人工智能應(yīng)用于食管癌臨床診療的專家共識(shí)

中國醫(yī)院協(xié)會(huì)介入醫(yī)學(xué)中心分會(huì)

一、我國食管癌的診療現(xiàn)狀

食管癌居中國惡性腫瘤發(fā)病率第六位，死亡率第四位，是我國常發(fā)、危害重大的疾病[1]。

全球每年新增食管癌患者近50%來自于中國，90%為食管鱗癌[2]。食管癌具有高浸潤性和淋巴結(jié)跳躍性轉(zhuǎn)移的特點(diǎn)，早期癥狀隱匿難以發(fā)現(xiàn)，中晚期食管梗阻、病灶浸潤和轉(zhuǎn)移嚴(yán)重影響患者生活質(zhì)量及生存預(yù)后。食管癌的主要治療方法如手術(shù)、化療、放療及靶向治療等已在我國廣泛推廣，但我國患者的五年生存率僅為30.3%，是我國必須自主攻克的重大疾病[3-4]。因此，如何早期診斷及精準(zhǔn)治療是食管癌臨床診療的重大難題，是提高五年生存率的關(guān)鍵[3]。

二、人工智能的定義、發(fā)展現(xiàn)狀及醫(yī)學(xué)應(yīng)用

人工智能（artificial intelligence，AI）是研究開發(fā)用于模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)與應(yīng)用系統(tǒng)的交叉學(xué)科，旨在讓機(jī)器能夠像人一樣學(xué)習(xí)、推理和自我修整[5]。在2018年世界分子影像大會(huì)上，斯坦福大學(xué)Sanjiv Sam Gambhir教授從醫(yī)生角度對AI做出了解讀，稱AI是指讓計(jì)算機(jī)做人類認(rèn)為智能的事情。而在更早的1956年，Dartmouth大學(xué)學(xué)者M(jìn)aCarthy在一次關(guān)于“復(fù)雜信號(hào)處理”的研討會(huì)中第一次提出AI這一術(shù)語。在隨后60多年的發(fā)展過程中，不同學(xué)科背景的研究人員對AI進(jìn)行了各自不同的理解，因此，AI領(lǐng)域共產(chǎn)生了三大學(xué)派：符號(hào)主義學(xué)派、連接主義學(xué)派和行為主義學(xué)派，其中，符號(hào)主義學(xué)派主張基于公理和邏輯體系實(shí)現(xiàn)人工智能；連接主義學(xué)派認(rèn)為AI源于仿生學(xué)，主張模仿人類的神經(jīng)元，用神經(jīng)元連接機(jī)制實(shí)現(xiàn)人工智能；而行為主義學(xué)派認(rèn)為AI源于控制論，其基礎(chǔ)是“感知—行動(dòng)”的反應(yīng)機(jī)制[6]。近年來，隨著計(jì)算機(jī)相關(guān)學(xué)科的跨越式發(fā)展，計(jì)算機(jī)的運(yùn)算和存儲(chǔ)能力得到大幅度提升，連接主義學(xué)派提出的人工智能技術(shù)得到了快速發(fā)展，也得到了學(xué)術(shù)和工業(yè)界的廣泛認(rèn)可，同時(shí)為醫(yī)學(xué)圖像分析和臨床應(yīng)用等領(lǐng)域提供了強(qiáng)有力的技術(shù)手段。下文的AI特指連接主義學(xué)派提出的用于圖像分析的方法技術(shù)。

隨著AI技術(shù)的日臻成熟和醫(yī)學(xué)影像數(shù)字化的發(fā)展，AI在醫(yī)學(xué)領(lǐng)域得到了廣泛的研究應(yīng)用，主要體現(xiàn)在疾病術(shù)前診斷、治療療效評估和預(yù)后預(yù)測等方面。在疾病診斷方面，AI自動(dòng)診斷系統(tǒng)對糖尿病視網(wǎng)膜病變、腫瘤原發(fā)灶和腦腫瘤病理類型等多種疾病的診斷精度接近臨床專家水平，能夠提高診斷的準(zhǔn)確性和效率，輔助進(jìn)行臨床診斷工作[7-9]。AI輔助膠囊內(nèi)鏡閱片極大地提高了工作效率和病灶的檢出率，已經(jīng)廣泛應(yīng)用于臨床[10]。在治療療效評估方面，多項(xiàng)研究工作表明，AI模型能夠良好地預(yù)測評估結(jié)直腸癌、宮頸癌等腫瘤的新輔助治療療效，輔助指導(dǎo)臨床治療決策[11-12]。此外，AI模型在肺癌和肝細(xì)胞癌等癌癥患者生存期等預(yù)后信息預(yù)測方面的成效也得到了驗(yàn)證[13-14]。其中，基于醫(yī)學(xué)影像大數(shù)據(jù)和AI技術(shù)的影像組學(xué)在臨床精準(zhǔn)診療的應(yīng)用最為成熟[15]。綜上所述，AI技術(shù)在醫(yī)學(xué)領(lǐng)域已經(jīng)開展了廣泛的基礎(chǔ)和應(yīng)用研究，將有助于改善臨床診療水平，提高醫(yī)療資源配置效率，助力精準(zhǔn)醫(yī)療。

三、食管癌診療亟待AI解決的問題

專家組認(rèn)為食管癌臨床診療的AI問題識(shí)別包括以下四個(gè)方面。

（一）早期診斷

研究表明早期食管癌患者的五年生存率顯著高于中晚期患者（85% vs 20%），因此，早期診斷食管癌是改善其預(yù)后的重要途徑[16]。《美國國家綜合癌癥網(wǎng)絡(luò)指南（National Comprehensive Cancer Network Guideline，NCCN指 南）》[17]及《中國癌癥篩查及早診早治指南》[18]將內(nèi)鏡輔以盧戈氏碘染色及靶向性活檢病理篩查作為食管癌的最佳篩查方案。其中，普通白光內(nèi)鏡（white light imaging，WLI）是常用的內(nèi)鏡檢查方法。然而，由于早期食管癌隱匿的特性，內(nèi)鏡檢查容易導(dǎo)致病灶漏診[19]。其他檢查方法包括放大內(nèi)鏡（magnifying endoscopy，ME）、窄帶成像（narrow band imaging，NBI）和激光共聚焦顯微內(nèi)鏡（confocal laser endomicroscopy，CLE）等[20]，圖1為典型的早期食管癌內(nèi)鏡圖像。盡管NBI較WLI和色素內(nèi)鏡可以明顯提高早期食管癌檢測率，但對操作者要求高，經(jīng)驗(yàn)不足的醫(yī)師敏感性明顯低于高年資醫(yī)師（53%vs 100%）。因此，開發(fā)AI輔助工具對減少經(jīng)驗(yàn)差異的影響具有重要意義[21]。

圖1 早期食管癌的內(nèi)鏡診斷

（二）病灶分級(jí)、分期以及疾病危險(xiǎn)分層

1.病灶分級(jí)及分期

食管癌侵犯深度和是否淋巴結(jié)轉(zhuǎn)移是決定治療決策的重要標(biāo)準(zhǔn)。其中，內(nèi)鏡下超聲是目前NCCN指南推薦食管癌淋巴結(jié)轉(zhuǎn)移的準(zhǔn)確的檢測手段[17]，但由于探測深度有限、存在主觀性、技術(shù)要求較高，且為入侵式檢查，尚未成為術(shù)前常規(guī)檢查在臨床中應(yīng)用。而食管癌容易發(fā)生跳躍性轉(zhuǎn)移，淋巴結(jié)轉(zhuǎn)移比例高達(dá)58%～64.2%[22]。因此，在術(shù)前準(zhǔn)確判斷食管癌淋巴結(jié)是否存在轉(zhuǎn)移對于治療決策尤為關(guān)鍵。基于液體活檢及影像組學(xué)用于診斷食管癌淋巴結(jié)轉(zhuǎn)移是目前的研究熱點(diǎn)之一。

2.危險(xiǎn)分層

食管癌治療決策的首要環(huán)節(jié)是對患者進(jìn)行預(yù)后預(yù)測，從而實(shí)現(xiàn)危險(xiǎn)分層，指導(dǎo)醫(yī)師選擇相應(yīng)的治療方案。目前，NCCN推薦在診療過程利用多種影像進(jìn)行分期、隨訪，包括頸胸部CT增強(qiáng)圖像及MR增強(qiáng)圖像、全身PET-CT影像；利用術(shù)后病理圖像判讀進(jìn)行術(shù)后分期[17]。基于影像及術(shù)后病理的解剖學(xué)腫瘤TNM分期（tumor node metastasis）是目前臨床診療的預(yù)后預(yù)測體系，但由于無法體現(xiàn)生物學(xué)特性、主觀性強(qiáng)等缺點(diǎn)，通常不夠準(zhǔn)確。基因是腫瘤內(nèi)分子異常的根源，影像及病理等臨床圖像是腫瘤組織及細(xì)胞的形態(tài)學(xué)表征，可以體現(xiàn)腫瘤異質(zhì)性[23]，隨著AI技術(shù)在食管癌影像、病理圖像及基因?qū)用娴膹V泛應(yīng)用，以上研究材料中蘊(yùn)含了大量與腫瘤生物學(xué)特性的信息，如何利用AI技術(shù)量化食管癌基因數(shù)據(jù)及臨床圖像的生物特性，進(jìn)而預(yù)測其預(yù)后價(jià)值是目前食管癌AI應(yīng)用的關(guān)鍵問題之一。

（三）療效預(yù)測的應(yīng)用方向

針對特定治療方式的療效預(yù)測的臨床價(jià)值更為明確。由于70%～90%的患者就診時(shí)已發(fā)展為局部晚期，單純手術(shù)效果不佳[24]，因此根治性放化療和術(shù)前新輔助放化療是目前NCCN指南推薦的主要治療方式[17]。目前大部分研究主要針對局部晚期食管癌以上兩種治療模式，利用現(xiàn)有臨床數(shù)據(jù)進(jìn)行療效及預(yù)后預(yù)測研究，為臨床決策提供明確的指導(dǎo)方案。

（四）分子生物信息學(xué)解析

隨著二代測序技術(shù)在腫瘤研究的廣泛應(yīng)用，海量的腫瘤基因數(shù)據(jù)在此過程中得以積攢，如何從中挖掘反映腫瘤關(guān)鍵生物學(xué)特性的基因，解析量化腫瘤微環(huán)境中復(fù)雜的分子通路網(wǎng)絡(luò)，從而用于評價(jià)臨床療效及預(yù)測生存結(jié)局，已成為目前的研究熱點(diǎn)。對于食管癌，由于其常見基因突變少見及變異度大，常規(guī)分析方法往往難以發(fā)現(xiàn)，而AI分析可為此提供解決方案。

四、數(shù)據(jù)管理

（一）內(nèi)鏡圖像采集及標(biāo)注要求

1.操作前準(zhǔn)備

（1）常規(guī)禁食禁水6～8 h，中晚期食管癌患者為避免食管潴留對圖片質(zhì)量的影響，建議禁食12 h，甚至更長時(shí)間。（2）預(yù)定活檢時(shí)，抗凝藥物、抗血小板藥物等必要時(shí)提前一定時(shí)間中止服用（華法林3～4 d，阿司匹林2 d，噻氯吡啶 5 d等）。（3）為避免黏液對圖片的影響，檢查前半小時(shí)，我們推薦服用蛋白酶0.5 g + 西甲硅油1 mL + 碳酸氫鈉1 g +水50 mL。（4）檢查前5 min，為抑制食管蠕動(dòng)與緊張以及胃液分泌對食管的影響，最好肌注解痙藥（70歲以上慎用，青光眼、前列腺增生肥大癥禁用）。

2.數(shù)據(jù)來源

采集設(shè)備應(yīng)當(dāng)包括國內(nèi)市場占有率超過5%的消化內(nèi)鏡品牌，采集設(shè)備須確保處于設(shè)備的有效期內(nèi)，數(shù)據(jù)需來自多中心內(nèi)鏡中心，醫(yī)療機(jī)構(gòu)層次、地域、患者特點(diǎn)具備多樣性，以保證AI普適性[25]。

3.采集過程

實(shí)施消化內(nèi)鏡影像采集的醫(yī)師須是熟練內(nèi)鏡操作并通過考核的醫(yī)師，具備500例以上的內(nèi)鏡操作經(jīng)驗(yàn)，經(jīng)過副主任級(jí)別醫(yī)師（操作經(jīng)驗(yàn)＞ 3 000 例）的培訓(xùn)，且學(xué)習(xí)和預(yù)錄入例數(shù)分別不低于20例，錄入結(jié)果經(jīng)3名副主任醫(yī)師評定合格后方可獨(dú)立采集數(shù)據(jù)[25]。采集過程注意事項(xiàng)包括：（1）操作時(shí)間不少于5 min。（2）每隔5 cm進(jìn)行間隔觀察。（3）發(fā)現(xiàn)可疑病灶，至少攝圖9張（方便后期訓(xùn)練AI建模）：白光鏡下遠(yuǎn)觀、近觀、典型邊界；電子染色下遠(yuǎn)觀、近觀、典型邊界；盧戈氏碘染下遠(yuǎn)觀、近觀、典型邊界；必要時(shí)進(jìn)行放大，結(jié)合IPCL分型進(jìn)行診斷。（4）為避免活檢后破壞表面結(jié)構(gòu)，不利于白光和染色+放大對病變的判斷，從而影響AI建模，活檢必須在白光和染色+放大觀察后，且已經(jīng)充分留圖后進(jìn)行。病灶圖像應(yīng)當(dāng)使用JPEG 等標(biāo)準(zhǔn)格式的原始數(shù)據(jù)，圖像分辨率不低于512像素×512像素。

4.圖像質(zhì)量評定及病灶分類

首先排除質(zhì)量較差的圖像，如暈狀、模糊、無法對焦或黏液較多，明顯影響評估。圖像病灶的分類標(biāo)準(zhǔn)為：（1）腫瘤，金標(biāo)準(zhǔn)為活檢病理；（2）良性病變，標(biāo)準(zhǔn)為病理或隨訪2年不變或至少8名經(jīng)驗(yàn)豐富（操作經(jīng)驗(yàn)＞ 3 000例）的內(nèi)鏡醫(yī)師共同確認(rèn)具有明確的良性表現(xiàn)；（3）假陽性病灶，包括皺褶、殘?jiān)馀莸取?/p>

5.標(biāo)注過程

建議標(biāo)注應(yīng)由至少3名醫(yī)師獨(dú)立完成，并通過匯總統(tǒng)計(jì)病灶的檢出、分類、定位的準(zhǔn)確性，標(biāo)注團(tuán)隊(duì)?wèi)?yīng)至少包括標(biāo)注醫(yī)師、標(biāo)注組長、仲裁專家三類醫(yī)師，建議標(biāo)注醫(yī)師由至少3年以上內(nèi)鏡操作經(jīng)驗(yàn)且操作1 000例以上的醫(yī)師擔(dān)任，標(biāo)注組長由至少5年以上內(nèi)鏡操作經(jīng)驗(yàn)且操作3 000例以上的醫(yī)師擔(dān)任，仲裁專家由至少8年以上內(nèi)鏡操作經(jīng)驗(yàn)且操作3 000例以上的醫(yī)師擔(dān)任，各批次標(biāo)注任務(wù)由多位標(biāo)注醫(yī)師獨(dú)立完成，并經(jīng)標(biāo)注組長、仲裁專家審核方可用于AI訓(xùn)練。結(jié)合病灶檢出分類定位流程[25]。標(biāo)記方法分兩種，包括：（1）粗標(biāo)記，主要是使用矩形方框包含病灶，方框邊盡量靠近病灶邊緣；（2）精細(xì)標(biāo)記，對病理對應(yīng)部位的圖像手工勾畫病灶輪廓。

（二）CT圖像采集及標(biāo)注要求

采用胸部及上腹部平掃及增強(qiáng)掃描，掃描范圍覆蓋食管癌區(qū)域淋巴結(jié)，從鎖骨上窩淋巴結(jié)到腹腔干淋巴結(jié)。患者取仰臥位，檢查前口服800～1 000 mL生理鹽水充盈胃腔，一次屏氣完成全程掃描。一般采用常規(guī)劑量，120 kV，160～280 mAs或自適應(yīng)電流，矩陣512×512，重建視野＞ 350 mm，重建層厚≤5 mm，近年來大部分研究采用薄層（1～2 mm），標(biāo)準(zhǔn)算法重建。肘靜脈注射CT非離子型造影劑，按照1.5～2 mL/kg計(jì)算總量，流速3 mL/s，接著以同樣流速注射20～30 mL生理鹽水，優(yōu)化增強(qiáng)效果且最大程度避免上腔靜脈及右心系統(tǒng)的射線硬化偽影。通常進(jìn)行雙期增強(qiáng)，動(dòng)脈期與靜脈期分別為30～40 s和 60～80 s。

食管腔常常處于閉合狀態(tài)，食管癌組學(xué)研究普遍使用動(dòng)脈期圖像進(jìn)行標(biāo)注，原因可能為動(dòng)脈期病灶明顯強(qiáng)化，與周圍正常組織有較大密度差異。淋巴管侵犯是食管癌不良預(yù)后的獨(dú)立影響因素[26]。有研究表明，存在淋巴管侵犯時(shí)，腫瘤靜脈期（60～80 s）強(qiáng)化幅度可能會(huì)增加，因?yàn)槠浞从沉嗽煊皠┰诮M織間隙中的擴(kuò)散[27]。因此，采用靜脈期圖像進(jìn)行標(biāo)注可能會(huì)獲得更有價(jià)值的預(yù)后相關(guān)特征。

圖像標(biāo)注包括粗略標(biāo)注與精細(xì)標(biāo)注[28]。粗略標(biāo)注常被用于目標(biāo)檢測等對病灶邊界標(biāo)注要求較低的任務(wù)。而食管位于一個(gè)不規(guī)則縱隔空間內(nèi)，與周圍正常組織緊密相鄰，常常無法區(qū)分，因此，當(dāng)前食管癌CT組學(xué)研究普遍采用精細(xì)標(biāo)注，沿肉眼可見的食管腫瘤邊緣或食管結(jié)構(gòu)進(jìn)行勾勒，根據(jù)研究目的勾畫病灶最大橫斷面的感興趣區(qū)（region of interest，ROI），連續(xù)若干最大橫斷面的 ROI，或整個(gè)腫瘤的感興趣容積（volume of interest，VOI）。以ITK-SNAP軟件為例，勾畫前將圖像調(diào)整至最佳窗寬（250～350 HU）、窗位（40～60 HU），確定病灶位置及范圍；早期病變定位困難，可結(jié)合胃鏡、食管造影及PET/CT等檢查，再通過三維多角度觀察確定病灶位置。勾畫時(shí)沿腫瘤輪廓進(jìn)行手動(dòng)分割，避免將食管腔內(nèi)氣體、液體、導(dǎo)管等結(jié)構(gòu)納入ROI范圍內(nèi)。可通過閾值法移除小于-50 HU或大于300 HU的結(jié)構(gòu)。此外，動(dòng)脈期圖像標(biāo)注時(shí)需注意避開走行于右后方的奇靜脈，可結(jié)合靜脈期圖像辨認(rèn)其輪廓。食管病變周圍的腫大淋巴結(jié)常常與腫瘤無法區(qū)分，需根據(jù)研究目的選擇是否包含周圍腫大淋巴結(jié)或盡可能避開。圖2為食管癌ROI示例。

圖2 食管癌CT精細(xì)標(biāo)注示意圖

（三）PET/CT圖像采集及標(biāo)注要求

患者檢查前禁食至少4～6 h，4～6 h內(nèi)禁止喝含糖飲料，不輸含葡萄糖的靜脈輸液或靜脈營養(yǎng)；測量身高體重；測定血糖，血糖不能高于11.1 mmol/L；注射18F-FDG前平靜休息10～15 min，靜脈注射18F-FDG的量通常為0.1～0.2 mCi/kg。因顯像儀器不同，劑量可以適當(dāng)調(diào)整。

患者注射顯像劑后在安靜避光的房間休息60 min，于顯像前排空膀胱，取下身上的金屬等高密度物品。患者體位為仰臥位雙手抱頭，注射18F-FDG 60 min后開始顯像，掃描范圍一般為顱底至大腿中段，采用CT進(jìn)行定位掃描，PET使用3D采集，利用CT數(shù)據(jù)進(jìn)行衰減校正，一般采用低mA/s（X射線管電壓為120 kV，電流峰值為20～120 mA）。PET圖像重建采用有序子集最大期望值迭代法進(jìn)行（ordered subset expectation maximisation algorithm，OSEM）重建，矩陣大小為 128×128 或者 256×256，體素大小一般為 4×4×4 或者 4×4×5 mm。

圖像標(biāo)注方面，建議對CT和PET圖像同時(shí)進(jìn)行ROI勾畫，ROI包括腫瘤原發(fā)灶、轉(zhuǎn)移淋巴結(jié)、遠(yuǎn)處轉(zhuǎn)移灶，或根據(jù)研究需要的相應(yīng)ROI（如特定正常等）。

（四）MRI圖像采集及標(biāo)注要求

MRI檢查尚未被常規(guī)應(yīng)用于食管癌診療中。近來報(bào)告的兩個(gè)食管癌MR組學(xué)研究，一個(gè)采用西門子的T2-TSE-BLADE和增強(qiáng)StarVIBE序列對整個(gè)腫瘤進(jìn)行圖像標(biāo)注[29]；另一個(gè)采用飛利浦的T2W-和SPAIR T2W序列對最大橫斷面腫瘤進(jìn)行標(biāo)注[30]。這些序列有較高的組織分辨率，可反映病變內(nèi)部豐富的組織成分差異。與CT圖像標(biāo)注一樣，在MRI圖像上進(jìn)行標(biāo)注，應(yīng)盡可能包含所有可見腫瘤信號(hào)區(qū)域，沿著病灶邊緣進(jìn)行勾畫，避免包括腔內(nèi)氣體、液體及胸椎；根據(jù)研究目的，考慮是否包括腫瘤周圍淋巴結(jié)。

（五）病理圖像采集及標(biāo)注要求

需要采集研究時(shí)間點(diǎn)（如接受抗腫瘤治療前3周內(nèi)）完成相應(yīng)活檢或手術(shù)，從而取得腫物等組織，完成福爾馬林固定、石蠟包埋、切片、染色，利用高通量全切片數(shù)字掃描儀對其進(jìn)行掃描，建議放大倍數(shù)設(shè)定為40×物鏡，以0.23 μm/像素的分辨率獲得病理全切片圖像。需要病理醫(yī)師排除存在大量空泡、折痕、染色不佳及腫瘤成分＜1%的病例。利用自動(dòng)化算法對病理圖像進(jìn)行染色標(biāo)準(zhǔn)化，提高各病理切片的顏色表征的一致性。以上所有圖像及信息保存時(shí)采用研究號(hào)匿名化處理。

病理圖像的標(biāo)注極為重要，根據(jù)既往研究經(jīng)驗(yàn)[31-32]，建議對病理圖像進(jìn)行區(qū)域劃分：針對不同細(xì)胞組織分類，比如脂肪組織、背景、癌巢、壞死、淋巴細(xì)胞、平滑肌、黏液腺、正常黏膜上皮[32]；針對腫瘤微環(huán)境的不同區(qū)域分類，如癌巢、癌巢壞死區(qū)域、癌內(nèi)淋巴細(xì)胞浸潤區(qū)域、基質(zhì)淋巴細(xì)胞浸潤區(qū)域[31]。

五、圖像特征提取及特征篩選要求

關(guān)鍵影像特征的提取和篩選AI模型的構(gòu)建至關(guān)重要。定量影像特征包含影像組學(xué)特征和深度學(xué)習(xí)特征。Robert Gillies等在非小細(xì)胞肺癌預(yù)后研究中整理歸納了影像組學(xué)特征，主要包含一階統(tǒng)計(jì)量特征、形狀大小特征、紋理特征和小波分量特征，研究表明影像組學(xué)特征與患者預(yù)后及分子信息具有較好的相關(guān)性[33]。與影像組學(xué)特征相比，深度學(xué)習(xí)特征是針對某個(gè)特定的臨床診療任務(wù)由深度學(xué)習(xí)模型從感興趣區(qū)域中自動(dòng)學(xué)習(xí)到的，其具有較強(qiáng)的特異性，往往能夠針對該任務(wù)具有較好的預(yù)測性能。通常，深度學(xué)習(xí)模型中最后的全連接層被當(dāng)作深度學(xué)習(xí)特征。此外，影像組學(xué)特征是根據(jù)人為設(shè)計(jì)的數(shù)學(xué)公式從感興趣區(qū)域中計(jì)算出來的，往往具有良好的可解釋性；而深度學(xué)習(xí)特征是AI模型從感興趣區(qū)域中自動(dòng)學(xué)習(xí)到的，其可解釋性較差。此外，不同成像設(shè)備、參數(shù)和重建參數(shù)對影像特征影響較大；而在不同中心間標(biāo)準(zhǔn)化成像采集平臺(tái)和參數(shù)是不實(shí)際的[34]。影像和特征的標(biāo)準(zhǔn)化，如ComBat標(biāo)準(zhǔn)化[35]，可以在一定程度上校正由不同成像協(xié)議造成的影像特征差異。

高維特征通常包含了大量不相關(guān)和冗余的信息，這容易導(dǎo)致AI模型的過度擬合現(xiàn)象，即模型對未見過的數(shù)據(jù)（外部驗(yàn)證集）的表現(xiàn)性能差。因此，特征篩選有助于提升AI模型的穩(wěn)定性和泛化性。在基于醫(yī)學(xué)影像的AI研究中，最小絕對收縮選擇算子（the least absolute shrinkage and selection operator，LASSO）[36]和最大相關(guān)最小冗余（maximal relevance and minimal redundancy，MRMR）[37]是最常用的特征篩選算法。由于醫(yī)學(xué)影像樣本量較小，影像特征在單一研究入組的數(shù)據(jù)集中的分布情況和全數(shù)據(jù)集中有所偏差，因此，應(yīng)融合多種特征篩選算法結(jié)果或者一種特征篩選算法在不同子樣本中的結(jié)果，以增強(qiáng)特征篩選結(jié)果的穩(wěn)定性和有效性[8]。

建議：在食管癌AI應(yīng)用研究中，圖像標(biāo)準(zhǔn)化和特征標(biāo)準(zhǔn)化可以緩解圖像采集和重建參數(shù)對影像特征的影響；在構(gòu)建AI模型前，可篩選出對不同圖像采集和重建參數(shù)穩(wěn)定的影像特征，以增強(qiáng)AI模型的泛化性能；融合多種特征篩選算法結(jié)果和單一算法在不同子樣本中篩選結(jié)果可增強(qiáng)篩選到關(guān)鍵特征的穩(wěn)定性和有效性。

六、模型構(gòu)建和驗(yàn)證

目前，醫(yī)學(xué)領(lǐng)域常用的AI算法主要分為傳統(tǒng)機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法。傳統(tǒng)機(jī)器學(xué)習(xí)算法是基于特征工程開展研究，需要根據(jù)領(lǐng)域內(nèi)專家的經(jīng)驗(yàn)知識(shí)進(jìn)行特征的量化設(shè)計(jì)。通常來說，傳統(tǒng)機(jī)器學(xué)習(xí)算法更加適用于小樣本量的研究，且訓(xùn)練時(shí)間較短。常見的傳統(tǒng)機(jī)器學(xué)習(xí)算法包括邏輯回歸、支持向量機(jī)（support vector machine，SVM）、隨機(jī)森林（random forest）、樸素貝葉斯（naive Bayes）等。深度學(xué)習(xí)算法是基于數(shù)據(jù)驅(qū)動(dòng)的，具有強(qiáng)大的特征學(xué)習(xí)能力，可以從數(shù)據(jù)中充分挖掘到可表征分類任務(wù)的有效特征，同時(shí)避免了傳統(tǒng)機(jī)器學(xué)習(xí)算法中特征設(shè)計(jì)、提取和篩選等繁瑣的過程。與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)算法往往需要更大的數(shù)據(jù)量、更高的計(jì)算機(jī)算力、更長的模型訓(xùn)練時(shí)間。目前，深度學(xué)習(xí)算法已在諸如目標(biāo)檢測、識(shí)別、跟蹤等多種場景下的計(jì)算機(jī)視覺任務(wù)中達(dá)到最先進(jìn)水平（state-of-the-art）[38-40]。典型的深度學(xué)習(xí)算法包括卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNN）、深度置信網(wǎng)絡(luò)（deep belief network，DBN）等。其中，CNN是目前醫(yī)學(xué)影像分析領(lǐng)域最常用的深度學(xué)習(xí)算法，在該算法中，卷積層編碼醫(yī)學(xué)圖像的局部信息；池化層抽取關(guān)鍵特征，減少特征空間大小，同時(shí)有效地減少計(jì)算量；非線性的激活層使得該模型學(xué)習(xí)輸入特征與輸出特征之間的非線性映射關(guān)系。通過卷積層、池化層和激活層的交替堆疊，CNN避免了AI模型構(gòu)建過程中繁瑣的特征提取和篩選步驟，而隱式地從醫(yī)學(xué)圖像中挖掘關(guān)鍵的影像特征。

在機(jī)器學(xué)習(xí)模型訓(xùn)練時(shí)，最好在訓(xùn)練集中采用K折交叉驗(yàn)證的方式尋找最優(yōu)的模型參數(shù)以構(gòu)建機(jī)器學(xué)習(xí)模型；遷移學(xué)習(xí)（transfer learning）通常被用于訓(xùn)練深度學(xué)習(xí)模型，以解決醫(yī)學(xué)影像樣本量小的問題，即首先在大樣本量的數(shù)據(jù)集上訓(xùn)練深度學(xué)習(xí)模型，然后在入組數(shù)據(jù)集中對預(yù)訓(xùn)練模型進(jìn)行微調(diào)（fine tune）。遷移學(xué)習(xí)的有效性在乳腺癌分類和淋巴結(jié)檢測工作中得到了很好的驗(yàn)證[41-42]。在模型驗(yàn)證時(shí)，除了內(nèi)部驗(yàn)證集，來自不同中心的外部驗(yàn)證集也是不可或缺的。同時(shí)，一些性能指標(biāo)常被用來評價(jià)模型的優(yōu)劣，如準(zhǔn)確率、曲線下面積、特異性、敏感性、陽性和陰性預(yù)測值等。

建議：在醫(yī)學(xué)影像樣本量小時(shí)，采用傳統(tǒng)機(jī)器學(xué)習(xí)算法或遷移學(xué)習(xí)構(gòu)建AI模型；采用多中心的外部驗(yàn)證集對模型的泛化性進(jìn)行驗(yàn)證。

七、AI技術(shù)在食管癌臨床應(yīng)用現(xiàn)狀及建議

（一）AI技術(shù)在內(nèi)鏡圖像的臨床應(yīng)用現(xiàn)狀

1.AI在食管癌內(nèi)鏡早期診斷中的應(yīng)用

使用WLI及NBI內(nèi)鏡高質(zhì)量的靜態(tài)圖像訓(xùn)練AI，由于訓(xùn)練數(shù)據(jù)質(zhì)量較高，其檢測食管癌的敏感性達(dá)到98%[43]，準(zhǔn)確性與專家無差異，且速度更快（22 s vs 210 min），可以顯著提高臨床工作效率[44]。在更接近臨床實(shí)際的動(dòng)態(tài)內(nèi)鏡視頻測試下，AI檢測腫瘤的準(zhǔn)確性仍然優(yōu)于高年資的內(nèi)鏡醫(yī)師（88%vs 75%）[45]。在診斷虛擬的漏診淺表性食管癌病例中，AI模型敏感性明顯優(yōu)于醫(yī)師（85.7% vs 75%），證明AI技術(shù)能降低食管癌漏診率[46]。2002年內(nèi)鏡專家總結(jié)消化道早期病變的分類方法，將食管黏膜表面微血管變化（intraepillary capillary，IPCLs）作為診斷組織異型性的唯一可靠征象[47]。基于ME-NBI數(shù)據(jù)訓(xùn)練的AI模型鑒別正常與異常IPCL的準(zhǔn)確性達(dá)到93.7%[48]，提示基于IPLC形態(tài)學(xué)的AI系統(tǒng)有利于實(shí)現(xiàn)食管癌早期診斷。細(xì)胞內(nèi)鏡通過放大500～900倍的內(nèi)鏡觀察消化道表面上皮細(xì)胞，可以在非活檢情況下實(shí)現(xiàn)消化道病理檢查，利用細(xì)胞內(nèi)鏡圖像訓(xùn)練AI模型，其鑒別診斷食管良惡性病變的準(zhǔn)確性達(dá)到90.9%，可望輔助內(nèi)鏡醫(yī)師獨(dú)立開展食管癌診斷[49]。最大規(guī)模訓(xùn)練測試數(shù)據(jù)（84 424例）的上消化道內(nèi)鏡AI研究，其前瞻性內(nèi)部驗(yàn)證的準(zhǔn)確性為92.7%，外部驗(yàn)證的準(zhǔn)確性為91.5%～97.7%，接近專家級(jí)醫(yī)師（94.2% vs 94.5%），但是該研究中食管癌僅占27%，而其中早期食管癌的比例未知，因此該系統(tǒng)對早期食管癌的檢測診斷效能有待進(jìn)一步分析[50]。

建議：由于同步使用AI進(jìn)行內(nèi)鏡檢查可能會(huì)影響醫(yī)師的判斷，比如醫(yī)師過度信賴AI的準(zhǔn)確性導(dǎo)致專注度降低，建議僅在常規(guī)胃鏡檢查后使用AI作為第二閱讀者處理保留的圖像或視頻，為醫(yī)師指出額外的病灶，以降低漏診率[51-52]。如果AI由大數(shù)據(jù)訓(xùn)練，并且經(jīng)過前瞻性多中心數(shù)據(jù)充分驗(yàn)證，檢測、診斷效能至少達(dá)到專家級(jí)內(nèi)鏡醫(yī)師水平，可以考慮將其融合到內(nèi)鏡實(shí)時(shí)檢查過程，以提高工作效率以及指導(dǎo)更有針對性的活檢。

2.AI技術(shù)在預(yù)測食管癌侵犯深度方面的應(yīng)用

食管癌侵犯深度是決定治療決策的重要標(biāo)準(zhǔn)之一。對于食管癌局限于黏膜固有層或黏膜肌層（T1a）可以采用內(nèi)鏡切除，侵犯黏膜下層（T1b）則往往需要接受手術(shù)治療[53]。常規(guī)內(nèi)鏡診斷食管癌侵犯深度的準(zhǔn)確性分別僅為65.3%～71.4%[54]，雖然內(nèi)鏡超聲對T1a分期診斷的敏感性和特異性達(dá)到85%和87%，但是主觀差異較大[55]。基于內(nèi)鏡靜態(tài)圖像訓(xùn)練的AI區(qū)分淺表型食管癌浸潤深度（黏膜下層上1/3、中1/3、下1/3）的準(zhǔn)確性達(dá)到91.0%，與經(jīng)驗(yàn)豐富的醫(yī)師接近（89.6%），該研究提示AI可望用于判斷食管癌侵犯深度[56]。為了進(jìn)一步提高AI的實(shí)用性，另有團(tuán)隊(duì)使用常規(guī)及放大內(nèi)鏡視頻訓(xùn)練AI模型，雖然這些數(shù)據(jù)包含清晰度欠佳的非聚焦圖像，AI判斷腫瘤侵犯深度的準(zhǔn)確性仍然優(yōu)于內(nèi)鏡專家（87%～89% vs 84%～85%），提示AI在預(yù)測侵犯深度方面具有重要應(yīng)用前景[57]。

建議：目前單中心小樣本研究證明AI判斷食管癌深度方面具有較好的準(zhǔn)確性，可為內(nèi)鏡醫(yī)師提供參考，其泛化性和實(shí)用性有待多中心前瞻性研究進(jìn)一步驗(yàn)證。

（二）AI技術(shù)在CT圖像的應(yīng)用現(xiàn)狀

CT在食管癌臨床應(yīng)用更為廣泛，因此基于CT的影像預(yù)測模型的可推廣性具有一定優(yōu)勢。首先在淋巴結(jié)轉(zhuǎn)移預(yù)測方面，通過傳統(tǒng)的Logistic回歸方法（logistic regression，LR）對術(shù)前臨床、影像及病理特征進(jìn)行篩選，建立模型可預(yù)測食管癌淋巴結(jié)轉(zhuǎn)移[58-62]，其AUC值為0.758～0.820。在此基礎(chǔ)上通過人工神經(jīng)網(wǎng)絡(luò)方法（artificial neural network，ANN）建立模型，其診斷準(zhǔn)確性及AUC值均明顯優(yōu)于LR模型（ANN vs LR：準(zhǔn)確性0.907 vs 0.745，P＜0.001；AUC 值 0.915 vs 0.868，P＜0.001）[63]。Wu等[64]基于影像組學(xué)方法預(yù)測淋巴結(jié)轉(zhuǎn)移的ROI選擇絕大部分是影像可見食管腫瘤組織，選擇術(shù)前動(dòng)脈期CT腫瘤最大層面作為ROI來建立臨床影像組學(xué)模型預(yù)測食管癌淋巴結(jié)轉(zhuǎn)移，內(nèi)部及外部驗(yàn)證集的AUC值分別達(dá)0.874、0.851。需要指出的是，目前的食管癌淋巴結(jié)組學(xué)研究均選用術(shù)前腫瘤作為ROI來預(yù)測個(gè)體是否存在淋巴結(jié)轉(zhuǎn)移，尚未對淋巴結(jié)特征進(jìn)行挖掘。腸癌及肺癌淋巴結(jié)轉(zhuǎn)移預(yù)測的研究表明[65]，直接以淋巴結(jié)作為ROI建立模型，其診斷性能優(yōu)于以腫瘤作為ROI的模型。然而，淋巴結(jié)ROI尚未應(yīng)用于食管癌的淋巴結(jié)影像組學(xué)研究中，原因可能為淋巴結(jié)ROI的人工分割工作繁瑣。實(shí)現(xiàn)對單個(gè)淋巴結(jié)是否存在腫瘤轉(zhuǎn)移的個(gè)體預(yù)判，特別是診斷難度大的細(xì)小淋巴結(jié)，對術(shù)前評估尤為重要。

在療效預(yù)測方面，Jin等[66]發(fā)現(xiàn)整合治療前CT影像組學(xué)特征、放療劑量學(xué)參數(shù)及患者一般信息，可預(yù)測食管癌根治性放化療療效，預(yù)測準(zhǔn)確性 達(dá)0.708，AUC值 為0.689。Xie等[67]進(jìn) 一 步改進(jìn)影像分析的方法，通過細(xì)化解析食管癌原發(fā)灶7個(gè)子區(qū)域的CT影像，提取其影像組學(xué)特征，通過LASSO等經(jīng)典的機(jī)器學(xué)習(xí)方法，構(gòu)建影像組學(xué)預(yù)后預(yù)測模型，預(yù)測3年生存率的一致性指數(shù)（coincidence dense，C指數(shù)）為0.705～0.729，并發(fā)現(xiàn)篩選的影像特征與腫瘤拷貝數(shù)變異（copy number alterations，CNAs）顯著相關(guān)。隨著多種人工智能方法分析在多種腫瘤表征取得顯著的效果，Hu等[68]對比了現(xiàn)有6種人工智能方法，用于分析161例接受新輔助放化療的局部晚期食管鱗癌患者的完全緩解率，發(fā)現(xiàn)ResNet50-SVM方法的預(yù)測效能最高，AUC值達(dá)0.805～0.901，明顯高于基于手工特征的影像組學(xué)模型（AUC值0.725～0.822）；此外他們通過分析28例患者的RNA表達(dá)信息，發(fā)現(xiàn)細(xì)胞外基質(zhì)及WNT信號(hào)通路基因異常與篩選的影像分?jǐn)?shù)最相關(guān)，其次為TGF-β（transforming growth factorβ）和肽類激素（peptide hormone）信號(hào)通路基因等。

建議：亟待對淋巴結(jié)的影像組學(xué)特征進(jìn)行細(xì)化研究，實(shí)現(xiàn)對淋巴結(jié)的個(gè)體化精準(zhǔn)診斷。基于AI的CT圖像預(yù)測方法入侵性小，但其穩(wěn)健性及普適性仍需要在多中心、真實(shí)世界大數(shù)據(jù)中進(jìn)行驗(yàn)證。

（三）AI技術(shù)在PET/CT圖像的應(yīng)用現(xiàn)狀

PET-CT作為同時(shí)反映腫瘤代謝與組織結(jié)構(gòu)的功能影像，目前已廣泛應(yīng)用于臨床。在根治性放化療這一應(yīng)用場景上，早在2009年，Javeri等[69]已發(fā)現(xiàn)治療前腫瘤原始標(biāo)準(zhǔn)攝取值（initial standardized uptake value，iSUV）與胃食管癌的放化療近期療效和長期生存相關(guān)。2011年，Ganeshan等[70]將紋理分析技術(shù)用于治療前PET-CT，將腫瘤異質(zhì)性定義為腫瘤紋理紊亂，發(fā)現(xiàn)腫瘤異質(zhì)性與SUV最大值和SUV平均值相關(guān)；腫瘤異質(zhì)性越高，分期越晚，并且可獨(dú)立預(yù)測患者生存。而在術(shù)前新輔助放化療的領(lǐng)域，Cao等[61]發(fā)現(xiàn)基于PET-CT的影像組學(xué)模型與腫瘤同期放化療后近期退縮密切相關(guān)。Kukar等[71]認(rèn)為治療前后PET-CT食管腺癌SUV差值少于45%與新輔助放化療后疾病殘留有關(guān)，陽性預(yù)測值為91.7%。Beukinga進(jìn)一步用機(jī)器學(xué)習(xí)方法獲得治療后PET-CT的影像組學(xué)特征，發(fā)現(xiàn)結(jié)合T分期及治療后PET-CT影像組學(xué)特征，可精準(zhǔn)預(yù)測術(shù)前新輔助放化療療效。Ypsilantis等[72]引入CNN，從治療前PET-CT中自動(dòng)提取關(guān)鍵特征，用于預(yù)測食管癌新輔助化療療效，預(yù)測效能優(yōu)于基于手工提取影像特征的傳統(tǒng)機(jī)器學(xué)習(xí)算法。Xie等[73]進(jìn)一步優(yōu)化建模方法，在106例接受新輔助放化療 +手術(shù)患者中，基于與生存密切相關(guān)的差異表達(dá)基因，進(jìn)一步從海量影像特征篩選出與上述基因關(guān)聯(lián)的關(guān)鍵特征，從而建立基因驅(qū)動(dòng)的影像組學(xué)預(yù)測模型，并證實(shí)其優(yōu)于未經(jīng)過基因篩選的影像模型。這一方法為解決醫(yī)學(xué)圖像分析中的可解釋性難題提供了新思路。

建議：需要針對食管癌關(guān)鍵臨床問題，建立穩(wěn)健、高效和高可解釋性的AI分析模型，充分挖掘及解譯PET-CT提供的功能和結(jié)構(gòu)雙源信息，以指導(dǎo)食管癌精準(zhǔn)治療。

（四）AI技術(shù)在MRI圖像的應(yīng)用現(xiàn)狀

由于MRI對軟組織的分辨率更高，加之MRI掃描門控技術(shù)也可避免呼吸運(yùn)動(dòng)造成的偽影，因此適用于食管腫瘤及縱隔淋巴結(jié)的評估。Qu等[29]分析181例食管癌患者的治療前MRI，發(fā)現(xiàn)基于MRI的影像組學(xué)診斷淋巴結(jié)轉(zhuǎn)移的AUC值可達(dá)到0.82。Hou等[30]對68例根治性放化療的食管鱗癌患者進(jìn)行療效預(yù)測，采用兩種方法——支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）構(gòu)建模型，發(fā)現(xiàn)SPAIR-T2W和T2W均有較高的預(yù)測準(zhǔn)確性，前者優(yōu)于后者（0.843 vs 0.719）。

建議：受限于MRI在食管癌常規(guī)診療中的應(yīng)用，基于MRI的人工智能研究尚處于起步階段。MRI多參數(shù)成像能在AI研究中提供更多圖像信息，用于食管癌淋巴結(jié)轉(zhuǎn)移、放化療療效判斷及預(yù)后預(yù)測。

（五）AI技術(shù)在病理的應(yīng)用現(xiàn)狀

近年來，隨著高通量全切片數(shù)字掃描儀等可將傳統(tǒng)病理玻片進(jìn)行批量數(shù)字化，并轉(zhuǎn)化為高分辨率的病理全切片圖像的設(shè)備的廣泛應(yīng)用，數(shù)字化病理圖像得到了推廣。基于AI的醫(yī)學(xué)圖像分析技術(shù)為細(xì)化分析高清的病理全切片圖像提供了契機(jī)。目前，AI已實(shí)現(xiàn)了對病理全切片圖像中的腫瘤細(xì)胞及其環(huán)境中的其他細(xì)胞進(jìn)行自動(dòng)分割和量化分析，其在判斷乳腺癌轉(zhuǎn)移[74]、預(yù)測結(jié)直腸癌預(yù)后[32]及膠質(zhì)瘤分子特征[75]等應(yīng)用場景也顯示出強(qiáng)大的潛力，因此也逐漸成為了近年來的研究熱點(diǎn)。食管癌的病理學(xué)形態(tài)[76]及免疫組化特征[77]被證實(shí)與患者預(yù)后密切相關(guān)，但受限于病理醫(yī)師短缺和人工判讀的主觀性，AI技術(shù)目前在食管癌病理分析的應(yīng)用極少。2021年7月31日，本研 究 以“esophageal carcinoma”、“digital pathology”和“artificial intelligence”為關(guān)鍵詞在PUBMED檢索，未見相關(guān)研究，說明了巨大的需求缺口。

建議：將AI醫(yī)學(xué)圖像分析技術(shù)應(yīng)用于輔助病理醫(yī)師快速診斷食管癌淋巴結(jié)轉(zhuǎn)移、預(yù)測食管癌預(yù)后及藥物敏感性，是未來非常有前景的方向。

（六）AI技術(shù)在基因分析的應(yīng)用現(xiàn)狀

隨著腫瘤基礎(chǔ)研究的深入，AI輔助下的基因分析將進(jìn)一步助益于腫瘤生物信息分析，提高生物信息分析探究腫瘤復(fù)雜的生物通路網(wǎng)絡(luò)的能力，為基因信息在臨床廣泛推廣應(yīng)用打下堅(jiān)實(shí)基礎(chǔ)。Mourikis等[78]利用SVM構(gòu)建了穩(wěn)健的分析方法，利用34個(gè)已知癌癥基因的生物學(xué)特性，明確了952個(gè)已知的驅(qū)動(dòng)基因促使食管腺癌發(fā)展的輔助基因。Warnecke-Eberz等[80]從患者的治療前RNA表達(dá)情況，篩選出17個(gè)基因用于準(zhǔn)確預(yù)測新輔助放化療療效。此外，在甄別食管病灶[79]及淋巴結(jié)的良惡性上，AI輔助的基因分析均顯示出強(qiáng)大的效能，例如Kan等[80]通過AI分析28例患者治療前外周血中8 094個(gè)cDNA基因的表達(dá)情況，篩選出60個(gè)基因判斷淋巴結(jié)轉(zhuǎn)移的敏感性為88%，特異性為82%。

建議：將AI技術(shù)應(yīng)用于食管癌基因信息分析，可更好地量化解析復(fù)雜的分子生物通路網(wǎng)絡(luò)，有助于食管癌的精準(zhǔn)診療。

八、AI在食管癌診療中待解決的問題和未來發(fā)展方向

（一）AI建模過程中的數(shù)據(jù)問題及建議

雖然現(xiàn)階段研究表明AI在食管癌早期診斷、精準(zhǔn)分期及預(yù)后預(yù)測等方面取得了開拓性進(jìn)展，但是，由于醫(yī)學(xué)領(lǐng)域的特殊性和深度學(xué)習(xí)的局限性，AI在食管癌臨床應(yīng)用仍面臨著重大挑戰(zhàn)。首先，多中心前瞻性食管癌AI研究有待開展。目前大部分研究中食管癌AI模型都是在單中心回顧性數(shù)據(jù)集合上進(jìn)行構(gòu)建和驗(yàn)證的，由于AI模型強(qiáng)大的擬合能力，導(dǎo)致常常出現(xiàn)AI模型的過擬合現(xiàn)象，因此需要通過多中心前瞻性食管癌影像數(shù)據(jù)驗(yàn)證AI模型的泛化能力。其次，由于食管癌影像數(shù)據(jù)質(zhì)量參差不齊，數(shù)據(jù)規(guī)范化和標(biāo)準(zhǔn)化亟需開展。在多個(gè)醫(yī)學(xué)中心間，甚至同一個(gè)醫(yī)學(xué)中心內(nèi)部，食管癌醫(yī)學(xué)影像采集設(shè)備、采集參數(shù)和重建算法等方面也存在差異，這導(dǎo)致了影像數(shù)據(jù)信號(hào)和質(zhì)量的差異。同時(shí)，有監(jiān)督的AI算法要求食管癌影像必須經(jīng)過專家標(biāo)注，這個(gè)過程會(huì)耗費(fèi)大量的時(shí)間和精力。但目前多項(xiàng)食管癌AI研究沒有明確的影像標(biāo)注標(biāo)準(zhǔn)，影像質(zhì)量和標(biāo)注標(biāo)準(zhǔn)的差異將會(huì)影響食管癌AI模型在多個(gè)醫(yī)學(xué)中心間的推廣和性能發(fā)揮。此外，亟需建立相應(yīng)的倫理道德規(guī)范及政策加強(qiáng)對數(shù)據(jù)安全問題的監(jiān)管和保護(hù)。最后，目前的AI算法，尤其是深度學(xué)習(xí)算法的復(fù)雜性較高，可解釋性較差。高可解釋性的AI算法有利于提升臨床醫(yī)生的認(rèn)可度，加速AI推廣到臨床診療中。因此，亟待研究高可解釋性的AI模型算法。

（二）AI在食管癌診療中臨床應(yīng)用的發(fā)展方向

1.早期診斷：計(jì)算機(jī)輔助系統(tǒng)

針對食管癌等消化道腫瘤早期診斷的AI系統(tǒng)，經(jīng)過現(xiàn)實(shí)世界多中心數(shù)據(jù)驗(yàn)證，最先邁入臨床應(yīng)用階段。部分內(nèi)鏡AI系統(tǒng)已經(jīng)通過了國家藥品監(jiān)督管理局創(chuàng)新醫(yī)療器械審批，開始產(chǎn)業(yè)化道路，有望實(shí)現(xiàn)早期食管癌的同質(zhì)化診斷。

2.術(shù)前分期及分級(jí)：智能化的分級(jí)分期系統(tǒng)

EUS和CT、PET-CT是目前食管癌分期分級(jí)診斷的常用方法，3種手段各有優(yōu)勢，互為補(bǔ)充，通過AI對上述方法進(jìn)行整合，結(jié)合臨床信息，建立計(jì)算機(jī)輔助診斷系統(tǒng)，實(shí)現(xiàn)治療前精準(zhǔn)分期，有助于精準(zhǔn)分層治療。

3.療效預(yù)測：智能化的臨床決策支持系統(tǒng)

針對根治性放化療、新輔助放化療、免疫治療等特定治療，基于臨床常規(guī)圖像（如病理、CT、MRI、PET-CT等）建立AI智能化的臨床決策支持系統(tǒng)（treatment decision support system，CDDS）價(jià)值重大，在提高患者生存預(yù)后的同時(shí)，也能夠節(jié)省巨大的醫(yī)療資源。首先，對根治性放化療進(jìn)行精準(zhǔn)預(yù)測，有利于預(yù)先評估患者放化療敏感性，指導(dǎo)研究者更好地設(shè)計(jì)臨床試驗(yàn)人群，輔助醫(yī)師進(jìn)行治療方案的制定：對于放化療不敏感的患者，可能采取早期介入免疫治療、抗血管生成，抑或減瘤手術(shù)配合術(shù)后輔助綜合治療等其他策略。其次，在新輔助放化療之前，提前預(yù)判新輔助放化療療效，有助于篩選真正適合新輔助放化療患者。最后，在新輔助放化療之后及根治性手術(shù)之前，有利于及時(shí)在術(shù)前評估患者新輔助放化療后腫瘤退縮的程度，助力手術(shù)方案的制定，比如對于完全退縮的患者，可能不再接受手術(shù)，而采取“觀望（wait and see）”策略。

九、結(jié)語

目前，基于AI的食管癌臨床應(yīng)用仍處于研究階段，在AI逐步轉(zhuǎn)化到食管癌臨床日常診療的過程中，我們還面臨著技術(shù)和倫理等方面的挑戰(zhàn)。我們相信隨著AI技術(shù)的不斷發(fā)展、醫(yī)工結(jié)合的不斷深入，AI技術(shù)將更加契合食管癌臨床診療需求，輔助臨床醫(yī)生實(shí)現(xiàn)食管癌的精準(zhǔn)醫(yī)療。

共識(shí)制定人員（按姓氏拼音排序）：

范 麗（上海長征醫(yī)院）

房昭雄（中山大學(xué)附屬第五醫(yī)院）

何 波（昆明醫(yī)科大學(xué)第一附屬醫(yī)院）

陸 遙（中山大學(xué)）

賴人旭（中山大學(xué)附屬第五醫(yī)院）

李 東（天津醫(yī)科大學(xué)總醫(yī)院）

李 丹（中山大學(xué)附屬第五醫(yī)院）

李坤煒（中山大學(xué)附屬第五醫(yī)院）

劉再毅（廣東省人民醫(yī)院）

梁明柱（中山大學(xué)附屬第五醫(yī)院）

馬祥園（汕頭大學(xué)）

曲金榮（河南省腫瘤醫(yī)院）

單 鴻（中山大學(xué)附屬第五醫(yī)院）

宋 偉（北京協(xié)和醫(yī)院）

施 俊（上海大學(xué)）

田 捷（北航-首醫(yī)大數(shù)據(jù)精準(zhǔn)醫(yī)療創(chuàng)新中心，中國科學(xué)院分子影像重點(diǎn)實(shí)驗(yàn)室）

唐彩華（中山大學(xué)附屬第五醫(yī)院）

容鵬飛（中南大學(xué)湘雅三醫(yī)院）

張 帆（中山大學(xué)附屬第五醫(yī)院）

張亞琴（中山大學(xué)附屬第五醫(yī)院）

張帥通（北航-首醫(yī)大數(shù)據(jù)精準(zhǔn)醫(yī)療創(chuàng)新中心，中國科學(xué)院分子影像重點(diǎn)實(shí)驗(yàn)室）