人工智能在我国消化内镜领域的研究现状与展望

第1页共21页人工智能在我国消化内镜领域的研究现状与展望近年来，人工智能(AI)技术发展迅速，它具有强大的学习能力以及计算能力，现已能应用于医学众多领域。消化内镜领域以图片作为诊断基础，与人工智能辅助诊断领域能够完美交融，关于人工智能技术在消化内镜领域的研究也成了近年的热点，在AI辅助下，内镜医师的诊断水平可大水平提升。此文章就目前人工智能在胃肠镜下疾病诊断的应用进行综述。关键词：内窥镜检查；人工智能；消化系统；深度学习 1前言 21.人工智能简介 22.AI在结肠镜中的应用 33.AI在无线胶囊内窥镜检查中的应用 44.AI在消化内镜质量控制中的应用 55.AI在胃镜中的应用 55.1.Barrett食管(Barrett'sesophagus,BE)的诊断 55.2.食管癌的诊断 55.3.辅助诊断是否有幽门螺旋杆菌(Helicobacterpylori,Hp感 6 65.5.食管病灶诊断 7 75.7.盲区监测 95.8.评估食管胃静脉曲张 96.AI在结直肠镜中的应用 6.1.评估肠道准备质量 6.2.肠病灶辅助检出 6.3.肠病灶辅助诊断 7.AI在胶囊内镜中的应用 7.1.减少阅片时间，提高工作效率 7.2.提高病灶诊断准确率 8.AI在内镜逆行胰胆管造影(ERCP)中的应用 12 11.结束语 16 人工智能(Al)是研究使机器模拟人类的某些思维过程和行为的一门新的科学技术。随着2006年深度学习算法的提出，AI在各个领域得到迅速发展和广泛应用。2017年7月20日，国务院首次以行政规划的方式发布了《新一代人工智能发展规划》书，旨在大力推行发展AI技术。近年来，AI在医学多个领域掀起了研究热潮，展现了巨大的发展潜力。消化内镜是医学AI研究的热门领域，国内相关研究开展如火如茶，在多个领域取得了重大突破。借助AI赋能，消化内镜智能化发展有望解决我国目前面临的内镜检查需求量大、人均内镜医师不足、检查质量参差不齐和培训成本高昂等问题。我们在PubMed、中国知网、维普和万方数据库中搜索了截至2020年2月我国消化内镜AI方面的研究，现就我国消化内镜AI相关研究进展进行阐述，总结目前中华医学会全国消化内镜学分会大数据协作组的工作情况，并对消化内镜AI面临的不足和重大挑战进行讨论，以期为消化内镜Al的探索提供思路和参考。1.人工智能简介上世纪五十年代首次出现了人工智能的概念，上世纪七十年代英国利兹大学首次研发出了医学界人工智能系统AAPHELP[1],有学者认为人工智能注重的是机器对于自身推理过程的理解，而后者更注重完成以人智力为基础才能完成的工作[2],本文所指的AI即为后者。深度学习 供数据中的低级特征，经过数次迭代，提取出其中更加复杂高级的特征，使得模型能够自动识别所提供图片中的特征并推算出相应诊断[3]。目前，人工智能技术在医学各个领域均的研究均有较大进展，如乳腺癌的筛查，肺癌、阿尔兹海默症、糖尿病视网膜病变、糖尿病黄斑水肿、皮肤癌[4][5][6][7][8]的辅助诊断等领域。其中最为活跃的研究方向为医学1)辅助结直肠息肉的诊断：腺瘤性息肉属于癌前病变[22],93%的结直疗结直肠息肉，有助于降低CRC的发病率。结肠镜检查结合活组织病理是目前结直肠息肉及CRC的主要确诊手段，如何提高息肉的检出率，及时切除并定期复查是降低CRC发病率、死亡率的关键所在。CesareHassan等[24]将一种新型的检测结肠息肉AI系统与有经验的内镜专家进行验证比较，用白光内窥镜视频数据集来训练、验证该AI系统，结果示该AI系统的灵敏度为99.7%(n=337/338),在整个结肠镜检查不到1%的帧中出现假阳性帧，与内镜专家相比，人工智能系统在82%的病例中反应时间更快(n=277/337,差异1.27+等[25]开发并测试了一个用深度神经网络分析肿瘤性息肉及增生性息肉窄带96.3%、78.1%,平均用时也明显比低年资、高年资内镜医师短。虽然目前CNN系统在结肠息肉病理诊断领域尚且缺乏大型数据的训练，但是该系统在临disease,CD],中国大约有65%的CD患者曾被误诊为ITB[27],而40%的CD患者接受了抗结核的试验性治疗[28]。Tong等[28]应用应用随机森林分类器具有极高的敏感性和特异性。然而由于在病的漏诊率也较高[29]。当前WCE智能化的热点之一就是如何在大量的检查2019年国内已经上线了胶囊内镜大数据平台，但是由于数据难保存，数据量大，各医院系统独立，各单位报告术语不统一大[31]。He等[32]提出了一种新的用于WCE图像的深度钩虫检测框架，该病诊断灵敏度、特异度。Xiao等[33]选取1000张内镜图片(800张正常图片，200张出血图片)训练AI模型，结果显示该模型诊断消化道出血准确度高第5页共21页达94.79%。目前欧洲各医疗机构也在不断尝试着新的研究突破，如实现WCE4.AI在消化内镜质量控制中的应用在。消化内镜质控指标繁杂，缺乏有效的监控手段等原因控难以保证。有研究发现，3.5%的CRC患者在近3年内均做过结肠镜检查，然而未能提前检出病变[34]。可以将AI与消化内镜质控相结合，规范内镜医肠镜检查退镜过快，时间小于6分钟的情况。退镜时间的长短会明显影响腺瘤的检出率，当退镜时间少于6分钟时候，腺瘤检出率仅仅为11.8%,而超过6分钟时，腺瘤检出率即可提高到28.8%[35]。利用AI可监测精确的检查时间5.AI在胃镜中的应用64%[9]。但精确的定位活检对高级别上皮内瘤变及食管腺癌诊断的敏感性可高达到90%,特异性达到80%,阴性预测值为98%[10]。JohansonJF等[11]利用AI对食管刷片结果进行分析，发现可以提高BE的发现率。但仍无法避免特异性低无法判断良恶性、患者痛苦、操作难影筛查一个内镜检查不超过4秒，发现早期食管癌的准确率达到90%[12]。Horie等[13]建立的AI模型对384例食管癌患者的共8428张内镜图片进行学习，结果显示对于癌灶检出的敏感性为98%,阳性预测值为40%。染Hp感染是慢性胃炎、胃癌等疾病的重要致病因素之一[14]。但其在内镜下诊断的准确率受内镜医师的经验影响很大[15]。Schichijo等[16]构建了两个深度学习[deeplearning,DL]模型，选取32,208张胃镜图像进行训练，其中一个模型对否有HP感染诊断的灵敏度、特异度、准确度分别为81.9%、83.4%、83.1%;另一模型的灵敏度、特异度、特异度达到了88.9%、87.4%、87.7%。说明DL模型对Hp感染性胃炎的诊断也有重要意义。Yasuda等[17]使用支持向量机(SVM)构建了一个自动诊断Hp感染的AI系统，应用LCI图像进行训练，最终AI系统诊断Hp感染的准确性、敏感性、特异性，分别为87.6%、90.5%和85.7%,其准确性高于没有经验的医生。但该研究不是内镜5.4.胃早癌的诊断重，2020年我国胃癌总体发病人数仍会增加，全国新发病例数预计为35.6万人，全国的胃癌发病率预估为24.30/10万[18]。早期胃癌定义为癌组织局限为10%左右，远低于韩国和日本水平[19],因此提高早期胃癌筛查率显得尤为重要。王智杰等[20]收集5159张胃镜图片，投入深度学习模型中进行训练及验证并与内镜医师比较，结果显示其早期胃癌诊断的敏感度为88.8%(206/232),特异度为89.7%(429/478),总准确度为89.4%(635/710),均比内镜医师组高，总体结果令人满意。YusukeHoriuchi等[21]将CNN模型应于ME-NBI图像诊断的准确率为85.3%(220/258),灵敏度为95.4%,特异性为71.0%,151张早期胃癌图像中有7张被识别为胃炎，而107张胃炎图像中有31张被识别早期胃癌总体诊断速度为51.83图像/秒(0.02s/图像)。说明ME-NBI的CNN系统能在短时间内鉴别早期胃癌和胃炎，可作为ME-NBI的补食管癌是全球第六大致死性癌症。鳞状细胞癌占我国食管癌的90%以上。研究发现晚期食管癌患者五年生存率小于20%,早期食管癌患者五年生存率超过80%。早诊早治是改善食管癌患者预后的关键。钟芸诗等利用AI技术，在性预测值和阴性预测值分别达到97.8%、85.4%、91.4%、86.4%和97.6%;在AI的辅助下，内镜医师的诊断准确率由81.7%提高到91.1%,诊断能力得到极大的提升。王宏光等构建的早期食管癌识别模88.4%,优于高年资医生的诊断水平。许建明等开发的AI模型可以协助分辨食管鳞状型，其分类准确率达到89.2%,具有较高的诊断水平。张国新等也利用白光胃据统计，2018年全球胃癌新发病例约103.3万例，死亡病例约78.3万例。胃癌是全球第五大常见恶性肿瘤，也是全世界癌因。晚期胃癌患者的五年生存率为5%～25%,早期胃癌患者的五年生存率高达90%,早诊早治是提高患者预后的关键。为此，于红刚等开发了一套AI系统用于辅助识别早期胃癌，准确率达到了92.5%,其有效性在一项多中心临床型，准确率达到89.5%,具有较高的诊断水平，可在胃镜检查中辅助内镜医师进行实时诊断。邹晓平等也开发了一个AI系统用于早期胃癌诊断，并在多中心来源的图片中进行了测试，在不同中心分别达到85.1%～91.2%的准确率，放大染色内镜的发展提高了早期胃癌的诊断率，但异一直是临床上面临的一大挑战。虞朝辉等构建了一个AI模型，可在放大窄一个AI模型，用于在放大窄带成像模式下识别早期胃癌，模精准确定早癌边缘、分化程度和深度是早癌内镜下此，于红刚等开发了一种AI模型，用于预测靛胭脂染色和白光内镜下早期胃癌的切缘，分别达到了85.7%和88.9%的准确率。同时，该团队还构建了另一套AI模型，可在放大窄带成像模式下准确识别早期胃癌的分化状态，并勾画出早期胃癌的边缘，准确率分别达到83.3%和82.7%,可为早癌的内镜下治疗提供辅助。李全林等构建了一个用于确定胃癌浸润深度的AI系统，准确率和特异度分别达到89.16%和95.56%,可以减少对侵犯深度的过高估计，对减少于红刚等于2020年12月举办了一场大规模内镜下早期胃癌人机比赛，以评估该团队所研发的AI系统在诊断早期胃癌、预测浸润深度和分化状态中的能力。共有46位来自全国19个省份44家医院的不同年资的内镜医师参与了本研究。该AI系统和内镜医师在同样的环境下，对来自北京大学肿瘤医院的100例病灶进行诊断，在阅读每个病灶的白光视频片段后，给出该病灶是否为“低级别上皮内瘤变及以上”的诊断；在进一步阅读所对应染色放大视频片段断其深度以及分化程度。结果显示，该Al系统在白光下的准确率、灵敏度和特异度分别达到91.00%、87.81%和93.22%,其灵敏度高于所有的内镜医生。在染色放大模式下，该AI系统诊断早期胃癌、预测浸润深的准确率分别达到89.00%、78.57%和71.43%,超过内镜医生的平均诊断水平(分别为85.67%、63.75%和64.41%)。同时，该AI系统实现了与视频同步而，胃镜下确诊HP感染的金标准为活检病理，单纯依靠内镜下影像难以对HP感染进行准确判断。姒健敏等创建的AI辅助系统，诊断HP感染的准确率达到84.5%,具有较高的诊断价值。参差不齐。为此，于红刚等开发了一个胃溃疡病灶别系统，其区分正常黏膜与良性溃疡、正常黏膜与的准确率分别为98.0%、98.0%和85.0%,可辅助内镜医生鉴别良恶性溃疡，水平参差不齐，降低了胃癌和癌前病变的检出率查方案，于红刚等将胃镜检查观测区域分为26个部位，并创新性地开发了一套基于深度学习的AI系统，用于监测胃镜检查过程中的盲区，其预测26部位的平均准确率达到90.02%。于红刚等在后续一项单中心随机对照试验中，验证该系统在无痛胃镜检查中的有效性和安全性，结果显示，有AI辅组盲区率为5.86%,远低于无AI辅助的对照组(22.46%)。此外，该团队还进行了一项多中心随机临床试验进一步验证了模该模型在不同胃镜检查类型中的效果，该团队还进行了一项3组随机平行对照试验，来比较无痛、超细和普通胃镜组内镜医师在有无AI辅助下的检查盲区率，结果显示该系统不仅在无痛胃镜组中可显著降第10页共21页大主观性。因此，于红刚等用3021例患者的8566张胃食管静脉曲张图像和3168例患者的6152张正常食管和胃部图像训练得到了一个AI模型，其检测食管静脉曲张和胃静脉曲张的准确率分别达到97.00%和92.00%,预测静脉曲6.AI在结直肠镜中的应用系统，其针对波士顿评分的四分类图像的识别达到91.89%的高准确率，不仅可以每30秒提示一次肠道准备情况，还可以实时显示肠道准备评分的累积比例，从而更客观、稳定地评估肠道准备的质量。钟芸诗等构建的AI辅助结肠镜质量评估算法，对基于波士顿评分标准的四分类76.96%,可辅助医师对肠镜检查质量进行评价。癌的发生率至关重要。腺瘤检出率每增加1.0%,间隔期结直肠癌的风险就降低3.0%。一项Meta分析发现，结肠镜检查过程中，腺瘤的漏诊率高达26%。针对黏膜观察不充分的问题，于红刚等研发了一套AI系统用于监测实时退镜速度，通过计算机视觉技术计算图片之间的相似度得到“汉明距离”,创第11页共21页新性地实现了对下消化道的退镜速度监测，可实时提照临床试验中，与无AI辅助的对照组相比，有AI辅助的实验组腺瘤检出比例提高了一倍(16%比8%)。针对肠道息肉隐蔽难以识别的问题，于红刚等还研统，其在图片中识别肠道息肉的准确率高达95.0%。刘晓岗及王璞等研发的结肠镜息肉自动检测系统同样具有较高的灵敏度和特异度，无需预防性切除；腺瘤性息肉和锯齿状病变需要进生；而结直肠癌需要及时进行内镜下或外科手术以俊等利用464105张图片训练得到的结直肠癌智能检测模型，在区分良恶性病灶上有较高的诊断水平，有助于提高临床上结直肠利用大数据开发的AI辅助结直肠息肉性质鉴别系统，白光下具有97.2%的准确率，窄带光成像模式下具有91.5%的准确率，可用于临床上对息肉的鉴别。7.AI在胶囊内镜中的应用胶囊内镜作为一种无创的检查，越来越多地运用于胃以保证诊断准确性。因此，发展高效率、高准确率AI丁震等利用1亿多张图片训练了一个基于深度学习的辅助阅片系统，来区分异常和正常的小肠图像，达到了99.88%的敏感度。每例胶囊内镜检查阅片张丽等构建的基于深度学习的AI系统，针对胶囊内镜下溃疡病变识别达第12页共21页到89.71%的灵敏度和90.48%的特异度，不仅提高了病灶诊断的准确性，还极个AI辅助识别胃部病灶的模型，具有96.5%的灵敏度，可大大减少医生之间诊断水平的差异。丁震等亦构建了一个AI系统，用于辅助识别、诊断小肠出血，灵敏度高达99.0%,减少了内镜医生的阅片时间，使其更聚焦于小肠出血研究发现，7%～12%的胆石症患者的胆总管结石是胆结石从胆囊移入胆红刚等开发了一个ERCP采石智能技术难度评分与辅助系统，可以自动测量结专业知识及经验积累。此外，内镜超声医师培训周期查的六个基本站点，其识别站点的准确率高达94.2%,不仅可以对胰腺超声检查的过程进行质量监控，还可以作为一个很好的操作。同时，该团队还研制了一个基于深度学习的增强系统扫描，并辅助医师识别胆管扫查的四个基本站点第13页共21页93.3%,胆管分割的Dice达到0.77,不仅可以辅助识别胆管扫描的标准工作站，提示医师进行相应的操作，而且还可以高精度分89.3%,有潜力成为临床上诊断自身免疫性胰腺炎的重要辅助工具。10.AI在消化内镜应用的挑战与展望Al在内镜领域得到了长足的发展，尤其是近年来兴起的深度学习算法，在不过关等关键问题。然而，构建模型仅仅是AI应用至消化Al在消化内镜领域的发展还面临很多问题，不同于医学影像领域，消化内镜AI的研发难度较大。受检查特殊性的影响，消癌、炎症性肠病、锯齿状息肉等重要疾病发病率较低，随渐广泛，数据的缺乏正在成为消化内镜AI研尽管在整个AI领域，已经有国家和组织在推动数据共享的工作，但是消化内镜AI领域的数据共享工作仍处于起步状态。部第14页共21页开数据集建立方面的初步尝试，但目前还缺乏官方或据共享无疑能够极大缓解消化内镜AI发展面临的数据量的压力，但数据共享可用的模型性能，即小样本学习。小样本学习利用对抗网络等技术，使得模型在小规模的训练数据中达到令Groof等构建了基于食管、胃、肠分类图像的迁移学习模型，在巴雷特食测瘤变的任务上取得了优于专家的效果。先验知识即模型的训练，通过规范模型调参、特征提取等过程提高模度学习对于肝癌病理的高精度诊断。生成对抗网络是一种相博弈为基础来提升模型性能的算法架构。姚家华等利本学习的初步尝试已经取得了可喜的成绩，未来可能成为消化内镜AI数据量10.3.模型的“透明度”数据和AI算法的透明度是另一个主要问题。深度学习的透明度和AI模型练数据注释的准确性。因此确保标签的透明度，以解释，那么人类就可以验证其预测是否合理。因此，模型获取潜在的新的疾病现象或治疗靶点。尽管深度第15页共21页第16页共21页RadiologicalPhysicsT/10.1007/s12194-017-04第17页共21页学，2018,23(9):552-556.BengioCourvilleandVincentRepr/10.1109/TPAMI.201AnthimopoulosChristoSarrafandTofighiClassificGulshanPengCorametalDeAssociation,316,2402-2/10.1001/jama.2016./10.1136/gutjnl-2011-30Open,3,E181-E185./10.1055/s-0034-139AssistedAnalysisofAbrasiveTransepithelialBrushEffectivenessofEsophagealSc/10.1007/s10620-010-14byArtificialIntelligenceUsingConvolutionalNeMiyamoto,M.,Ito,M.,Kamada,T.,Tanaka,S.,Uemura,N.,Yoshihara,M.,Sumii,KShimamotoandChayamaClinicopathologicalFeaturesofGastricMuco/10.1046/j.1440-1746.2001.025AnnalsofGastroenterology,31,462-468./10.20524/aog.2018.Nakahata,Y.,Yasuda,Y.,Omatsu,T.,Obora,A.,Kojima,T.,IchikawaandYagiPotentialofAutomaticDiagnosisS第19页共21页/10.1111/den.1/10.1097/MOG.0b013e328358/10.1007/s10620-019-058Lgr5的表达[J].中国老年学杂志，2018ProceedingsoftheRoyalSocietyofMedicine,67,451-457HYPERLINK"/10.1177/0035915774