人工智能在早期胃癌診斷和治療中的應用現狀及未來展望

李靚璐 劉軍娜 石澤璇 牛瓊

濱州醫學院附屬醫院消化內科，濱州 256603

近年來，以卷積神經網絡（CNN）為代表的深度學習模型發展迅速，廣泛應用于諸多領域。醫學生物數據的廣泛可用性使人工智能（AI）在醫學領域也得以嶄露頭角。在精準醫療時代，AI將輔助醫生完成由數據收集轉向數據分析，將數據轉化成輔助臨床操作有效工具，減少失誤以提高診斷準確性，AI正在革新醫療方式。

胃癌是全球第五大惡性腫瘤，也是癌癥相關死亡的第三大相關原因［1］。胃癌5年生存率為30%，大多數患者在最初診斷時已有局部擴散及轉移。如果能在早期檢測并診斷出胃癌，則可以進行根治性切除，從而將5年生存率提高到95%［2］。因此早期發現胃癌及癌前病變是提高生存率的關鍵。通常胃癌被認為是Correa級聯的最后一步［3］。具體來說，這一步的進化始于慢性幽門螺桿菌感染，接著是萎縮、腸化（被認為是“不歸路點”）和腫瘤。幽門螺桿菌感染是目前已知胃癌的最強生物因素。根據《亞太地區胃癌預防共識指南》提出，篩查及根除幽門螺桿菌可降低高危人群的胃癌發病率［4］。國際癌癥研究機構（IARC）認為根除幽門螺桿菌來預防胃癌是合理的，并呼吁相關國家及地區將其納入國家癌癥控制計劃［5］。在日本、韓國等胃癌高發地區的內鏡檢查可使胃癌病死率下降40%［6-8］。歐美等發病率較低地區因成本效益及缺乏經驗豐富的內鏡醫生則重點關注具有癌前病變及胃癌家族史的高危患者的二級預防［9］。因此，為了進一步了解AI在胃癌發展各個階段的相關進展作一綜述。

AI與幽門螺桿菌感染

內鏡檢查有助于診斷幽門螺桿菌感染。白光內鏡是消化內鏡技術發展的基礎，也是使用最廣泛、最具臨床價值的技術。在普通白光內鏡下，幽門螺桿菌感染主要表現為黏液附著、彌漫性發紅、點狀發紅、皺襞增粗、黏膜水腫、RAC消失、黏膜馬賽克樣改變或馬賽克樣改變伴中心或周圍充血［10］。目前活體組織病理檢查仍是診斷幽門螺桿菌感染的金標準，但以光學活體組織檢查取代侵入性活體組織檢查是我們的終極目標。2019年，Zheng等［11］為了評估CNN檢驗幽門螺桿菌感染的準確性進行了一項研究。實驗共回顧性納入1 959例患者，其中847例患者在胃活檢和/或幽門螺桿菌呼氣試驗中記錄了幽門螺桿菌感染。CNN對每位患者的多張胃圖像的曲線下面積（AUC）、靈敏度、特異度和準確度分別為0.97、91.6%、98.6%和93.8%。這表明AI系統在診斷幽門螺桿菌感染性胃炎方面有著較高的準確性。隨著各種內鏡技術的發展，診斷方法的增加，也在實踐中逐漸提高了幽門螺桿菌感染的檢出能力。2020年，Nakashima等［13］發表研究，旨在開發一個計算機輔助診斷（CAD）系統，將患者的幽門螺桿菌感染狀態分為3類：未感染狀態（無幽門螺桿菌感染史）、當前感染狀態、根除后狀態。內窺鏡數據用于開發兩個不同的CAD系統，一個用于LCI（LCI-CAD），另一個用于WLI（WLI-CAD）圖像。LCI是一種圖像增強內鏡技術，使用激光光源擴大不同病變黏膜之間的色差，有利于黏膜病變的識別［14］。對比顯示，LCI-CAD數據的診斷準確率高于基于WLI-CAD的診斷準確率。另外一項單中心、前瞻性研究應用激光光源的圖像增強內鏡系統，其有兩個激光光源，可以提供白光成像、藍色激光成像和鏈接彩色成像。結果顯示，AI系統輔助白光成像、藍色激光成像和鏈接彩色成像內鏡下診斷幽門螺桿菌感染性胃炎的AUC分別為0.66、0.96、0.95［22］。這表明AI系統輔助圖像增強內鏡檢查可提高內鏡下幽門螺桿菌感染性胃炎的檢出率。以上研究可表明在AI輔助下光學活體組織檢查取代侵入性活體組織檢查具有較大潛力及臨床應用價值。

AI與癌前病變

《中國胃黏膜癌前狀態和癌前病變的處理策略專家共識（2020年）》指出［15］，胃黏膜萎縮和腸化生屬于癌前狀態，胃上皮內瘤變屬于癌前病變，二者均有胃癌發生風險。胃黏膜萎縮、腸化生、胃上皮內瘤變是胃癌發生的獨立危險因素，為胃癌的發生提供了基礎條件［16］。在內鏡檢查中，胃腸道癌通常表現出典型的形態學特征，相比之下，癌前病變則很少表現出形態學變化，在內鏡檢查中進行病變的篩查需要耗費大量人力及時間，且嚴重依賴臨床經驗。內鏡診斷萎縮性胃炎的靈敏度僅為42%，這就導致慢性萎縮性胃炎的漏診率特別高。為提高慢性萎縮性胃炎的診斷率，Zhang等［17］構建并訓練了一個CNN慢性萎縮性胃炎模型。共收集1 699例患者的5 470張胃竇圖像來訓練模型，根據病理結果，其中有3 042張圖像描繪了萎縮性胃炎。通過反復交叉驗證及與專家的診斷結果進行比較，結果示：CNN慢性萎縮性胃炎模型診斷萎縮性胃炎的準確度、靈敏度和特異度分別為0.942、0.945和0.940，均高于專家組。輕度、中度和重度萎縮性胃炎的檢出率分別為93%、95%和99%。利用AI檢出萎縮性胃炎的準確性和有效性被驗證。2021年，Xu等［18］回顧性地將來自760名患者的6 200張內窺鏡圖像和來自77名接受圖像增強內鏡患者的98段視頻片段被納入研究。GA在內部測試集的診斷準確率為0.901，在多中心外部測試集的診斷準確率為0.864，在前瞻性視頻測試集中的診斷準確率為0.878。而IM在內部測試集中的診斷準確率為0.908，在多中心外部測試集中為0.859，在前瞻性視頻測試集中為0.898。CNN對胃癌前病變的診斷準確率高，與內鏡專家相似。AI輔助消化內鏡檢查可提高癌前病變的檢出率及效率。

AI與早期胃癌

胃鏡及活組織檢查是目前診斷胃癌的金標準。普通內鏡適用于發現進展期胃癌，對早期胃癌的檢出率較低，早期胃癌的發現更依賴于檢查者的內鏡操作經驗和電子、化學染色及放大內鏡設備［19］。然而針對胃癌高發地區而言，患者數量巨大、內鏡醫師數量短缺、內鏡意識診斷早癌的技術和經驗不足、先進內鏡設備缺乏等問題均成為早期胃癌內鏡下檢出率提高的障礙。2019年，Li等［20］基于CNN來分析窄帶成像放大內鏡（ME-NBI）觀察到的胃黏膜病變。結果CNN系統診斷早期胃癌的靈敏度、特異度和準確度分別為91.18%、90.64%和90.91%。CNN的診斷準確率與專家的診斷準確率差異無統計意義。然而，CNN的診斷靈敏度明顯高于專家。此外，CNN的診斷靈敏度、特異度和準確度明顯高于非專家組。從而可以窺見CNN系統可以在通過常規和放大內鏡獲得的圖像上定量識別EGC。Horiuchi等［21］則利用ME-NBI獲得的1 492張癌癥圖像和1 078張非癌癥圖像對CNN系統進行預訓練。此外，使用174個視頻（87個癌視頻和87個非癌視頻）評估CNN系統的診斷性能，結果CAD系統顯示AUC為0.868 4，準確度、靈敏度、特異度、陽性預測值（PPV）和陰性預測值（NPV）分別為85.1%、87.4%、82.8%、83.5%和86.7%。CNN系統在實時診斷和使用視頻圖像描繪EGC方面顯示出巨大潛力。AI聯合染色內鏡在多個研究中均顯示出具有較高的早期胃癌檢出率，具有較大的臨床潛力。在實際應用中可有效輔助內鏡醫生進行內鏡下早期胃癌的診斷及治療。

早期胃癌有其獨特的行為特點，既往傳統的治療以追求腫瘤根治的開腹胃切除及淋巴結清掃為主，但外科手術破壞了胃的正常生理結構，影響了胃的遠期生理功能。隨著近年來內鏡技術的進步，內鏡下治療具有創傷小、恢復快、并發癥少、費用低等優點。盡管內鏡下治療早期胃癌是大勢所趨，但術前準確臨床分期存在困難，且其操作依賴于經驗豐富的內鏡醫師，存在一定的技術門檻。Zhu等［23］構建CNN模型對790幅胃癌內鏡圖像進行訓練和學習，并對203幅胃癌圖像進行測試，利用CNN系統判斷胃癌的侵襲深度，其靈敏度與特異度分別是76.47%與95.56%，整體精準率是89.16%，其精準率與特異度都高于內鏡醫師。AI系統對腫瘤侵襲胃壁的深度有精準評估，可避免不必要的外科手術。

AI系統輔助消化內鏡同時結合了計算機強大的學習能力、運算能力以及內鏡專家的診斷能力，在胃癌發生的各個階段均大幅提高了診斷的準確性及效率，極大地避免了內鏡醫師在診治過程中的主觀性偏倚。然而，當前對于AI輔助消化內鏡的相關研究仍存在一定的局限性。首先，在于AI本身，一個AI系統的建立到臨床應用，需要耗費大量人力、財力、物力，我國地區之間發展不平衡，難以大范圍推廣此項技術；第二，目前多數研究為回顧性研究，缺乏對于臨床遠期療效的對比；第三，數據不足。患者數目眾多，且個體差異較大，為進一步提高系統診斷的準確性，需要大量原始數據，當前研究多為單中心驗證，缺乏多中心驗證進一步評估其臨床價值；第四，隨著消化內鏡技術的發展，內鏡下早期胃癌的診斷不能僅依賴于白光內鏡，多數情況需變換模式，目前尚無變換模式的計算機模型出現。總之，AI輔助消化內鏡在早期胃癌的早診、早治方面具有較高的臨床價值及潛力。同時，此多種交叉學科的進步需要多學科專家的協同努力，仍需設計更多更加合理的試驗。相信在不久的將來，AI輔助消化內鏡檢出早期胃癌可以越來越普遍地應用于臨床，造福于患者，為患者提供更加個體化、精準化以及高性價比的治療。