上消化道疾病人工智能輔助決策方法研究

李 玲，丁 帥，李霄劍，楊善林

(合肥工業大學管理學院，安徽 合肥 230009)

1 引言

隨著城市化、工業化、老齡化的加快，上消化道癌已成為威脅全球人類的惡性腫瘤之一[1]。食管癌、賁門癌和胃癌并稱為上消化道癌，且胃癌和食管癌分別是世界第四大和第九大最常見的人類惡性疾病，也是導致癌癥相關死亡的第二大和第六大原因[2]。目前，上消化道癌的治愈率很低，五年生存率僅15%-20%[3]。上消化道癌早期發現和治療是目前提高上消化道腫瘤防治水平的關鍵。

依托電子胃鏡的上消化道疾病內鏡篩查可提前發現潛在的浸潤癌和早期癌以及癌前病變患者，大幅提高早期發現概率，早期上消化道癌癥的5年生存率可提高至80%[4]。在臨床實踐中，醫生可以操控電子胃鏡探頭獲取食道、賁門、胃和十二指腸等不同部位的內鏡影像，并結合上消化道主要疾病的影像學特征，發現癌癥、炎癥、潰瘍、息肉等疑似病灶，進而給出內鏡診斷。然而，生理環境不穩定、病灶形態多樣且較為隱蔽、醫生臨床經驗的客觀差異，都會導致依托電子胃鏡系統的上消化道腫瘤篩查存在較高的誤診率和漏診率[5]。Kang等人研究顯示，胃鏡檢查操作經驗10年以下者漏診率和誤診率約為25%左右[6]。此外，電子胃鏡系統在發展中國家的大規模普及，使得胃鏡檢查醫生通常需要承擔高強度的胃鏡檢查工作。

由于深度學習方法能夠有效克服傳統機器學習方法存在的特征提取的主觀性、高維特征無法提取等問題，學術界和產業界正在興起以深度學習技術為基礎的臨床決策方法研究熱潮[7-9]。基于電子胃鏡影像的智能輔助決策對于提高上消化道疾病篩查效率、降低醫生工作負擔具有重要意義。王智杰等人利用長海醫院消化內鏡中心數據構建和驗證一個用于早期胃癌自動識別的深度學習模型，旨在提高早期胃癌的識別傅診斷水平[10]。Van等人開發了基于人工智能的巴雷特氏食管診斷系統，能夠自動檢測早期腺癌[11]。Hao等人設計基于自適應增強的多柱神經網絡模型實現動態胃癌篩查[5]。Hirasawa等人使用Single Shot MultiBox Detector(SSD)檢測早期和晚期胃癌病變位置[12]。

上述已有的研究主要圍繞上消化道的食管或胃等某一部位的粗粒度疾病輔助診斷，未能實現上消化道疾病細粒度疾病篩查與病灶定位。且已有的研究在進行臨床智能輔助決策過程中，具有較高的服務延遲，無法實時輔助診斷。

同時，由于醫療行業數據的稀缺性以及高質數據獲取過程困難，深度學習方法往往無法得到充足的醫療數據支撐。為此，過去常采用數據增強方法以滿足深度學習需求，這類方法利用水平反轉、隨機切割等方式增加實驗所需數據。但是這類方法的多樣性受限于數據源本身的特征，并導致實驗結果擬合程度有限，難以訓練出具有高魯棒性的深度學習系統，更無法將系統應用于臨床。

為應對以上挑戰，我們首先基于條件生成對抗網絡[13-14]實現胃鏡圖像數據庫的增強，其次，設計k-Lconv模塊，在此基礎上開發上消化道病灶檢測方法Lconv-YOLO，最后，利用來自某三甲醫院真實的臨床數據進行方法驗證。

2 數據增強方法

深度學習需要大量的訓練樣本，然而由于胃鏡圖像的標注工作需要專業醫生的參與，時間和經濟成本昂貴。為顯著降低將深度學習技術應用于醫學影像智能決策分析的標注成本，本文首先將上消化道疾病數據進行分類，并利用條件對抗生成網絡針對數據量稀缺的胃鏡影像數據進行擴充。

條件生成對抗網絡的網絡結構示意圖如圖1所示，主要由兩個模塊組成，生成網絡和判別網絡。生成網絡根據輸入的滿足高斯分布的隨機噪聲以及對應的胃鏡樣本標簽模擬出胃鏡圖像，判別網絡將模擬的胃鏡圖像和樣本標簽作為輸入，判別生成網絡所生成的胃鏡圖像是否可以混淆真實圖像，以及生成的胃鏡圖像是否對應于樣本標簽。生成網絡和判別網絡以競爭性學習的方式達到訓練目的，生成以假亂真的胃鏡圖像。

通過條件生成對抗網絡擴充胃鏡影像數據，為上消化道病灶檢測模型提供了更多的數據，防止了算法的過擬合。

圖1 條件生成對抗網絡的網絡結構示意圖

3 上消化道病灶檢測算法

為了幫助醫生提高胃鏡檢查效率、降低上消化道疾病篩查的漏診率和誤診率，我們設計了用于協助醫生胃鏡診療決策的智能輔助決策方法。近年來，由于在移動或嵌入式環境下視頻處理的高精度、低計算負載等優異特性，YOLO算法開始被應用于人臉識別、無人車等目標檢測場景[15]。為了進一步降低上消化道病灶檢測服務響應時間，提高疾病診斷的敏感性和特異性，我們在YOLOv3-tiny算法的基礎上設計了新的基于k-Lconv模塊的上消化道病灶檢測算法Lconv-YOLO。該算法可以采用小型深度神經網絡結構，通過學習胃鏡圖像的多層次表示和抽象可以快速發現感興趣的病灶位置和疾病分類。

我們設計了k-Lconv模塊用于提升病灶識別效率。k-Lconv模塊是將原算法中的k個3×3標準卷積核分解為兩部分：1個3×3的深度卷積核和k個1×1的逐點卷積核。這種設計可以將胃鏡圖像的空間信息和參數信息去耦，減少圖像分析成本、增加網絡深度。在提高疾病篩查的敏感性和特異性的同時降低服務響應時間。圖2給出了新設計的k-Lconv模塊的網絡結構快照。

圖2 k-Lconv模塊網絡結構

接著，我們進一步搭建基于電子胃鏡影像智能輔助決策的上消化道病灶檢測算法Lconv-YOLO。其結構示意圖如圖3所示，包括k-Lconv模塊、convolution層，pooling層，route層，upsample層和yolo層。k-Lconv模塊、convolution層和pooling層用來提取胃鏡視頻幀中的特征信息，兩個yolo層分別從13×13網格和26×26網格這兩個尺度對疑似病灶進行檢測和分類。route層和upsample層分別在構建特征圖過程中實現跳層信息的鏈接和上采樣?？紤]到Anchors設計對模型精度和召回率的顯著影響，我們結合病灶形態的客觀差異，采用k-means方法自動設置每一類上消化道疾病適用的anchor box尺寸。

上消化道病灶檢測算法Lconv-YOLO采用端到端方式對胃鏡視頻實時病灶檢測。將每一張胃鏡圖像分成S×S的網格，并在每一個網格上進行病灶檢測。類似于YOLOv3算法，我們的方法回歸每一個網格上捕獲病灶的準確定位和對應的疾病分類。

4 實驗結果與分析

4.1 實驗數據及評價指標

我們采用某三甲醫院真實的從2016年3月到2017年9月的共計8883份有效的胃鏡檢查病例。每份病例包含8到40不等的胃鏡圖像。圖4展示了一例完整的上消化道胃鏡檢查數據。由于不同疾病的患病率不同，患病率低的疾病樣本量相對較少。為了提升模型的穩健性，避免模型出現過擬合，我們采用上述數據增強方法對樣本量少的疾病病例進行了數據擴充。經5名消化科專家醫生的篩選后取交集，獲得帶可疑病灶的陽性樣本26123張，并使用LabelImg軟件對異常胃鏡圖像進行了病灶標注和疾病分類。

實驗采用敏感性(Sensitivity)、特異性(Specificity)、誤診率(Misdiagnosisrate)、漏診率(Misseddiagnosisrate)、病灶檢測結果與真實標記結果的交疊率(IOU)以及服務響應時間作為評價指標。它們的計算公式如下：

圖3 Lconv-YOLO網絡結構示意圖

圖4 胃鏡檢查數據

其中，TP表示模型預測正確的陽性樣本的數量，FN表示模型預測錯誤的陽性樣本數量。TN和FP采用相同的定義。GT表示胃鏡圖像上真實的病灶區域，DR表示模型所預測的病灶區域。

4.2 實驗結果及分析

本實驗中，我們從兩個維度進行對比實驗。首先，我們使用常用的深度學習算法AlexNet、GoogLeNet、VGGNet構建了符合我們數據特征的疾病分類模型。接著與流行的目標檢測方法YOLOv3、YOLOv3-tiny、Faster-RCNN、RetinaNet和SSD進行對比，分別計算上述指標，對比實驗結果如表1所示。圖5展示了Lconv-YOLO所檢測到的部分視頻幀中病灶。

圖5 病灶檢測結果

表1 實驗結果比較

由表1可以看出，所提出的上消化道病灶檢測方法Lconv-YOLO在敏感性、特異性、漏診率、誤診率、病灶檢測結果與真實標記結果的交疊率以及服務響應時間這些評價指標上都顯著優于競爭的方法。同時還可以推斷，所提出的Lconv-YOLO相對于YOLOv3-tiny在疾病篩查時敏感性和特異性更高，服務延遲更短，證明了所提出的k-Lconv模塊對提高模型的性能和降低服務響應時間的重要意義。此外，Lconv-YOLO在敏感性上雖然不如YOLOv3，但其特異性可以達到接近YOLOv3的水平，且服務響應時間顯著小于YOLOv3，可以達到實時輔助決策的目的。

5 結語

醫生在胃鏡檢查時存在難以定位病灶，誤診率和漏診率較高的問題。本文提出一種新穎的智能病灶檢測算法框架Lconv-YOLO，用于輔助醫生病灶定位和疾病診斷。在該算法框架下，設計了k-Lconv模塊，在提高病灶定位精度的同時降低算法的復雜性。此外，本文基于條件生成對抗網絡實現胃鏡圖像數據庫的擴充，有利于高魯棒性深度學習模型的訓練。

經實驗驗證，該人工智能算法的應用能夠有效提高上消化道疾病的病灶檢測和癌癥篩查水平，并且可以達到實時輔助診斷的目的。同時，本研究具有很好的移植性，經權重微調后可以推廣到臨床上結腸鏡、腹腔鏡檢查輔助決策中。