随着计算机技术和大数据技术的快速发展,人工智能技术已成为计算机研究领域的焦点和热点,通过计算机网络模仿人类行为和思维方式来实现计算机技术的人工智能化,其中最先进、最常见的就是以卷积神经网络为代表的深度学习(deeplearning,DL)技术,在多个领域广泛应用,且应用效果良好,在医学领域的应用更是有力促进了疾病诊疗手段的日益多样化和智能化,应用优势也愈加明显。

1、DL的概念及应用现状

DL概念的提出受到人脑神经网络突触系统的启发,由多层简单的计算节点构成,通过复杂的连接来模拟人类视觉皮层活动,目前主要有CNN、全卷积网络、自动编码器和深度信念网络4种架构,以CNN应用最为广泛。CNN通常由一个输入层和一个输出层,以及多个隐藏的卷积层、池化层、全连接层和标准化层组成,无需先验知识和提前设定,可直接从给定的图像大数据中对最有预测性的特征进行自动学习并对图像进行分类识别,自主提取和学习数据集特征,并据此作出智能决策,区别于以往凭个人经验或手动设定并获取数据库特点的传统机械分析方法,DL可以通过重复学习过程从图像数据库中识别重要特征,给予它的数据量越大,优势越明显,识别精度也越高,已成功应用于许多科学技术领域,如计算机视觉、语音识别与处理、物理、有机化学、医学和生物学等领域[1,2,3]。

在医学领域,基于DL的智能系统可以自动提取和学习数据库中的临床特征,据此对新获得的临床数据进行前瞻性分析并自动作出疾病诊断或病情预测,Esteva等[4]发现,基于CNN的智能系统对皮肤癌的识别和诊断水平可与皮肤病专家媲美,相关研究成果发表于《Nature》杂志并被选为封面文章;Ting等[5]证实,DL在眼科临床实践中能发挥重要作用,可用于对全球老年人群视力损伤的主要病因进行筛查、诊断和随访,在糖尿病眼病诊断中也有良好表现[6];此外,DL在肺癌、乳腺癌、脑癌、前列腺癌、阿尔兹海默病及帕金森病等疾病诊断中均有突出表现,在消化系统疾病的临床诊疗中也有大量报道[2,7]。

2、DL在消化系统疾病诊疗中的应用

DL对图像特征识别及分析具有明显优势,无需人工干预,自动从数据中提取特征性信息,据此做出全面分析从而应用于疾病诊断,在消化道息肉和早癌、肿瘤、溃疡性结肠炎(ulcerativecolitis,UC)、脂肪肝、肝脏及胰腺肿块等常见疾病的识别与鉴别、诊断及病情判断与预测等方面应用成效斐然。

2.1在消化道息肉识别中的应用

息肉依据组织学特征可分为腺瘤性息肉及非腺瘤性息肉,其中腺瘤性息肉属于癌前病变,与结直肠癌的发生高度相关,其内镜下诊断率通常以结肠镜检时腺瘤识别率(adenomadetectionrate,ADR)表示。研究发现,ADR每增加1%,结肠癌的风险降低3%,癌症相关死亡率降低5%,腺瘤早期切除可使结直肠癌的发生率降低80%以上,因此腺瘤性息肉早期识别极为重要,但由于部分息肉过于微小或扁平,或色泽与正常黏膜之间的差异极小而无法被准确检出,漏检率高达22%[8],内镜医师经验不足也使临床漏诊和误诊几率增加。因此,急需探索新的辅助诊断方法提高结肠镜检时ADR。

从2003年Karkanis等[9]首次使用计算机辅助检测系统通过分析结肠黏膜颜色和纹理来识别息肉开始,AI在结肠息肉识别中的效果越来越显著,特别是近年DL的出现更促进了AI在肠息肉识别中的应用。Urban等[3]使用8641张结肠镜检查图像数据集(包括4088张息肉图像和4553张正常黏膜图像)评估基于CNN的计算机辅助图像分析系统的效能,通过对息肉的定位分析和尺寸预测,CNN可产生超过49个关于息肉大小和位置的加权预测进而做出诊断,结果显示CNN识别息肉的交叉验证精度为0.964,工作特性曲线下面积(theareaunderthecurve,AUC)为0.991,证实CNN可以实时检测并定位息肉且能提高ADR;Chen等[10]开发的深度神经网络辅助智能(computer-aideddiagnosiswithadeepneuralnetwork,DNN-CAD)检测系统,对96例结肠增生性息肉和188例腺瘤性小息肉的窄带成像(narrow-bandimaging,NBI)图像进行分析,以组织学检查结果为金标准,结果显示,DNN-CAD鉴别肿瘤与增生性息肉图像的灵敏性为96.3%,特异性为78.1%,准确率为90.1%,结果与内镜专家相当,明显优于4名年轻内镜医师(结肠镜检查经验<1年),但DNN-CAD诊断时间仅为0.45s,明显短于内镜医师(专家组1.54svs非专家组1.77s),显示出DNN-CAD的优良性能;Zhang等[11]也证实使用CNN方法检测息肉性能好且速度快。以上结果表明,基于DL算法的智能内窥镜系统不仅可以提高息肉的检出率,还可有效规避医师经验不足带来负面影响,进而对治疗决策产生积极影响。

2.2在消化道肿瘤诊断中的应用

2015年国家癌症中心统计数据显示,胃癌、肠癌及食管癌高居我国恶性肿瘤发病率前列,且胃癌、肠癌死亡率稳居前五,发病率呈逐年上升趋势,已成为我国严重的公共卫生问题[12]。消化道肿瘤的早发现、早治疗,可使患者5年生存率提高至90%以上,因此早期诊治极为重要。但由于消化道早癌多表现为黏膜微血管或腺体结构紊乱,缺乏进展期肿瘤的特征性表现,极易遗漏,特别是对缺乏经验的内镜医师,因此积极引进新的辅助检查手段和方法显得极为重要,而AI特别是DL技术为解决这一问题提供了良好的契机。

Horie等[13]对基于CNN研制的单点多目标盒子探测器对食管癌的诊断性能进行评估,首先使用384例食管癌患者的8428张图像用于CNN训练,随后通过检测其他1118张图像评估其诊断性能,结果显示CNN仅用27s就完成全部图像的识别与诊断,正确诊断食管癌的灵敏性为98%,且7个<10mm小肿瘤病灶均被有效识别,证实构建的CNN食管癌检测系统能够在较短的时间内对内镜图像进行高灵敏性分析,临床实践中可助于早期发现食管癌;Ghatwary等[14]发现CNN系统还能够从内镜图像中定位食管黏膜异常区域,有助于食管早癌的诊断;Hirasawa等[15]基于单镜头多盒探测器架构构建CNN智能诊断系统,并使用13584张胃癌内镜图像对其进行训练。为了评估其诊断准确性,共收集77个胃癌病变的2296张图像,结果显示CNN仅需要47s即完成全部图像分析,77个胃癌病变检出的总灵敏性为92.2%(71/77),其中71个直径≥6mm的早期病变和所有侵袭性癌,诊断准确率为98.6%(70/71),表明该CNN系统在胃癌的实时诊断方面具有很大的应用潜力;王智杰等[16]也研究了一种搭载有19层CNN的DL模型平台对早期胃癌的识别和诊断水平。该CNN平台由卷积层、池化层、全连接层及输出层组成,首先由卷积层提取图像特征后,池化层负责对特征进一步汇总来实现最大池化,传入信息再通过全连接层变换后由输出层图像分类的概率而做出诊断,结果显示,该模型对早期胃癌诊断的准确率为89.4%、灵敏性为88.8%、特异性为89.7%,每张图像的诊断时间为(0.30±0.02)s,均明显优于内镜医师,表明CNN模型可在胃镜检查中辅助内镜医师实现对早期胃癌的实时诊断;除可用于诊断外,Zhu等[17]还证实基于DL算法的计算机辅助检测系统可以特异性预测胃癌的浸润深度,有效指导临床筛选适宜内镜下切除的患者。

Takemura等[18]对基于自定义软件程序(HuPAS3.0版本)的智能辅助诊断系统诊断结直肠癌的效能进行了研究,该系统可自动识别提取NBI放大内镜下结直肠癌图像的黏膜表面微血管结构和表面形态特征,并据此对371张结直肠病变图像进行诊断性验证,结果显示,该系统对结直肠癌A型血管病变的检测准确率为97.8%;B、C型血管病变灵敏性和特异性分别为97.8%和97.9%,说明新型计算机智能辅助诊断系统能够可靠预测ME-NBI结肠镜下结直肠癌图像的组织学特征,表明CNN系统在辅助诊断结直肠癌中优势明显。

2.3在小肠疾病诊断中的应用

无线胶囊内镜(wirelesscapsuleendoscopy,WCE)技术的出现在小肠疾病的研究和诊断领域掀起了一场革命,极大地提高了小肠疾病的诊断准确率。每次胶囊内镜检查生成约6000张图像,人工分析需要30～120min,且需要检查者高度集中注意力,因为异常图像仅出现在其中少数几张,很容易因为缺乏经验或疏忽而造成漏诊,而这一问题可被AI技术与胶囊内镜的深度融合有效克服。

Aoki等[19]曾研发了基于单镜头多盒检测器的深度CNN智能胶囊内镜(CNN-WCE)系统,用于自动检测胶囊内镜小肠图像中的糜烂和溃疡性病变。该系统使用多个网络层(卷积层和池化层)和反向传播算法从训练数据集中提取并归纳图像中的特定特征,研究者首先使用5360张胶囊内镜下糜烂和溃疡图像用于系统训练,而后使用10440张小肠图像(包括440张糜烂和溃疡图像)的独立测试集来评估其性能,结果显示,CNN-WCE检测糜烂和溃疡的AUC为0.958,灵敏性、特异性和准确率分别为88.2%、90.9%和90.8%,仅耗时233s,证实该系统既省时省力,又具有极高的诊断准确率;Leenhardt等[20]发现,CNN系统通过对WCE图像进行深度特征提取和分类诊断小肠血管扩张症的灵敏性为100%,特异性为96%,阳性预测值为96%,阴性预测值为100%,显示了极高的诊断效能;Zhou等[21]发现,基于DL的GoogLeNet系统对乳糜泻的诊断灵敏性和特异性均达到100%,证实CNN系统可定量测量小肠内黏膜病变的程度和范围,实时评估黏膜萎缩情况;在小肠息肉识别方面,Yuan等[22]也发现,基于DL的自编码智能系统能够准确识别出WCE检查视频中的息肉,极大提高诊断准确率。

2.4在其他消化系统疾病中的应用

2.4.1在肝胆胰疾病中的应用:

Yasaka等[23]使用CNN系统分析动态增强CT图像实现对肝脏肿块的分类诊断,训练数据集共纳入55536张肝脏占位性病变(包括早期肝癌、进展期肝癌、肝血管瘤、肝囊肿等)的CT图像,输入先经两个卷积层和一个最大池化层做初步处理,重复3次后转完全连接层中进行分析处理后由输出层输出诊断信息,最后使用100例患者CT图像用于验证CNN系统的诊断性能,结果显示,该CNN系统对各类肝脏肿块鉴别诊断的中位准确率为0.84,表明利用CNN系统对肝脏肿块动态CT图像分析的鉴别诊断性能较高;随后研究者又验证了用于肝纤维化程度分析的深度学习系统(FDLCT)对肝脏增强CT图像的诊断性能,显示FDLCT诊断中晚期纤维化(F2～F3)及肝硬化(F4)的AUC为0.75和0.73,表明该CNN诊断系统能通过分析CT影像准确地对肝纤维化程度进行分期,且性能良好[24];研究还发现,CNN与腹部超声有效结合对肝纤维化也有良好的诊断效能[25];Chaudhary等[26]使用肝细胞癌DL模型分析肝癌患者RNA测序、miRNA测序和癌症基因组图谱的甲基化数据,发现该模型可有效预测患者的生存率。

Saftoiu等[27]评估了基于神经网络的超声弹性成像内镜系统对胰腺局灶性肿块的诊断效果,通过增加两层隐藏的多层感知器来扩展对图像数据的神经网络分析,并通过反向传播算法来自动区分病变的良恶性。共分析258例患者(47例慢性胰腺炎及211例胰腺癌)的774张图像,结果显示该神经网络算法检测准确率为84.27%,灵敏性为87.59%,特异性为82.94%,证实使用AI可以实现对胰腺局灶性肿块的自动分析,提供快速准确的诊断,进而对临床决策提供支持。

2.4.2在UC中的应用:

UC病情迁延易复发,被称为“绿色癌症”,急性重症UC甚至可危及患者生命,目前诊断多依赖结肠镜检查及组织病理学检查,且内镜下UC严重程度分级是评价患者治疗反应和判断患者预后的关键。为了比较DL模型与内镜医师根据内镜图像评估UC患者疾病严重程度中的表现,Stidham等[28]使用基于InceptionV3图像分类体系的一种159层的CNN系统,采用4级Mayo评分对3082例UC患者16514张内镜图像进行回顾性分析,结果显示,使用静止图像和全运动视频测试诊断的灵敏性为83%,特异性为96%,AUC为0.97,与内镜专家相比,DL模型在区分中重度UC方面表现更为出色,可以提高结肠镜检在UC研究和临床诊疗中的应用效果。CNN除可用于评估UC病情外,在指导UC患者的临床治疗决策上也有出色表现,Morilla等[29]经DL算法鉴定急性重症UC患者结肠微小RNA表达谱来预测急性重症UC患者对英夫利昔单抗及环孢霉素治疗的反应,结果显示,基于深度神经网络的分类器共鉴别出9个相关的微小RNA,最终确定出3种基于微小RNA水平的算法识别UC患者对英夫利昔单抗有无应答的准确率为84%,环孢霉素为80%,证实该智能分类器可用于帮助急性重症UC患者选择有效治疗措施,具有良好的应用前景。

2.4.3在消化系统其他诊疗方面的应用:

Shichijo等[30]使用深度神经网络架构GoogLeNet系统首次评估了CNN诊断幽门螺杆菌(H.pylori)感染的能力,首先使用32208张内镜图像的数据集对CNN系统进行训练,最后使用11481张图像用于CNN诊断性能评估,发现CNN诊断H.pylori感染的灵敏性、特异性、准确率和诊断时间分别为88.9%、87.4%、87.7%和194s,明显优于同时参与研究的23名内镜医师[分别为79.0%、83.2%、82.4%和(230±65)min],表明CNN系统分析内镜图像诊断H.pylori感染准确率较高且用时极短;此外,CNN在数字组织病理学图像分析中也有突出表现,不仅在乳腺癌、肺癌、膀胱癌的诊断及分类中表现不俗,在胃癌的诊断上同样具有明显优势,Sharma等[31]曾将AlexNet深度卷积框架应用于数字组织病理学图像分析,在胃癌的识别和诊断上取得了良好效果。

3、展望

以DL为代表的AI技术不仅提高许多消化道疾病诊断的准确性,且省时省力,可一定程度上消除医师主观因素带来的不利影响,还可为临床医师提供更多的病情数据,便于其更准确地做出临床决策,但大多智能辅助诊断系统程序复杂,初始操作难度大,对图像及视频数据质量要求高,且目前多处于静态诊断阶段,应用于临床的实时诊断智能系统仍有待进一步研发。如何实现智能辅助诊断系统与内镜的高度融合、提高诊断效率、简化操作流程及机器与人的良好互动等工作还需要广大科研工作者进一步攻关。相信随着AI升级为国家战略,医务工作者的积极融入,以DL为代表的AI技术在消化系统疾病的诊疗中将有更大作为。

参考文献：

[7]王威,李郁,张文娟,等.深度学习技术在疾病诊断中的应用[J].第二军医大学学报,2018,39(8):852-858.

[16]王智杰,高杰,孟茜茜,等.基于深度学习的人工智能技术在早期胃癌诊断中的应用[J].中华消化内镜杂志,2018,35(8):551-556.

韩伟,周金池,魏延,张哲,赵曙光.深度学习技术在消化系统疾病诊疗中的应用[J].胃肠病学和肝病学杂志,2020,29(09):1070-1074.