息肉分為瘤變息肉(低級(jí)別瘤變腺瘤、高級(jí)別瘤變腺瘤、粘膜內(nèi)癌、浸潤(rùn)性癌)和非瘤變息肉(增生性息肉和無(wú)瘤變的無(wú)梗鋸齒狀息肉),結(jié)直腸腺瘤性息肉是大腸癌前病變,包括管狀腺瘤、絨毛狀腺瘤和絨毛管狀腺瘤[35].

結(jié)直腸腺瘤在結(jié)腸鏡檢查的漏診率高達(dá)26%,多個(gè)大規(guī)模多中心RCT研究表明人工智能可以大大降低結(jié)直腸腫瘤的漏檢率[36-38].Luo等[39]開(kāi)發(fā)的人工智能息肉檢測(cè)輔助系統(tǒng)不僅明顯增加了傳統(tǒng)結(jié)腸鏡下的息肉檢出率(polyp detection rate,PDR)(34.0%vs38.7%),而且對(duì)小于6 mm的息肉的PDR由69%提高到91%,但無(wú)法對(duì)息肉進(jìn)行分類.

在人工智能對(duì)息肉組織學(xué)識(shí)別方面,也有諸多國(guó)內(nèi)外學(xué)者做了努力.García-Rodríguez等[40]開(kāi)發(fā)并前瞻性驗(yàn)證了在WLE下ATENEA系統(tǒng)和內(nèi)鏡醫(yī)生評(píng)判結(jié)直腸息肉組織學(xué)分類的總體準(zhǔn)確率分別為83.3%和80%,其中ATENEA正確預(yù)測(cè)了91.3%的腺瘤和57.1%的非腺瘤,內(nèi)鏡醫(yī)生正確評(píng)判了75.4%的腺瘤和95.2%的非腺瘤.雖然該系統(tǒng)對(duì)非腺瘤性病變的表現(xiàn)不盡人意,但ATENEA系統(tǒng)顯示出與內(nèi)窺鏡醫(yī)生類似的全局準(zhǔn)確性.Sánchez-Montes等[41]開(kāi)發(fā)并驗(yàn)證了基于WLE的CADx對(duì)結(jié)直腸息肉分類的性能.該系統(tǒng)分類腺瘤性和非腺瘤性息肉的總體靈敏度為95.0%,準(zhǔn)確性為91.1%,特異性為87.9%,對(duì)于小息肉亞組,該系統(tǒng)分類準(zhǔn)確性為87%,與內(nèi)鏡醫(yī)師診斷性能相當(dāng),強(qiáng)于ATENEA系統(tǒng).雖然該系統(tǒng)對(duì)設(shè)備要求低,但無(wú)法對(duì)息肉進(jìn)行再細(xì)化分類.Choi等[42]開(kāi)發(fā)了基于WLE的CNN-CAD系統(tǒng),旨在對(duì)息肉的組織學(xué)細(xì)化分類,Choi等進(jìn)行的一項(xiàng)多中心研究表明該系統(tǒng)識(shí)別正常、低級(jí)瘤變、高級(jí)別瘤變和腺癌息肉的靈敏度為77.25%,特異性為92.42%,陽(yáng)性預(yù)測(cè)值為77.16%,陰性預(yù)測(cè)值為92.58%,表現(xiàn)出與內(nèi)鏡專家相似的性能,并優(yōu)于低年資醫(yī)師.朱興旺[43]建立了智能診斷模型在Pit Pattern分型Ⅲ和Ⅳ型,該預(yù)測(cè)模型中準(zhǔn)確率分別為91.77%和98.26%,特異度為92.70%和99.10%;NICE2型的準(zhǔn)確率和特異度為90.04%和84.88%;JNET分型2A型的準(zhǔn)確率和特異度為82.41%和77.71%;2B型的準(zhǔn)確率和特異度為90.75%和81.42%,使息肉的分類更加細(xì)化.

2.2 人工智能診斷結(jié)直腸癌 結(jié)直腸癌是全球第三大常見(jiàn)癌癥[24],也是全球第癌癥二大死亡原因.早期發(fā)現(xiàn)癌性病變可改善結(jié)直腸癌患者的預(yù)后.

Yamada等[44]開(kāi)發(fā)了一個(gè)人工智能系統(tǒng),在結(jié)腸鏡檢查中自動(dòng)檢測(cè)結(jié)直腸癌的早期跡象,系統(tǒng)顯示的敏感性和特異性分別為97.3%和99.0%,驗(yàn)證集的曲線下面積為0.975.此外,該系統(tǒng)對(duì)非息肉亞組敏感性為93.7%,低于息肉亞組(98.0%).

高光譜成像(hyperspectral imaging,HSI)是一種無(wú)對(duì)比度和無(wú)接觸的成像技術(shù),可提供空間分辨率的光譜分析,有可能在細(xì)胞水平上區(qū)分組織[45-47].Collins等[48]使用15倍交叉驗(yàn)證的CNN輔助HSI對(duì)32例(6例T1-2,26例T3-4)結(jié)直腸腺癌進(jìn)行驗(yàn)證.該模型的總體靈敏度為87%,特異性為90%,ROC-AUC為0.95.在T1-2組,敏感性和特異性分別為89%和90%,在T3-4組,敏感性和特異性分別為81%和93%.該研究說(shuō)明這種方法可能會(huì)成為內(nèi)窺鏡下識(shí)別腫瘤的有用工具,可達(dá)到精確和無(wú)破壞性的光學(xué)活檢,更進(jìn)一步判斷出無(wú)腫瘤的切除邊緣.

2.3 人工智能診斷UC UC是一種病因不明的慢性非特異性腸道炎癥性疾病,主要累及直腸和結(jié)腸,多呈反復(fù)發(fā)作的慢性病程.表現(xiàn)為間斷性腹瀉、黏液膿血便、腹痛及里急后重等.內(nèi)鏡下可根據(jù)Mayo評(píng)分(MES)、UC內(nèi)鏡下嚴(yán)重程度評(píng)分系統(tǒng)(UCEIS)等評(píng)判UC的活動(dòng)程度,通常將MES=0,1定義為內(nèi)鏡下緩解,MES=2,3定義為內(nèi)鏡下活動(dòng).組織學(xué)上可根據(jù)Geboes評(píng)分、Nancy評(píng)分、RHI指數(shù)等評(píng)判組織學(xué)活動(dòng)程度,通常將Geboes評(píng)分≤3定義為組織學(xué)緩解,該評(píng)分＞3定義為組織學(xué)活動(dòng).

Yao等[49]利用多中心數(shù)據(jù)驗(yàn)證一個(gè)圖像視頻分析系統(tǒng)對(duì)UC鏡下表現(xiàn)分級(jí)的性能.該系統(tǒng)在靜止圖像中具有出色的性能,靈敏度為0.902,特異性為0.870.在高分辨率視頻中,該系統(tǒng)在78%的視頻中正確預(yù)測(cè)了MES.在外部臨床試驗(yàn)視頻中,評(píng)審員在82.8%的視頻中認(rèn)可系統(tǒng)的MES.在69.5%的視頻中,系統(tǒng)和評(píng)審員的評(píng)分一致.臨床試驗(yàn)視頻的MES分級(jí)(通常是低分辨率)在83.7%的視頻中正確區(qū)分了內(nèi)鏡下緩解和活動(dòng).Gutierrez Becker等[50]提出的方法能夠以高度的準(zhǔn)確性和穩(wěn)定性對(duì)內(nèi)窺鏡視頻進(jìn)行更精細(xì)的分級(jí)(Mayo診所內(nèi)窺鏡分值≥1的AUC=0.84,Mayo診所內(nèi)窺鏡分值≥2的AUC=0.85,Mayo診所內(nèi)窺鏡分值≥3的AUC=0.85.

有研究表明[51]UC患者內(nèi)鏡和組織學(xué)疾病活動(dòng)并不完全一致,內(nèi)鏡下粘膜愈合是UC預(yù)后良好的重要治療目標(biāo),而實(shí)現(xiàn)組織學(xué)愈合比內(nèi)鏡下粘膜愈合有更大的益處,故根據(jù)內(nèi)鏡下表現(xiàn)推斷組織學(xué)炎癥十分必要.據(jù)此,Maeda等[52]開(kāi)發(fā)并評(píng)估了一個(gè)基于520倍超放大內(nèi)鏡圖像的CAD系統(tǒng)來(lái)預(yù)測(cè)所有結(jié)直腸節(jié)段的持續(xù)組織學(xué)炎癥.該系統(tǒng)基于診斷的特異性和準(zhǔn)確性分別為97%和91%,而靈敏度略差,為74%,但這并沒(méi)有減少活檢標(biāo)本的數(shù)量,且無(wú)法預(yù)測(cè)長(zhǎng)期預(yù)后.但不可否認(rèn),CAD具有支持即時(shí)治療決策和預(yù)測(cè)長(zhǎng)期結(jié)果的潛力.因此,通過(guò)學(xué)習(xí)圖像的進(jìn)一步積累,有望提高診斷性能,最終減少不必要的活檢.在此基礎(chǔ)上,日本的Takenaka等[53]開(kāi)發(fā)的深度神經(jīng)網(wǎng)絡(luò)(DNUC算法)以90.1%的準(zhǔn)確率識(shí)別內(nèi)窺鏡UC緩解期的圖像,以92.9%的準(zhǔn)確率識(shí)別UC組織學(xué)緩解期的圖像.當(dāng)DNUC在同一圖像中產(chǎn)生內(nèi)鏡和組織學(xué)緩解時(shí),考慮粘膜愈合.與專家結(jié)果的比較,DNUC對(duì)評(píng)估粘膜愈合具有較高的敏感性(92.0%)和特異性(91.3%),陽(yáng)性預(yù)測(cè)值和陰性預(yù)測(cè)值分別為86.2%和95.1%[54].Takenaka等[54]還進(jìn)行了一項(xiàng)前瞻性研究,將UC相關(guān)的住院和結(jié)腸切除術(shù)作為終點(diǎn),評(píng)估DNUC結(jié)果與終點(diǎn)之間的關(guān)聯(lián),此外,還評(píng)估了類固醇使用和臨床復(fù)發(fā)的數(shù)據(jù).該研究發(fā)現(xiàn)專家得出的結(jié)果與DNUC之間的差異無(wú)統(tǒng)計(jì)學(xué)意義(住院,P=367;結(jié)腸切除術(shù),P=0.693;類固醇使用,P=0.851;復(fù)發(fā)率P=0.758)[54],說(shuō)明DNUC可以準(zhǔn)確預(yù)測(cè)患者預(yù)后,預(yù)測(cè)價(jià)值與專家評(píng)估相當(dāng).

3 人工智能在膠囊內(nèi)鏡領(lǐng)域的應(yīng)用進(jìn)展

CE是一種無(wú)創(chuàng)、無(wú)需麻醉、患者耐受性好且依從性高的消化道檢查手段,現(xiàn)已成為診斷小腸疾病的首選方式.然而,單次CE平均可捕獲數(shù)萬(wàn)張圖像,內(nèi)鏡醫(yī)師閱片時(shí)間長(zhǎng)且效率低,病變檢出率也易受醫(yī)師專業(yè)水平和疲勞程度的影響,而在圖像數(shù)據(jù)龐大的CE領(lǐng)域,人工智能更具應(yīng)用優(yōu)勢(shì).

3.1 人工智能在CE下檢測(cè)腸道出血和血管擴(kuò)張 早期人們應(yīng)用顏色直方圖、顏色矩、可疑血液指示器(suspected blood indicator,SBI)、HemoPill光學(xué)傳感器等[55,56]識(shí)別出血,但其特異性差,不適合用于臨床診斷.Aoki等[57]利用ResNet50深度網(wǎng)絡(luò)結(jié)構(gòu)的CNN算法來(lái)識(shí)別血液含量,該方法檢測(cè)腸腔內(nèi)血液含量的AUC達(dá)到0.9998,以概率0.5為臨界值,敏感性、特異性和準(zhǔn)確性分別為96.63%、99.96%和99.89%,均高于SBI檢測(cè)的相應(yīng)數(shù)據(jù)(76.92%、99.82%和99.35%),具有明顯優(yōu)勢(shì).繼Aoki等之后,Mascarenhas等[58]開(kāi)發(fā)CNN檢測(cè)小腸管內(nèi)的血液和血液殘留物,準(zhǔn)確率和精確度分別為98.5%和98.7%.敏感性和特異性分別為98.6%和98.9%,與Aoki等人的研究共同說(shuō)明CNN在識(shí)別腸道出血方面具有穩(wěn)定的高性能.在檢測(cè)血管擴(kuò)張方面,Tsuboi等開(kāi)發(fā)CNN檢測(cè)小腸管內(nèi)的血液和血液殘留物,準(zhǔn)確率和精確度分別為98.5%和98.7%.敏感性和特異性分別為98.6%和98.9%,與Aoki等人的研究共同說(shuō)明CNN在識(shí)別腸道出血方面具有穩(wěn)定的高性能.在檢測(cè)血管擴(kuò)張方面,Tsuboi等[59]開(kāi)發(fā)并驗(yàn)證了基于多分類單桿檢測(cè)器(SSD)目標(biāo)檢測(cè)算法的CNN系統(tǒng),其檢測(cè)血管擴(kuò)張病變的AUC為0.998,以0.36為臨界值,靈敏度與特異度分別為98.8%與98.4%.

3.2 人工智能輔助CE檢測(cè)腸道潰瘍、糜爛和狹窄 為提高診斷效率,Aoki等[60]使用基于SSD的CNN系統(tǒng),輔助醫(yī)師檢測(cè)腸黏膜糜爛和潰瘍.在CNN輔助下內(nèi)鏡醫(yī)師在用時(shí)更短的同時(shí)不降低檢出率,對(duì)大病灶(d＞5 mm)檢出率相同(100%vs100%),且對(duì)小病灶(d≤5 mm)的檢出率更高(83%vs79%),這有助于在保證質(zhì)量的前提下提高內(nèi)鏡醫(yī)師的讀片效率.為進(jìn)一步提高效率,實(shí)現(xiàn)人工智能全自動(dòng)識(shí)別腸道潰瘍,Wang等[61]探索搭建CNN系統(tǒng)的架構(gòu)和基礎(chǔ)網(wǎng)絡(luò),提出了一個(gè)HAnet架構(gòu),使用ResNet-34作為基礎(chǔ)網(wǎng)絡(luò),將淺層的超特征與深層的深層特征融合,提供最終的診斷決策.該系統(tǒng)對(duì)粘膜破損識(shí)別的準(zhǔn)確率為92.05%,其靈敏度和特異性分別為91.64%和92.42%,優(yōu)于VGG、DenseNet和Inception-ResNet-v2,以及經(jīng)典的機(jī)器學(xué)習(xí)方法.

目前大多數(shù)研究都是基于單一型號(hào)CE圖像進(jìn)行訓(xùn)練和驗(yàn)證,故Kratter等[62]探索了ML算法在不同CE下識(shí)別黏膜糜爛,對(duì)PillCam-SB3-s膠囊和PillCam-Crohn-s膠囊獲得的黏膜糜爛圖像進(jìn)行識(shí)別及組合識(shí)別,發(fā)現(xiàn)雖然單個(gè)膠囊模型在來(lái)自同一領(lǐng)域的驗(yàn)證集上表現(xiàn)良好,但它們?cè)谄渌z囊的測(cè)試集上表現(xiàn)不佳,但所開(kāi)發(fā)兩種不同膠囊的聯(lián)合模型提供了高且一致的診斷準(zhǔn)確性,這有望利用ML算法為自動(dòng)膠囊讀取創(chuàng)建一個(gè)整體的人工智能模型.

在潰瘍和狹窄的分級(jí)方面,Barash等[63]訓(xùn)練的CNN系統(tǒng)能對(duì)糜爛的圖像進(jìn)行分級(jí),1級(jí)與3級(jí)潰爛的分類準(zhǔn)確率為91%,2級(jí)與3級(jí)的分類準(zhǔn)確率為78%,1級(jí)與2級(jí)的分類準(zhǔn)確率為62.4%,這可能允許對(duì)相關(guān)疾病進(jìn)行自動(dòng)檢測(cè)和分級(jí).Klang等[64]開(kāi)發(fā)的深度學(xué)習(xí)算法檢測(cè)克羅恩病(Crohn’s disease,CD)的小腸糜爛AUC為0.99,準(zhǔn)確率在95.4%到96.7%之間,這加強(qiáng)了前人的成果.次年,Klang等[65]將該模型優(yōu)化,優(yōu)化后的模型可以將狹窄病灶與潰爛病灶分開(kāi),且能以93.5%的平均準(zhǔn)確率識(shí)別狹窄程度(輕度、中度和重度狹窄的AUC分別為0.992、0.975和0.889).

3.3 人工智能輔助CE檢測(cè)腸道息肉和腫瘤 Gilabert等[66]開(kāi)發(fā)了一個(gè)多平臺(tái)的網(wǎng)絡(luò)應(yīng)用,AI-Tool.它嵌入了一個(gè)CNN來(lái)幫助結(jié)腸膠囊內(nèi)鏡(CCE)評(píng)審員.在AI-Tool的幫助下,審查時(shí)間減少了6倍,息肉檢測(cè)靈敏度從81.08提高到87.80%,這拓展了Aoki等[60]的研究,并取得AI輔助內(nèi)鏡醫(yī)師對(duì)不同病變檢出的一致性結(jié)果.Yamada等[67]訓(xùn)練的基于SSD的CNN系統(tǒng)檢測(cè)結(jié)直腸腫瘤的曲線下面積為0.902,靈敏度、特異性和準(zhǔn)確性分別為79.0%、87.0%和83.9%,但對(duì)病變未進(jìn)行亞組分析.Saito等[68]訓(xùn)練了一個(gè)深度CNN,其檢測(cè)病變的AUC為0.911,這同Yamada等人的研究一致,且在對(duì)病變類別的亞組分析中,對(duì)息肉、結(jié)節(jié)、上皮瘤和粘膜下腫瘤的檢測(cè)敏感度分別為86.5%、92.0%、95.8%和77.0%,具備臨床應(yīng)用的潛力.

4 人工智能在超聲內(nèi)鏡領(lǐng)域的應(yīng)用進(jìn)展

EUS是將內(nèi)鏡和超聲相結(jié)合的消化道檢查技術(shù),可利用內(nèi)鏡下的超聲行實(shí)時(shí)掃描獲得胃腸道的層次結(jié)構(gòu)的組織學(xué)特征及周圍鄰近臟器的超聲圖像,消化道EUS包括超聲食管鏡、超聲胃鏡、超聲十二指腸鏡、超聲腸鏡,廣泛應(yīng)用于診斷消化道上皮下病變、判斷消化系腫瘤的侵犯深度及外科手術(shù)切除的可能性、胰膽系統(tǒng)腫瘤、十二指腸壺腹部腫瘤的鑒別診斷、縱隔病變等,對(duì)慢性胰腺炎等診斷亦優(yōu)于其他影像學(xué)檢查.此外,諧波造影增強(qiáng)超聲內(nèi)鏡(contrast-enhanced harmonic endoscopic ultrasound,CH-EUS)對(duì)消化道內(nèi)外病變的診斷也很有用.內(nèi)窺鏡超聲波引導(dǎo)的細(xì)針抽吸/活檢(EUS-FNA/B)作為胰腺腫塊病變的一線診斷工具,在臨床實(shí)踐中也被廣泛使用.有研究表明[69],人工智能輔助超聲內(nèi)鏡(EUS-AI)對(duì)消化系統(tǒng)疾病的診斷準(zhǔn)確性與內(nèi)窺鏡醫(yī)師相當(dāng)甚至更好.

4.1 人工智能輔助EUS診斷消化道黏膜下病變 消化道上皮下病變(subepithelial lesions,SELs)是源于胃腸道壁內(nèi)非黏膜層而突向胃腸道腔的腫塊樣病變.EUS是診斷SELs最合適的方式[70-72].胃腸道間質(zhì)腫瘤(gastrointestinal stromal tumors,GISTs)和胃腸道平滑肌瘤(gastrointestinal leiomyomas,GILs)是最常見(jiàn)的SELs,所有的GISTs都有惡性潛力,然而,GILs被認(rèn)為是良性的.Yang等及Liu等[73,74]開(kāi)發(fā)的EUS-AI診斷系統(tǒng)均可有效地區(qū)分GISTs和GILs,提高SELs的診斷準(zhǔn)確性.Minoda等[75]開(kāi)發(fā)的EUS-AI系統(tǒng)可以鑒別胃SEL中GIST與非GIST,其準(zhǔn)確率、靈敏度和特異性分別為94.4%、100%和86.1%,AUC值為0.98.為預(yù)測(cè)GIST的惡性潛力,Lu等[76]建立了一個(gè)風(fēng)險(xiǎn)分層的EUS-AI模型來(lái).在大量外部驗(yàn)證集中,按腫瘤劃分的四類風(fēng)險(xiǎn)的EUS-AI模型總體準(zhǔn)確率、敏感性、特異性、PPV和NPV分別為74.50%、55.00%、79.05%、53.49%和81.63%.兩類風(fēng)險(xiǎn)EUS-AI模型預(yù)測(cè)極低風(fēng)險(xiǎn)的GIST的準(zhǔn)確性、敏感性、特異性、PPV和NPV分別為86.25%、94.44%、79.55%、79.07%和94.59%.Minoda等還評(píng)估了用于診斷胃間質(zhì)瘤的EUS-AI系統(tǒng)是否可以應(yīng)用于非胃GIST.研究顯示[75],基于胃SEL的EUS-AI對(duì)非胃GIST同樣有較好的診斷能力,且對(duì)胃腸道不同部位非胃源性GIST的診斷準(zhǔn)確率隨著病變大小的增加而增加,這與胃SEL的結(jié)果一致,但該研究納入病例較少,穩(wěn)定性還有待考證.此外,為改進(jìn)識(shí)別GIST效率,He等[77]提出了一種Query2框架,經(jīng)GIST514-DB數(shù)據(jù)集驗(yàn)證表明該方法構(gòu)建的人工智能診斷GIST更優(yōu).

在人工智能與內(nèi)鏡醫(yī)師診斷效果比較方面,人工智能診斷模型識(shí)別常見(jiàn)SEL的效能與3年以上經(jīng)驗(yàn)的EUS醫(yī)師相當(dāng),略差于5年以上經(jīng)驗(yàn)的EUS專家,仍有進(jìn)步空間[78].由人工智能評(píng)估的CH-EUS結(jié)果區(qū)分GISTs和GILs的診斷能力與內(nèi)窺鏡專家的盲讀能力相當(dāng)[79].

4.2 人工智能輔助EUS診斷胰腺疾病 Kuwahara等[80]回顧性收集了多種類型胰腺腫塊(胰管腺癌[PDAC]、胰腺癌[PASC]、腺癌[ACC]、轉(zhuǎn)移性胰腺腫瘤[MPT]、神經(jīng)內(nèi)分泌癌[NEC]、神經(jīng)內(nèi)分泌腫瘤[NET]、實(shí)體假瘤[SPN])的EUS圖像,開(kāi)發(fā)了一個(gè)能夠區(qū)分胰腺癌和非癌性胰腺病變的人工智能模型,其胰腺癌診斷的曲線下面積、敏感性、特異性和準(zhǔn)確性分別為0.90、0.94、0.82和0.91,診斷每類疾病的敏感度為PDAC 0.96、PASC 1.00、ACC 1.00、MPT 0.33、NEC 1.00、NET 0.93、SPN 1.00.

自身免疫性胰腺炎(autoimmune pancreatitis,AIP)可以在EUS中表現(xiàn)為局灶性腫塊,而沒(méi)有其他特異性特征,這使AIP與慢性胰腺炎或PC區(qū)分十分困難.此外,目前的指南[81,82]認(rèn)為EUS僅作為一種獲得細(xì)胞組織學(xué)標(biāo)本以排除惡性腫瘤的方法,而不考慮其基于形態(tài)學(xué)方面的診斷能力.Tacelli等[83]的研究對(duì)指南做出了挑戰(zhàn),他們開(kāi)發(fā)的CNN模型在由116位AIPs和234位PC組成的350例患者隊(duì)列中,僅憑EUS下表現(xiàn)就可以正確分類88%的患者,在無(wú)需細(xì)針抽吸/活檢的條件下具有較高的分類準(zhǔn)確性.在AIP與PDAC、慢性胰腺炎和正常胰腺的區(qū)分方面,Marya等[84]開(kāi)發(fā)的EUS-CNN模型可以完成這一任務(wù),且具有足夠的性能來(lái)實(shí)時(shí)分析EUS視頻.該模型區(qū)分AIP和NP的敏感度和特異性分別為99%和98%;區(qū)分AIP和PDAC的敏感度和特異性分別為90%和93%;區(qū)分AIP和CP的敏感度和特異性分別為94%和71%;區(qū)分AIP與其他所有條件的敏感性和特異性分別為90%和85%,EUSCNN模型能準(zhǔn)確地將AIP與PDAC和良性胰腺條件區(qū)分開(kāi)來(lái),可以使病人得到更針對(duì)性的干預(yù).

此外,Tang等[85]首次開(kāi)發(fā)了一種基于CH-EUS的人工智能診斷系統(tǒng)(CH-EUS MASTER),該系統(tǒng)可以識(shí)別胰腺癌與非腫瘤性腫塊,并在EUS引導(dǎo)下細(xì)針抽吸/活檢(EUS-FNA/B)過(guò)程中引導(dǎo)目標(biāo)穿刺區(qū)域.CH-EUS MASTER診斷胰腺腫塊的準(zhǔn)確性、敏感性和特異性均明顯優(yōu)于內(nèi)鏡檢查.CH-EUS MASTER指導(dǎo)下的準(zhǔn)確率93.8%,敏感性90.9%,特異性100%,陽(yáng)性預(yù)測(cè)值100%,陰性預(yù)測(cè)值83.3%,這有望減少不必要的FNA/B,提高取材的準(zhǔn)確性,節(jié)約病理資源.

4.3 人工智能輔助EUS診斷膽系疾病 對(duì)于膽囊息肉狀病變EUS是最準(zhǔn)確的診斷方式.Jang等[86]開(kāi)發(fā)的EUS-AI系統(tǒng)對(duì)于腫瘤性和非腫瘤性膽囊息肉的鑒別診斷的敏感性、特異性、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值和準(zhǔn)確性分別為57.9%、96.5%、77.8%、91.6%和89.8%.與內(nèi)窺鏡醫(yī)生的診斷性能相比,EUS-AI具有更高的特異型,準(zhǔn)確率介于中級(jí)醫(yī)師(66.7%)和專家醫(yī)師(77.5%)之間,表現(xiàn)出良好的性能.

對(duì)于膽總管結(jié)石的EUS圖像,人工智能診斷的靈敏度、特異度和準(zhǔn)確率分別為75.81%、98.57%和89.91%,均不高于有經(jīng)驗(yàn)的超聲內(nèi)鏡醫(yī)師(靈敏度94.42%、特異度100.00%和準(zhǔn)確率97.88%),但把兩種診斷方式進(jìn)行并聯(lián)診斷試驗(yàn)后,人工智能聯(lián)合超聲內(nèi)鏡醫(yī)師對(duì)膽總管結(jié)石診斷的靈敏度為97.67%,特異度為100%,準(zhǔn)確率為99.12%,較有經(jīng)驗(yàn)的超聲內(nèi)鏡醫(yī)師有所提高[87].Yao等[22]構(gòu)建的BP MASTER系統(tǒng)可在EUS下識(shí)別膽管站點(diǎn)及自動(dòng)測(cè)量其直徑,通過(guò)前瞻性地收集視頻數(shù)據(jù)進(jìn)行交叉研究,證實(shí)BP MASTER系統(tǒng)可將內(nèi)鏡醫(yī)師對(duì)站點(diǎn)識(shí)別的準(zhǔn)確率從60.8%提高到76.3%,有利于醫(yī)師對(duì)膽道的全面檢查.在EUS下識(shí)別膽管結(jié)石方面,人工智能僅能作為一項(xiàng)輔助醫(yī)師的工具用來(lái)提高診斷效率,減少對(duì)膽道站點(diǎn)觀察不全所致的漏診,而難以獨(dú)立完成可靠診斷.

4.4 人工智能輔助EUS診斷CD 腸道超聲是內(nèi)鏡下觀察腸道分層的最佳方式,可用于臨床疑似IBD患者的初步評(píng)估和隨訪.腸壁增厚是CD最重要的超聲特征,也是診斷CD炎癥的有效標(biāo)志,EUS區(qū)分UC和CD的敏感性和特異性高,腸壁厚度≤3 mm與內(nèi)窺鏡緩解和經(jīng)壁緩解有顯著關(guān)聯(lián)[88,89].Carter等[90]開(kāi)發(fā)了一個(gè)人工智能系統(tǒng)來(lái)區(qū)分腸壁增厚(腸道炎癥的替代物)和腸道超聲的正常腸道圖像.在健康病例中,86.4%被正確診斷,在非健康病例中,94%被正確診斷.總體而言,該系統(tǒng)檢測(cè)腸壁增厚的準(zhǔn)確性、敏感性和特異性分別為90.1%、86.4%和94%,平均受試者工作特征曲線下面積為0.977,在識(shí)別CD腸道超聲圖像的腸壁增厚方面具有較高的準(zhǔn)確性.

5 結(jié)論

通過(guò)對(duì)人工智能輔助消化內(nèi)鏡診斷消化系統(tǒng)疾病領(lǐng)域國(guó)內(nèi)外文獻(xiàn)的分析,可以發(fā)現(xiàn)目前人工智能輔助胃腸鏡不僅可以識(shí)別消化道惡性腫瘤如食管癌、胃癌、結(jié)直腸癌,更重要的是也對(duì)癌前病變?nèi)鏐E、CAG、不同級(jí)別腺瘤的識(shí)別具有較高的準(zhǔn)確性.人工智能輔助CE識(shí)別腸道出血和血管擴(kuò)張方面靈敏性很高,但在識(shí)別息肉和腫瘤方面差于傳統(tǒng)胃腸鏡;在EUS方面,人工智能輔助診斷消化道上皮下病變、辨別胰腺腫塊類型方面效能較高,但對(duì)于膽道結(jié)石的診斷效能不佳.多數(shù)研究是在人工環(huán)境(圖像和視頻數(shù)據(jù)集)中完成的構(gòu)建及檢測(cè),若想將人工智能轉(zhuǎn)化為在臨床環(huán)境中的成功,其在人工環(huán)境中的良好表現(xiàn)是先決條件,此外還需內(nèi)窺鏡醫(yī)師完整暴露黏膜的基本技能以及駕馭人工智能的能力.不同人工智能構(gòu)建方法對(duì)診斷的側(cè)重點(diǎn)不同,如Faster RCNN、Mask RCNN更著重于陽(yáng)性預(yù)測(cè),Cascade RCNN則更著重陰性預(yù)測(cè),對(duì)于不同的診斷目的可以選用不同的人工智能構(gòu)建方法,這也提示內(nèi)窺鏡醫(yī)師需要了解不同人工智能的特點(diǎn),以便與其達(dá)成良好的合作關(guān)系.此外,使用包含大量非癌癥圖像以及視頻訓(xùn)練人工智能似乎可以減少由于內(nèi)鏡圖片的角度問(wèn)題以及反光等原因造成的假陽(yáng)性和假陰性,此后可開(kāi)發(fā)包含大量視頻的數(shù)據(jù)集用于比較和驗(yàn)證現(xiàn)有人工智能系統(tǒng)對(duì)視頻識(shí)別的準(zhǔn)確性,以及開(kāi)發(fā)更符合臨床環(huán)境的人工智能.

總體來(lái)說(shuō),人工智能單獨(dú)診斷性能與高年資內(nèi)鏡醫(yī)師相當(dāng)或弱于高年資內(nèi)鏡醫(yī)師,目前沒(méi)有RCT研究表明人工智能單獨(dú)診斷效力強(qiáng)于高年資內(nèi)鏡醫(yī)師,但幾乎全部研究都表明,與低年資內(nèi)鏡醫(yī)師相比,人工智能診斷準(zhǔn)確性更高.對(duì)于人工智能輔助高年資醫(yī)師方面,有RCT研究表明,當(dāng)將人工智能系統(tǒng)作為一種輔助工具時(shí),可以提高經(jīng)驗(yàn)豐富醫(yī)師的診斷效能.人工智能的真正價(jià)值在于協(xié)助內(nèi)窺鏡醫(yī)師將診斷準(zhǔn)確性達(dá)到一個(gè)新的高度,但這并非意味著一味強(qiáng)調(diào)降低假陰性,在醫(yī)療資源緊張的今天,對(duì)于假陽(yáng)性的把控同樣重要.

人工智能輔助消化內(nèi)鏡診斷疾病方面已經(jīng)取得了可喜成效,目前國(guó)內(nèi)外已有多種人工智能輔助系統(tǒng)落地,如內(nèi)鏡精靈、影諾鷹眼、百洋腫瘤臨床決策系統(tǒng)[91]等,但仍有許多問(wèn)題需要進(jìn)一步探討和研究,例如無(wú)梗鋸齒狀病變難以與背景粘膜區(qū)分,人工智能難以識(shí)別、CE診斷問(wèn)題中對(duì)于多種疾病同時(shí)診斷的研究較少、單憑內(nèi)鏡下表現(xiàn)難以對(duì)惡性腫瘤進(jìn)行分期、人工智能需對(duì)受到外部因素如患者的呼吸和心跳影響的EUS圖像進(jìn)行實(shí)時(shí)校正和配準(zhǔn)、廣泛領(lǐng)域前瞻性多中心研究較少等.這不僅需要深入分析和研究,還需要結(jié)合實(shí)際情況進(jìn)行更為精確的建模,為后續(xù)研究和應(yīng)用提供更廣泛深遠(yuǎn)的發(fā)展空間.