人工智能在消化領(lǐng)域中的應(yīng)用現(xiàn)狀與展望

金希 顧學(xué)微 陳棟

人工智能（artificial intelligence，AI）是指由人工制造出來的系統(tǒng)所表現(xiàn)出來的智能，是在計(jì)算機(jī)科學(xué)、控制論、信息論、決定論、神經(jīng)心理學(xué)、哲學(xué)、語言學(xué)等多學(xué)科研究基礎(chǔ)上發(fā)展起來的一門交叉學(xué)科。自1956年在美國達(dá)特茅斯大學(xué)舉行的首次人工智能研討會(huì)上提出相關(guān)概念后，AI取得了迅猛發(fā)展，與空間技術(shù)、原子能技術(shù)一起被譽(yù)為20世紀(jì)三大科技突破[1]。作為一門綜合性前沿學(xué)科，AI廣泛應(yīng)用于經(jīng)濟(jì)、軍事、醫(yī)學(xué)及生活中。隨著計(jì)算機(jī)信息技術(shù)革新（機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等新技術(shù)不斷涌現(xiàn)）及“大數(shù)據(jù)”時(shí)代來臨，AI在醫(yī)療領(lǐng)域的應(yīng)用前景及重要性亦日益凸顯。

1 AI在醫(yī)學(xué)領(lǐng)域的應(yīng)用

人工智能在醫(yī)學(xué)領(lǐng)域中的研究主要集中于輔助診斷，早期多聚焦于整合臨床病例及醫(yī)學(xué)專家系統(tǒng)的開發(fā)和應(yīng)用。該系統(tǒng)應(yīng)用AI技術(shù)，整合特定領(lǐng)域多名專家共識(shí)編制相關(guān)計(jì)算機(jī)程序和流程，進(jìn)行推理和判斷，從而解決那些需要專家決定的復(fù)雜問題，減少因疑難病會(huì)診、轉(zhuǎn)診所造成的醫(yī)療資源消耗[2]。21世紀(jì)以來，計(jì)算機(jī)技術(shù)進(jìn)步帶來AI方法學(xué)出現(xiàn)跨越式發(fā)展：從單純根據(jù)文本提取字段信息進(jìn)行簡單判斷，到根據(jù)靜態(tài)圖片乃至動(dòng)態(tài)錄像高速輔助疾病診斷和預(yù)后判斷；從機(jī)器學(xué)習(xí)（machine learning，ML）到深度學(xué)習(xí)（deep learning，DL）再到卷積式人工網(wǎng)絡(luò)（convolutional neural network，CNN）等（圖1a），推動(dòng)其在醫(yī)學(xué)領(lǐng)域應(yīng)用進(jìn)入快車道。

當(dāng)前，基于AI計(jì)算能力增加和醫(yī)學(xué)圖像、視頻處理技術(shù)的突破，AI在醫(yī)學(xué)領(lǐng)域的發(fā)展主要體現(xiàn)在放射影像和消化系統(tǒng)應(yīng)用上的革新。如放射領(lǐng)域主要集中應(yīng)用于肺部結(jié)節(jié)和肺癌篩查、乳腺癌篩查、前列腺癌影像診斷，可以提高診斷的敏感度和特異度，并且縮小不同級(jí)別醫(yī)療機(jī)構(gòu)及醫(yī)生診斷水平間差異[3]。而在消化領(lǐng)域主要表現(xiàn)為內(nèi)鏡檢查效率和質(zhì)量的提升、常見胃腸道疾病的診斷和預(yù)后判斷、消化系統(tǒng)腫瘤的預(yù)測等（圖1b），下面將對(duì)其應(yīng)用現(xiàn)狀和展望作系統(tǒng)綜述。

圖1

2 AI在消化道領(lǐng)域的應(yīng)用

2.1 AI在胃腸道常見疾病診斷、預(yù)后及療效判斷中的應(yīng)用 人工神經(jīng)網(wǎng)絡(luò) (artificial neural network,ANN)模型是ML的常見形式，并且在早期胃腸道疾病的診斷和預(yù)后判斷中得到較廣泛應(yīng)用。在疾病診斷方面，Pace教授等[4]在2005年基于45項(xiàng)臨床指標(biāo)研發(fā)的ANN模型對(duì)胃食管反流病的診斷率達(dá)100%，而Lahner教授等[5]利用350例患者的臨床和生化數(shù)據(jù)構(gòu)建的ANN模型在萎縮性胃炎的診斷上取得較高的準(zhǔn)確率。在疾病預(yù)后判斷方面，Sato教授等[6]構(gòu)建ANN模型成功預(yù)測418例食管癌患者的1年和5年生存率，Rotondano教授等[7]則構(gòu)建ANN模型在2 380例患者中預(yù)測非靜脈曲張上消化出血率，其預(yù)測的靈敏度、特異度和準(zhǔn)確率均高于普通方法。ANN還可應(yīng)用于疾病治療效果的判斷，如Hardalac教授等[8]建立的ANN模型在預(yù)測IBD患者硫唑嘌呤治療后黏膜愈合情況的準(zhǔn)確率可達(dá)79.1%。更重要的是，Ichimasa等[9]應(yīng)用支持向量機(jī)器學(xué)習(xí)（support vector machine,SVM）方法，對(duì)690例內(nèi)鏡切除的T1期結(jié)腸癌患者的45項(xiàng)臨床病理因素進(jìn)行分析，取得較好的淋巴結(jié)轉(zhuǎn)移預(yù)測效果，其靈敏度、特異度和準(zhǔn)確率分別達(dá)100%、66%和69%，同時(shí)減少了約77%的非必要追加手術(shù)。在肝病領(lǐng)域，SVM聯(lián)合超聲彈性成像的應(yīng)用對(duì)慢性肝病診斷的靈敏度達(dá)93.5%，特異度達(dá)81.2%，準(zhǔn)確率達(dá)87.3%[10]。

當(dāng)前世界范圍內(nèi)炎癥性腸病（主要包括CD和UC）的發(fā)病率日益增高，而AI在該領(lǐng)域的應(yīng)用成為當(dāng)前研究熱點(diǎn)。對(duì)UC患者，腸道炎癥程度的評(píng)價(jià)是制定治療方案的重要參考。然而，腸鏡下準(zhǔn)確評(píng)估腸道炎癥程度需要對(duì)內(nèi)鏡醫(yī)生進(jìn)行規(guī)范培訓(xùn)，且內(nèi)鏡醫(yī)生之間存在觀察者差異。基于CNN模型，日本Ozawa教授等[11]在841例患者累積26 304張腸鏡圖片基礎(chǔ)上建立腸道炎癥識(shí)別CAD系統(tǒng)，在隨后的獨(dú)立114例患者人群累積3 981張圖片的驗(yàn)證中，發(fā)現(xiàn)該系統(tǒng)對(duì)正常和炎癥黏膜的辨識(shí)度很高，其ROC曲線AUC分別達(dá)到0.86和0.98，增加UC腸道炎癥評(píng)估的客觀性，可減少因內(nèi)鏡醫(yī)生操作及水平參差不齊所造成的觀察者間差異。

當(dāng)前UC的治療已經(jīng)從強(qiáng)調(diào)“黏膜愈合”進(jìn)入強(qiáng)調(diào)“組織愈合”的時(shí)代。因?yàn)槿找嬖龆嗟呐R床研究提示內(nèi)鏡下“黏膜愈合”的UC患者，實(shí)際上遠(yuǎn)未達(dá)到病理上“組織愈合”的狀態(tài)，而持續(xù)的組織炎癥會(huì)加劇疾病并增加黏膜不典型增生乃至癌變的風(fēng)險(xiǎn)。因此，研發(fā)能識(shí)別“組織愈合”的內(nèi)鏡技術(shù)具有重要意義。2019年Maeda教授等[12]結(jié)合520倍NBI電子放大內(nèi)鏡和計(jì)算機(jī)輔助診斷，基于187例病理證實(shí)腸道組織炎癥狀態(tài)的UC患者，研發(fā)出UC“組織愈合”判別新方法，并在525個(gè)樣本共計(jì)12 900張放大內(nèi)鏡圖片上加以驗(yàn)證，發(fā)現(xiàn)其診斷靈敏度達(dá)74%、特異度達(dá)97%、準(zhǔn)確率達(dá)91%，為早期發(fā)現(xiàn)UC患者腸道組織炎癥，系統(tǒng)評(píng)價(jià)“組織愈合”狀態(tài)，提供了有力武器。

2.2 AI在早期消化道腫瘤篩查、鑒別診斷中的應(yīng)用 隨著內(nèi)鏡設(shè)備的不斷更新和光學(xué)放大內(nèi)鏡（NBI、FICE、BLI等)/色素染色內(nèi)鏡等的飛速發(fā)展，早期消化道腫瘤篩查取得長足進(jìn)步。而近年來AI技術(shù)的發(fā)展，更為消化道早期腫瘤性病變的篩查提供有力支持，其在增加早癌檢出的靈敏度、提高檢查的同質(zhì)性和降低醫(yī)療衛(wèi)生成本等方面具有巨大潛力。Sommen教授等[13]提取100張內(nèi)鏡圖片構(gòu)建了早期Barrett食管癌變篩查的AI算法，其識(shí)別病變的靈敏度和特異度達(dá)83%。Horie教授等[14]基于8 428張白光及NBI內(nèi)鏡圖片構(gòu)建CNN模型，其識(shí)別早期食管癌的靈敏度為95%，且能探查所有＜10mm的食管癌，尤其對(duì)表淺食管癌和進(jìn)展期食管癌的鑒別診斷準(zhǔn)確率達(dá)98%。當(dāng)前腫瘤侵犯深度判斷一直是內(nèi)鏡檢查的難點(diǎn)，2012年Kubota教授[15]首先報(bào)道了基于902張內(nèi)鏡圖片所構(gòu)建的胃癌浸潤深度判別AI模型，其對(duì)T1～4的診斷準(zhǔn)確率分別為 77.2%、49.1%、51.0%和55.3%。同時(shí)，聯(lián)合SVM和NBI放大內(nèi)鏡后，其對(duì)早癌靈敏度上升到96.7%，而特異度高達(dá)95%[16]。

結(jié)腸鏡檢查是發(fā)現(xiàn)結(jié)腸息肉的主要方法，但由于腸道準(zhǔn)備不足、退鏡時(shí)間過快、部分息肉隱藏在腸袢中難發(fā)現(xiàn)、操作者水平不足等，會(huì)導(dǎo)致一定的息肉遺漏率。這其中腺瘤性息肉的遺漏具有較大風(fēng)險(xiǎn)，研究發(fā)現(xiàn)每增加1%的腺瘤發(fā)現(xiàn)率，可減少3%的結(jié)腸癌風(fēng)險(xiǎn)[17]。因此提高結(jié)腸息肉的檢出率具有重要臨床意義，也是當(dāng)前內(nèi)鏡技術(shù)的研究熱點(diǎn)。不斷增加的臨床數(shù)據(jù)表明AI輔助下的結(jié)腸鏡檢查，可顯著增加結(jié)腸息肉的發(fā)現(xiàn)率[18]。理想的AI輔助結(jié)腸息肉檢出應(yīng)滿足以下條件，亦是今后不斷改進(jìn)的方向：對(duì)息肉的高靈敏度、低假陽性率、低滯后性，以便在腸鏡檢查時(shí)息肉能被實(shí)時(shí)發(fā)現(xiàn)。隨著技術(shù)的發(fā)展，AI輔助息肉識(shí)別從靜態(tài)畫面進(jìn)展到動(dòng)態(tài)實(shí)時(shí)錄像分析，將大幅度提高息肉識(shí)別的能力和效率[19]。

指南建議右半結(jié)腸的增生性息肉可以隨訪觀察，但是腺瘤性息肉需要內(nèi)鏡治療。以往息肉性質(zhì)的判斷需要待活檢病理，如需內(nèi)鏡治療則患者要接受二次腸道準(zhǔn)備，如果在結(jié)腸鏡檢查時(shí)即刻就能判斷息肉性質(zhì)從而決定是否需要治療，在節(jié)省醫(yī)療資源和減少患者痛苦方面具有重要意義。常規(guī)的放大內(nèi)鏡技術(shù)（如針對(duì)色素內(nèi)鏡的Kudo分型和針對(duì)NBI放大內(nèi)鏡的NICE分型）雖然提高了對(duì)息肉類型內(nèi)鏡下鑒別診斷的陽性率，但存在因檢查者操作水平參差不齊、過分依靠主觀性判斷等造成的觀察者偏倚情況，以及初學(xué)者針對(duì)上述內(nèi)鏡技術(shù)需較長的學(xué)習(xí)曲線等不足情況，而AI的發(fā)展為此提供了良好的解決方案。AI合并NBI靜態(tài)畫面的識(shí)別更是在該領(lǐng)域邁開的堅(jiān)實(shí)的第一步。2010年Tischendorf教授等[20]聯(lián)合AI機(jī)器學(xué)習(xí)及NBI放大，研發(fā)出新型腸道息肉檢測公式，其診斷靈敏度達(dá)90%。Kominami教授等[21]于2016年首次報(bào)道整合AI和NBI放大內(nèi)鏡可在動(dòng)態(tài)過程中實(shí)時(shí)檢測息肉，其診斷的靈敏度達(dá)93%，特異度達(dá)93.3%，準(zhǔn)確率達(dá)93.2%，和醫(yī)生內(nèi)鏡下診斷的符合率達(dá)97.5%。2019年Byrne教授團(tuán)隊(duì)[22]成功構(gòu)建人工智能的深度學(xué)習(xí)模型，可對(duì)腸鏡錄像進(jìn)行分析，實(shí)時(shí)鑒別結(jié)腸腺瘤性和增生性小息肉，診斷靈敏度高達(dá)98%，特異度達(dá)83%，極大推動(dòng)了以前指南提出的“腸鏡檢查發(fā)現(xiàn)息肉-判斷性質(zhì)-直接處理”這一流程的落地。

2.3 AI在消化道其他疾病中的初步應(yīng)用 除了增加消化道腫瘤的檢出率、鑒別診斷能力及在常見消化道疾病領(lǐng)域的應(yīng)用外，以CNN和AVM為代表的AI在小腸黏膜病變、感染、出血的檢查中也顯示出較大的優(yōu)勢。Hp感染是萎縮性胃炎、消化性潰瘍、胃癌的高危因素，內(nèi)鏡下對(duì)Hp的識(shí)別存在較大的醫(yī)生主觀性差異，Itoh教授等[23]建立的CNN模型，對(duì)內(nèi)鏡下胃Hp感染的診斷靈敏度和特異度均達(dá)到86.7%，AUC為0.956，優(yōu)于內(nèi)鏡醫(yī)生的直接判斷。

膠囊內(nèi)鏡是檢查小腸病變的主要手段，但大量閱片給診斷醫(yī)生帶來負(fù)擔(dān)，且受不同級(jí)別醫(yī)生診斷水平參差不齊和主觀性影響，診斷結(jié)果的靈敏度和特異度不盡如人意。2019年Aoki教授等[24]基于CNN方法，采用5 360張小腸黏膜損傷和潰瘍圖片作為訓(xùn)練集，并用獨(dú)立的10 440張小腸圖片（包含440張黏膜損傷和潰瘍圖片）作為獨(dú)立驗(yàn)證集，發(fā)現(xiàn)針對(duì)這10 440張圖片，CNN系統(tǒng)僅用233s即完成疾病診斷，且靈敏度、特異度和診斷準(zhǔn)確率分別高達(dá)88.2%、90.9%和90.8%。此外，AI輔助下膠囊內(nèi)鏡對(duì)小腸乳糜瀉的診斷率亦有提升。如Zhou教授等[25]研發(fā)的CNN算法對(duì)乳糜瀉的診斷靈敏度和特異度均達(dá)到100%。Hassan教授等[26]研發(fā)的AI深度學(xué)習(xí)算法對(duì)膠囊內(nèi)鏡發(fā)現(xiàn)消化道出血的靈敏度和特異度高達(dá)99%。而針對(duì)小腸感染性疾病如鉤蟲感染，He教授等[27]研發(fā)的CNN算法對(duì)膠囊內(nèi)鏡圖片判讀后，也取得較高的疾病診斷靈敏度和特異度。

3 AI在消化領(lǐng)域的展望和發(fā)展方向

消化系統(tǒng)疾病是當(dāng)前AI應(yīng)用的熱門領(lǐng)域，近年來也取得較大發(fā)展。一方面，AI可以提高消化道常見疾病的診斷效能和預(yù)后判斷；另一方面，基于內(nèi)鏡的靜態(tài)圖像和動(dòng)態(tài)視頻，AI可以顯著增加疾病的診斷和鑒別診斷的速度和準(zhǔn)確度，提高同質(zhì)化水平，并且減少因操作者主觀判斷差異所帶來的觀察者偏倚現(xiàn)象。上述兩方面的深化研究是未來需要聚焦的方向。同時(shí)，AI輔助消化道黏膜下病變和其他少見疾病的診斷和鑒別診斷，也是今后的研究熱點(diǎn)。當(dāng)然，AI在消化領(lǐng)域的真正臨床應(yīng)用還需克服很多困難。首先，由AI輔助臨床作出的診斷或治療，如果出現(xiàn)醫(yī)療失誤，責(zé)任如何界定？這也是AI在醫(yī)學(xué)領(lǐng)域應(yīng)用的共性問題。其次，AI雖然可以提高診斷和鑒別診斷的效能，但這種基于計(jì)算機(jī)的理性工具，缺少醫(yī)生的人文關(guān)懷，會(huì)不會(huì)影響醫(yī)患關(guān)系？最后，目前AI輔助消化道疾病診治多為病例對(duì)照的回顧性研究，上述研究結(jié)果還需在前瞻性隊(duì)列研究中得到進(jìn)一步證實(shí)。

總之，AI在消化道領(lǐng)域的應(yīng)用目前取得較大進(jìn)展，前途光明，但其在臨床的大規(guī)模應(yīng)用仍有待臨床醫(yī)生、計(jì)算機(jī)信息工程人員等共同努力。