［关键词］人工智能；消化内镜；卷积神经网络
人工智能（AI）技术目前在全球范围内受到各界的关注，并随着其不断地发展，在医疗方面的使用也逐渐成熟。深度学习属于人工智能方面的一个核心分支，研究人员利用卷积神经网络（CNN）构建模型将人工智能技术应用到疾病的识别、诊断、判断预后等各个方面。消化内镜下疾病的诊断与医生的个人经验有着明显的关系，通过建立人工智能辅助诊断系统，进一步提高消化内镜的检查质量，从而提高消化道疾病的检出率。
1AI在食管疾病中的应用
1．1巴雷特食管
Barret食管（BE）是食管腺癌的癌前病变，发生食管腺癌的危险性是普通人群的30～100倍。诊断BE主要依据是内镜检查结合病理学活检，由于内镜医生经验水平的差异，导致其活检时可能有部分病变被遗漏，进而很容易造成漏诊，因此我们需要一种智能系统辅助内镜医师提高BE的诊断率。JisuHong等［1］研究人员建立CNN模型，并将BE内镜图像分为肠上皮化生（IM）、胃上皮化生（GM）和瘤变（NPL）亚类，将获得了262份BE内镜成像数据集，分为训练集236个以及测试集26个，由于训练集数据量的缺乏，作者采用随机图像畸变来扩大训练食管图像的数量，最终CNN模型产生了80．77％的分类准确率。Van等［2］研究人员研制出BE病变的智能检测技术，其智能检测技术在各个图像分析中判断出初期肿瘤病变的特异度与敏感度都是83％。Hashimoto等［3］开发了一种由916张BE图像训练的CNN，并通过458张图像进行验证，报道的早期肿瘤检测准确率为95．4％。但仅依靠人工智能诊断barret食管及早期肿瘤还为时尚早，更多的人工智能技术还在临床研究中。
1．2食管肿瘤
食管肿瘤是我国常见的消化道肿瘤，研究表明，食管癌的总体漏报率高达6．4％。早期食管肿瘤行内镜检查时很容易漏诊，很多病人在确诊时已到了晚期，疗效较差，所以尽早诊断十分关键。食管乳头内毛细血管袢（IPCLs）是显微镜内窥镜（ME）首次描述的微血管［4］，是食管鳞癌的标志。IPCLs形态的改变已被证实与肿瘤浸润深度相关，这是决定是否采用内镜治疗的主要因素［5，6］。Ever－son团队［7］开发了一种人工智能系统，能够使用ME－NBI内镜图像实时对IPCL形态进行肿瘤或非肿瘤分类。17例患者共7046张连续高清ME－NBI图像进行CNN训练，CNN获得了93．7％的准确性，89．3％的敏感性，98％的特异性。Nakagawa等［8］开发了一种CNN来预测食管鳞状细胞癌的侵袭深度，他们的CNN系统能够区分黏膜／黏膜下侵犯（SM1）和黏膜下深层侵犯（SM2／SM3），其敏感性为90．1％，特异性为95．8％，16位经验丰富的内镜医师的敏感度为89．8％，特异性为88．3％。日本学者［9］建立的CNN模型，采集了384例确诊食管癌患者的8428张图片用作机器学习，CNN整体判断的敏感度是98％，针对浅表癌判断精准率是99％，针对晚期病症判断精准率是92％，对食管鳞状细胞癌与食管腺癌检查精准率分别是99％与90％。在我国，腾讯企业公布的人工智能医学影像商品－腾讯觅影，对初期食管癌的诊断精准率达到90％。上述表明，AI将有利于提高早期食管肿瘤的检出率，改善患者预后。
2AI在胃部疾病中的应用
2．1HP感染
众所周知，胃癌的发生与幽门螺杆菌的感染有着密切的关系，据报道HP感染主要影响胃癌癌前病变的早期阶段。然而，根据内镜检查判断是否存在HP感染，主要取决于医生的诊断能力，诊断准确性差异很大［10，11］。Shichijo等［11］研究人员通过深度学习构建CNN将HP感染状态分为HP阳性和HP阴性两类，其敏感性、特异性和准确性均优于内镜医生。Shichijo［12］进一步将HP感染情况分为三类：未感染、当前感染和根除治疗成功。CNN对未感染的准确率为80％，当前感染的准确率为48％，根除后的准确率为84％。日本研究人员中岛美嘉［13］已经开发出一个人工智能系统，验证了120例胃癌的内镜检查视频，从而得出了未感染HP准确率为84．2％，当前感染的准确率为82．5％，根除后的准确率为79．2％。诊断准确性与经验丰富的内镜医师相似。AI诊断幽门螺杆菌感染状态的准确性可能超过内镜医生。
2．2胃癌
胃癌是全球最常见的恶性肿瘤之一，其发病率和病死率在恶性肿瘤中均居第2。早期胃癌患者5年生存率超过90％，晚期胃癌预后很差，从而早期发现胃癌对每一个内镜医师来说都至关重要。但是有些胃癌内镜图像与萎缩性胃炎相似，缺少实践经验的内镜医师常常忽略这一点。Zhang等［14］研究人员开发用于早期胃癌检测的人工智能系统在200张内镜图像上进行了验证，对早期胃癌的准确性、敏感性和特异性分别为92．5％、94％和91％，经验丰富的内镜医师的准确率、敏感性和特异性分别为89．7％、93．9％和87．3％。在人工智能系统中准确率明显更高。Hirasawa等［15］研制出一种人工智能检测胃癌的技术，选择13584张胃癌内镜图片加以训练，另外的2296张胃镜图片编制测试集，CNN耗时47s检查完全部测试及图像，判断胃癌总体敏感度是92．2％，阳性预测值是30．6％。这个系统检测图像速度迅速，但是阳性预测值较低，且没有开展与内镜医师的比较。此外，一个国内研究，Zhu等［16］选择最科学的CNN系统，利用CNN系统判断胃癌的侵袭深度，其敏感度与特异度分别是76．47％与95．56％，整体精准率是89．16％，其精准率与特异度都高于内镜医师。该系统可以精准判定肿瘤侵袭胃壁的深度，评价病灶是否符合进行ESD治疗，进而避免多余的外科手术。Kanesaka等［17］研究人员使用AI系统从放大地NBI图像中区分早期胃癌和无癌，灵敏度为96．7％，特异性为95％，准确性为96．3％。Horiuchi等［18］进行了一项视频研究，以实现早期胃癌的实时诊断。174个视频使用NBI放大内镜评估AI系统的诊断性能，并与11位专家进行了比较，人工智能的准确性为85．1％，敏感性为87．4％，特异性为82．8％。人工智能系统的准确率明显高于2位专家，低于其中1位专家，与其余8位专家没有显著差异。
3AI在结直肠息肉中的应用
在我国，近几年结直肠癌发病率不断上升。结直肠癌源自癌前息肉，病变到癌平均期限是10年，结直肠镜检查是结直肠癌早筛早诊最有效的手段，结肠镜检查期间息肉（特别是腺瘤）的检出率与结肠镜检查后CRC的发生率和相关病死率呈明显的负相关［19，20］。腺瘤检出率每增加1％，相应地CRC风险降低3％，CRC相关病死率降低5％。所以，提高结直肠息肉检出率对减少结直肠癌发病率作用显著。Misawa［21］和同事开发了一种基于CNN的三维计算机辅助监测系统（CADe），其敏感性和特异性分别为90％和63％。Urban［22］和他的同事报告了基于CNN的CADe的首次实时应用，他们的CADe检测结直肠息肉的灵敏度为97％，特异性为95％，准确率为96％，优于内镜医生。在2018年发表的文章中，Kazutomo等［23］利用4万张内镜图像创建了一个具有深度学习的人工智能辅助内镜诊断系统，并进行了测试来区分腺瘤和非腺瘤。敏感性为95．2％，阴性预测值为84．6％。国内王璞等［24］研究人员利用计算机辅助诊断系统（CADs）在纳入的1058例患者中，CADs显著增加了腺瘤检出率和平均每名患者的腺瘤数量，这是因为CADs发现了更多的小腺瘤，增生性息肉的数量也显著增加。
4AI在胶囊内镜中的应用
目前AI已经逐渐应用到胶囊内镜的检查中，从而提高了小肠疾病的诊断率，如乳糜泄、钩虫病以及消化道疾病等。Zhou等［25］回顾性采集11例乳糜泄病人与10例对照病人的胶囊内镜检测影像，并引进了一个称为评价置信度的检测方法，把乳糜泄严重度实现量化，这种评价置信度检测方式在检测集中呈现的敏感度与特异度都是百分之百。HE等［26］建立了一种CNN系统用于钩虫病的诊断，这种依靠CNN系统检查钩虫结构的总体特异度与敏感度分别是88．6％与84．6％，同时检测每个胶囊内镜图片只要大概0．05s，这对提升临床医生的业务效率与判断精准率有较大帮助。尽管AI技术在医学方面的研究和应用日益普遍，但是也有一些不足。一个人工智能网络的建立到训练完善然后到临床应用，需要耗费许多人力、时间以及财力。而中国各区域发展不平衡，在经济比较落后的地方，人工智能也许很难推行。当下AI技术重点在图像判断方面表现良好，但是临床病人疾病较多，个体差别很大，针对疾病治疗中人工智能的判断灵活性无法超过临床医师。总之，人工智能这种交叉学科的进步需要多方面专家的协同努力和合作，相信其今后在消化系统病症中的使用会越来越普遍、深入，且推进个体化、精细化、精确化医疗，使病人获得更大利益。
作者：白玉 赵贵君 单位：内蒙古医科大学研究生院 内蒙古自治区人民医院内镜中心
