人工智能技術在消化內鏡領域的研究現狀*

張雅瓊，栗鳳霞

（1.山西醫科大學，山西 太原 030001；2. 山西醫科大學附屬人民醫院 消化科，山西 太原 030012）

消化道腫瘤發病率高，多數患者發現時已為中晚期，且預后較差。電子內鏡是診療消化科疾病的重要手段。近年來，內鏡技術如色素內鏡、電子染色內鏡、放大內鏡及膠囊內鏡等技術發展迅速，醫生可以直觀地檢查消化道腸腔黏膜病變[1-2]。然而我國電子內鏡醫療資源分布不均，內鏡醫師臨床經驗以及診療水平參差不齊，對早期病變黏膜識別度低，導致我國食管癌、胃癌等疾病的早期內鏡下檢出率低。因計算機技術的飛速發展及數據分析能力的提高，人工智能技術成為當前研究的熱點內容。目前，已經在醫學領域的多個系統展開研究人工智能技術，并取得可喜的成績，有望投入到將來的臨床實踐中。本文就人工智能技術以及該技術在消化道內鏡領域的研究進行綜述。

1 人工智能技術的發展

1956年，在達特茅斯會議上提出了人工智能的概念，標志著人工智能技術的誕生[3]。人工智能技術是計算機科學的一個分支，研究內容包括機器人、語音識別、圖像識別、自然語言處理及專家系統等。機器學習是人工智能技術體系的一種，機器學習算法流程包括對原始數據進行特征提取、特征篩選、模型訓練及模型驗證。

早期研究中，研究人員主要通過圖像特征提取算法結合機器學習方法來實現內鏡下疾病的檢測和診斷，例如SHEN 等[4]將多尺度紋理特征與顏色特征結合，并在Adaboost 分類器中完成胃鏡圖像下胃黏膜損傷檢測。LI 等[5-6]利用局部二值化、小波變換及支持向量機方法對膠囊內鏡圖像進行分類，證明小波變換對區分息肉類型非常有效。但是傳統方法往往需要人工提取特征，其算法效果取決于研究人員特征選取的質量，具有很大的不穩定性。

深度學習是當前機器學習領域一個研究熱點，在圖像識別等領域表現出優異的性能，深度學習網絡包括深度神經網絡（deep neural network, DNN）、卷積神經網絡（convolutional neural network, CNN）及循環神經網絡RNN（recurrent neural network, RNN）等[7]。其中，CNN 是深度學習在圖像處理上具有突出表現的一種網絡結構，包括圖像識別、目標檢測及圖像分割等。CNN 通常由卷積層、池化層及全連接層[8]組成。卷積核本質上是一種特殊的濾波器，可以提取某種特征在圖像上的分布特點，通過多種特征的組合抽象從而形成深度學習模型可以理解的高層特征。池化層旨在通過降低特征圖的分辨率并且實現特征的空間不變性，其通常位于兩個卷積層間，包括最大池化和平均池化。最大池化有利于提取圖像紋理而平均池化有利于提取圖像背景。全連接層通過權重調節從而實現分類功能。CNN 以其局部權值共享和感受野的結構特性在語音識別和圖像處理方面有著獨特的優越性。近年來先后涌現諸如AlexNet、VGG、GoogleNet、ResNet及DenseNet等圖像分類算法和R-CNN、Faster R-CNN、YOLO 及SSD 等目標檢測算法以及專用于醫學影像分割的U-Net 等基于CNN 技術的算法模型。目前，CNN 已經廣泛用于醫學圖像處理，并取得可喜的研究成果。

人工智能技術通過對海量數據的學習自動提取疾病特征，并可以覆蓋更廣泛的地區和人群從而具有良好的準確率和泛化能力，極大地減少漏診誤診；另一方面，利用計算機強大的數據處理能力，將醫生從耗時費力的工作中解脫出來，帶來更快速和精準的診斷。目前人工智能技術已經在醫學領域的多個領域展開研究并取得可喜的成績，并作為輔助診斷手段已經開始投入臨床使用。

GULSHAN 等[9]于2016年利用深度學習方法構建一個可以自動檢測糖尿病（diabetes mellitus,DM）視網膜病變和DM 黃斑水腫的算法。2017年，ESTEVA 等[10]利用深度學習模型開發出一項診斷能力可以與專家媲美的基于人工智能的皮膚癌診斷系統。2018年，LI 等[11]一項研究將人工智能技術應用于甲狀腺癌超聲診斷，實現超聲下甲狀腺癌的自動化高精度、高敏感性及高特異性診斷。此外CNN 還被應用于兒科多系統疾病人工智能輔助診斷系統的研究[12]。人工智能技術與醫療資源相結合，通過算法在海量的醫療病例中學習相關診斷規則，可以達到專家級別的診斷水平，可以有效降低疾病的漏診誤診，實現快速準確的疾病診斷，特別是對于醫療資源缺乏、醫療水平欠佳的地區，通過人工智能技術等可以實現優質醫療資源的共享。

2 人工智能技術在胃結腸鏡中的研究現狀

2.1 人工智能技術在普通白光胃鏡中的應用

普通胃鏡下白光檢查與活組織病理檢查是目前臨床對消化道疾病檢查和診斷的主要方法，尤其在Barrett 食管、食管癌的篩查及診斷上具有重要作用。JISU 等[13]對人工智能技術輔助內鏡下診斷進行大膽嘗試，他們采用262 張白光胃鏡下Barrett 食管的胃鏡圖像進行訓練學習，并構建CNN 模型。其中236 張圖片做為訓練集，另外26 張圖片作為測試集。該CNN模型對腸化生和食管癌的識別準確率為100%，模型分類的準確性為80.77%。該實驗結果提示，人工智能技術可以輔助胃鏡圖像下Barrett 食管的診斷，可以極大地節省病理組織活檢及時間成本。de GROOF 等[14]利用計算機輔助診斷系統利用對Barrett 食管顏色、紋理特征的訓練學習，開展計算機輔助診斷Barrett 食管前瞻性的研究，該研究納入40 例Barrett 食管與20 例非Barrett 食管患者的白光內鏡圖片，其檢測結果準確性為92%，敏感性為95%，特異性為85%，該系統可以對Barrett 食管進行準確檢測以及定位，是實現Barrett 食管自動診斷的重要一步。日本癌癥研究所的研究[15]利用CNN 對8 428 張食管癌圖片進行訓練學習，該系統可以檢測出＜10 mm 的食管癌病灶，并可以用98%的準確率將淺表食管癌與晚期食管癌加以區別。

人工智能技術輔助胃癌癌前病變及早癌診斷的研究也如火如荼。LEE 等[16]利用基于迭代強化學習的人工智能方法，實現人工智能自動對正常黏膜、良性潰瘍及胃癌的區分。該實驗由200 張正常黏膜、367 例胃癌胃鏡圖片及220 例潰瘍圖片組成，并用3個不同的模型進行比較，其中ResNet 模型的受試者工作特征曲線下面積達到0.97。浙江大學的科研團隊[17]利用CNN 針對胃息肉、糜爛及潰瘍等胃癌前病變，設計自動診斷系統GPDNet（gastric precancerous disease network, GPDNet），GPDNet 共1 331 張圖片納入研究，該系統利用紅外光譜法將測量精度提高到88.9%。人工智能技術對早期胃癌診斷的相關研究[18]也相繼開展，一項研究共納入5 159 張圖片，實驗結果提示人工智能技術對早期胃癌診斷的準確性為89.4%，敏感性為88.8%，特異性為89.7%。這些研究結果表明，人工智能技術有望在胃鏡檢查中幫助內鏡醫師發現早期胃癌，及早對患者進行醫療干預，提高患者生存質量，為患者及家屬帶來福音。復旦大學科研人員[19]開發可以確定胃癌侵襲深度的人工智能輔助內鏡檢查（convolutional neural network computer-aided detection,CNN-CAD）系統，該實驗采用790 張胃癌胃鏡圖片作為訓練集，203 張胃癌胃鏡圖片作為測試集，CNNCAD 系統測定胃癌侵襲深度準確性AUC 為0.94，敏感性為76.47%，特異性為95.56%，陽性和陰性預測值分別為89.66%、88.97%。該研究表明CNN-CAD系統可以協助內鏡醫師更準確判斷胃癌侵襲深度，以決定胃早癌患者是否行內鏡下胃早癌切除，改善患者預后。

2.2 人工智能技術在腸鏡中的研究進展

20 世紀90年代，計算機輔助息肉檢測系統首次被提出，使用基于像素區域增長的圖像分割方法提取大腸腸腔輪廓和檢查下消化道的病變。20 世紀90年代末，該研究方向主要結合黏膜紋理、顏色或混合智能模式分類分析方法，幫助檢測靜態腸鏡下的病變圖片。近年來基于CNN 的深度學習技術得到極大的發展，并且越來越多的研究已經將其結合腸鏡檢查，并取得很好的實驗效果。

2018年，GREGOR 等[20]開發基于深度學習的息肉識別定位診斷系統，實驗使用8 641 張腸鏡圖像作為訓練集，其中包括4 088 個含有息肉的圖像，4 553張沒有息肉的圖像，并使用其他4 種不同來源的腸鏡圖片數據集進行驗證。該模型可以實現實時識別和定位息肉，其對息肉識別定位的準確度為96.4%，受試者工作特征曲線下面積為0.991，該研究可以極大地提高內鏡醫師的腺瘤檢出率，降低結直腸癌發病風險。WANG 等[21]利用27 113 張腸鏡圖片開發一個用于息肉檢測的系統，該系統主要對訓練集是否存在息肉以及息肉大小分別進行訓練學習，結果顯示人工智能系統與內鏡醫師對息肉診斷的敏感性和特異性分別為94.38%和91.64%，進一步驗證人工智能技術可以輔助腸鏡下腸息肉的診斷。隨后，WANG 等[22]對人工智能輔助自動息肉和腺瘤檢出系統進行前瞻性和隨機對照實驗，該研究將1 058 例患者隨機分組至常規腸鏡檢查組和計算機輔助腸鏡檢查組。計算機輔助腸鏡檢查系統在微小腺瘤的診斷上較常規腸鏡檢查顯示出很大的優勢。該研究是目前為止人工智能領域為數不多的前瞻性隊列研究，表明人工智能在胃腸鏡領域的科學研究和臨床實踐中邁出堅實的一步。我國臺灣CHEN 等[23]同樣采用深度學習技術，實現腸鏡下對微小腸息肉的病理分類，并比較低年資內鏡醫師、高年資內鏡醫師及計算機智能診斷系統對息肉病理分類的敏感性、特異性等相關指標。實驗結果表明，計算機智能診斷系統的診斷能力超過初級職稱內鏡醫師，與高級職稱內鏡醫師相當。多項研究表明，人工智能技術在結直腸息肉的自動檢測、定位、定性上可以達到很高的診斷水平，大大地降低內鏡醫師因工作量大、工作經驗不足及工作疲勞等原因導致息肉漏診，提高內鏡醫師腺瘤檢出率，讓更多的患者在結直腸癌的癌前病變階段可以及時將病變切除，獲得更好的生活質量。

2.3 人工智能技術在膠囊內鏡中的研究進展

AOKI 等[24]開發一個膠囊內鏡人工智能診斷系統用于膠囊內鏡中糜爛和潰瘍的診斷，該系統使用深度CNN，將5 360 張糜爛和潰瘍圖片用于系統的訓練學習，并在10 440 張小腸內鏡圖像進行系統測試，該測試共用時233 s，診斷糜爛和潰瘍的受試者工作特征曲線下面積為0.958，敏感性、特異性及準確性分別為88.2%、90.9%和90.8%。但是，該系統中存在一定的假陽性，可能由于泡沫、碎片或者血管擴張導致。該實驗為回顧性實驗，仍需要多中心的驗證。此外，包括炎癥性腸病、小腸腫瘤在內的多種疾病也應該納入該系統中。

隨著計算機技術的高速發展，人工智能技術已經成為未來消化內鏡領域的重要研究方向。當前利用深度學習技術對消化內鏡圖像、視頻等數據的研究已經開展，并在針對腫瘤、息肉、增生和潰瘍等的識別與診斷中取得良好的成績。

目前研究人員使用深度學習等技術處理胃腸鏡圖像數據僅僅停留在病灶的識別與診斷階段。在已有研究中，所使用的胃腸鏡圖像數據數量較少且來源單一，雖然取得良好識別效果但具有局限性。臨床實踐中，疾病的預后也很重要，定時胃腸鏡隨訪檢查與人工智能技術中基于時間序列的研究相對應。當前基于RNN 與CNN 以及LSTM 等的組合模型在眼科疾病的預后診療中已經開展，并取得良好的結果，有望在胃腸鏡領域展開進一步研究[25]；同時數據的全面性、代表性、安全性以及數據標注的準確性等也是制約醫學人工智能發展的重要因素。總之，人工智能技術在消化道內鏡乃至醫學領域有著廣闊的發展前景。