人工智能技術在胰腺疾病內鏡超聲診斷中的應用

張敏敏 金震東

海軍軍醫大學附屬長海醫院消化內科，上海 200433

【提要】 內鏡超聲(EUS)檢查技術的發展為胰腺疾病的診斷與治療提供了新的手段，但如何形成一套客觀、高效的診療方法仍為EUS研究的熱點與難點。近年來人工智能技術得到迅猛發展并滲透到醫學的各個領域，研究提示可利用人工智能輔助讀圖實現準確迅速的EUS診斷。通過采用不同的分類模型，結合不同的超聲方法，人工智能在各種胰腺疾病的診斷中均取得了較高的靈敏度與特異度，并可運用于胰腺腫瘤患者治療后的預后評價中。未來人工智能在EUS領域的發展必將朝向專業化細分領域深層次扎根。

胰腺癌是世界范圍內居第4位的癌癥致死病因[1]。由于其具有很強的侵襲性，僅10%～15%的患者腫瘤可被切除，且5年生存率僅為10%[2-3]，因此早期診斷和安全有效的治療對于降低胰腺癌病死率至關重要[4]。內鏡超聲(EUS)、磁共振成像和計算機斷層掃描等多種影像方法已廣泛應用于胰腺腫瘤的診斷。然而，醫師對影像結果的判斷具有一定的主觀性，醫師能力、經驗和注意力均會影響其對結果的判斷。因此，迫切需要能夠客觀識別和進行圖像分類的新技術來輔助診斷。

近年來，計算機輔助診斷(computer aided diagnosis，CAD)系統成為醫學影像領域研究的熱點。圖像處理和人工智能技術已經在許多醫療實踐領域嘗試應用并取得初步成果，使用計算機輔助支持系統處理和分析EUS圖像，將會指導臨床醫師做出更準確和更迅速的診斷。上海長海醫院消化內科內鏡中心自2010年開始即在全國率先將人工智能診斷運用于胰腺疾病的EUS圖像處理和識別中[5]，在計算機輔助EUS診斷方面積累了一定經驗。現結合該中心的經驗，對人工智能在胰腺疾病EUS診斷中的應用現狀和前景進行剖析。

一、人工智能對胰腺EUS圖像紋理的識別

聲像圖是以不同灰度為表現的。人類的肉眼擅于從不同明暗或對比度的圖像中歸納信息，卻無法識別對聚類分析超聲圖像非常有用的二階以上的紋理信息。超聲圖像上的各種斑點的圖案在某種程度上取決于組織種類的不同。CAD技術可利用客觀特征形成自動組織定征，通過CAD系統將超聲圖像有效分類。

可供選擇的分類器類別眾多。人工神經網絡(artificial neural network，ANN)是一種基于人腦的神經元網絡，通過模仿生物學上神經系統的性質與功能進行分類的數學模型。由于ANN在診斷和預后應用方面的潛力，目前被廣泛用于心臟疾病、高血壓、腎臟疾病、乳腺疾病和皮膚病的診斷與預測中，也是胰腺疾病EUS圖像診斷中運用最為廣泛的一種分類模型。2001年Norton等[6]就發現可使用計算機自學程序分析EUS圖像以區分惡性腫瘤與胰腺炎，從而輔助內鏡檢查。2008年Das等[7]通過EUS圖像上的數字圖像分析區分胰腺癌、慢性胰腺炎與正常胰腺組織，使用ANN模型獲得了93%的靈敏度。Ozkan等[8]利用內鏡圖像開發出具有圖像處理和模式識別的高性能CAD系統，收集202例胰腺癌患者和130例非癌癥患者的內鏡圖像，使用ANN方法進行訓練以診斷胰腺癌，最終獲得了87.5%的診斷準確率，83.3%的靈敏度和93.3%的特異度，并建議在診斷中考慮患者年齡以確保更高的分類性能。Olufemi等[9]則使用Levenberg-Marquardt反向傳播算法訓練網絡，并提出了一種基于癥狀診斷胰腺癌的ANN模型，準確率達87.0%。

長海醫院內鏡中心在進行計算機輔助分類時采用了另一種分類方法——支持向量機(support vector machine, SVM)。SVM是一種尋求可將兩類樣本分開的最佳平面的監督學習技術，通過某種訓練集的點與CAD算法，判斷出一種決策平面以進行模式識別。相比ANN，SVM的訓練過程更快，且可重復、優效，但由于需要監督學習過程，因此需要研究者標記訓練集與參數。2010年筆者從153例胰腺癌和63例非胰腺癌患者的216例EUS圖像中選擇感興趣區，最終選擇所識別的29個特征，采用SVM理論建立預測模型并進行訓練，獲得了98.0%的靈敏度[5]。2013年Zhu等[10]在提取的105個特征中選擇16個建立SVM模型并進行訓練，獲得了94.0%的靈敏度。2015年長海醫院內鏡中心在SVM中采用局部三值模式方差描述符的特征提取方法，對自身免疫性胰腺炎與慢性胰腺炎進行鑒別，結果表明局部三值模式方差特征在SVM分類器下的各項分類性能都優于基于傳統紋理特征的分類結果，靈敏度和特異度高[11]，優于臨床常用的血清免疫球蛋白G法，提示該人工智能方法對自身免疫性胰腺炎及慢性胰腺炎的鑒別頗有價值，值得深入探索。

此外，還可通過決策樹對超聲圖像進行分類。決策樹可作為一種閾值被界定為訓練過程中的分類工具。與ANN比較，決策樹更為簡單與快速，但它更依賴對每一個非終結節點的分類規則的設計以及閾值的設定，目前尚缺乏相關的研究。

二、人工智能在胰腺疾病超聲彈力成像圖中的應用

EUS彈性成像為常規EUS提供了補充信息，最大限度地降低成本，且未增加胰腺疾病的發病率或病死率。EUS彈性成像圖像由彩色像素組成，這些彩色圖像反映了呼吸、心臟運動或EUS傳感器壓迫引起的輕微壓縮期間獲得的應變(位移)值的差異[12]，是病灶彈性結構的間接量度。但基于常規彈性成像記錄的直接視覺分析的靈敏度和特異度較差，2007年S?ftoiu等[13]通過對預先記錄的圖像序列進行動態計算機分析，認為實時EUS彈性成像的定量分析在初始研究中可產生更好的結果，它可避免由于個體選擇可能造成的選擇偏倚、色調顏色的感知錯誤以及與運動相關的偽像。2012年歐洲彈性成像多中心研究組[14]使用ANN的CAD技術評估了實時EUS彈性成像診斷局灶性胰腺病變的準確率。該研究選取258例患者的774幅EUS彈性成像記錄，從EUS彈性成像的動態序列中檢索色調直方圖數據，使用后處理軟件分析計算，然后在擴展的ANN中分析，以自動區分良性和惡性模式，最終顯示靈敏度為87.6%，特異度為82.9%，陽性預測值為96.3%，陰性預測值為57.2%，認為通過ANN模型可使用人工智能支持醫療決策，提供快速準確的診斷。

三、人工智能在胰腺囊性疾病診斷中的應用

不同類型的胰腺囊性病變，例如導管內乳頭狀黏液性腫瘤、黏液性囊性腫瘤、漿液性囊性腫瘤和胰腺假性囊腫等，很難根據臨床表現和包括EUS在內的影像學方法區分良惡性，確定合適的治療策略，但可以利用EUS-FNA穿刺物進行深度算法學習，構建人工智能預測模型以區分良性和惡性胰腺囊性疾病。Kurita等[15]回顧性分析85例胰腺囊性病變患者的手術標本或EUS-FNA標本的胰腺囊液信息。使用深度學習的人工智能構建診斷算法，發現囊液中CEA、CA19-9、CA125、淀粉酶以及患者性別、囊腫位置、胰管與囊腫連接與否、囊腫的類型和細胞學等因素都與人工智能算法密切相關，并具有惡性預測價值。在惡性囊性病變的診斷能力中，人工智能的靈敏度、特異度和準確率分別為95.7%、91.9%和92.9%，其中靈敏度和準確率均高于CEA和細胞學檢查， 認為人工智能可以提高鑒別惡性和良性胰腺囊性病變的診斷能力。

四、人工智能在評價EUS引導下治療效果中的應用

EUS引導的近距離放射治療已經在晚期胰腺癌的研究中得到應用[16]。既往的臨床系列研究表明，采用EUS引導的近距離放療和疼痛控制可以安全地治療胰腺癌[17]，但由于缺乏對照，近距離放射治療對總體生存期的影響尚不確定，對這些患者做出預后判斷仍很困難。Xu等[18]開發了一種模糊分類方法，對EUS圖像中胰腺癌的紋理特征進行評分，根據癌癥病例和非癌癥病例之間的精確數值差異，判斷接受EUS引導胰腺間質內近距離放射治療的胰腺癌患者預后。研究首先分析了153例胰腺癌患者和63例非癌癥患者的EUS圖像，發現模糊分類評分的變化與總體生存率之間存在相關性，而與腫瘤體積、CA19-9水平、總生存期無相關性。然后以招募的25例行近距離放療患者為研究對象，驗證上述因素對患者預后評估的價值。結果顯示經近距離放療后，15例患者的模糊分類評分有所下降，而另外10例患者的模糊分類評分有所增加。 兩組總生存率存在顯著差異，但腫瘤體積和CA19-9水平無明顯變化，認為采用模糊分類方法分析胰腺癌EUS圖像是可行的，該方法可用于胰腺間質近距離放射治療不能切除的胰腺癌患者的預后判斷。

五、展望

隨著超聲檢查裝備的發展以及圖像技術的提高，胰腺腫瘤的檢出率將會明顯提高。人工智能的未來方向除了利用各種超聲檢查手段進一步協助準確鑒別病灶性質外，還可進一步整合各項檢查手段，給出治療策略。隨著介入性超聲技術的發展，未來有望通過人工智能精確引導或進行EUS下各項介入治療。需要注意的是，有關人工智能協助診斷或預測臨床結果的前瞻性研究非常少，對于以用戶為中心的算法更加寥寥。必須進行嚴格的論證研究并在真實環境中反復驗證，才能將人工智能技術無縫嵌入臨床診療環節，實現人工智能與人工流程的完美結合。

利益沖突所有作者均聲明不存在利益沖突