人工智能在消化內鏡領域的發展和應用
發布日期:2019-06-03 11:01:36 來源:中華醫學信息導報 作者: 海軍軍醫大學附屬長海醫院消化內科 趙勝兵 柏愚 李兆申 瀏覽次數:

新疆25选7开奖结果

李兆申


伴隨著深度學習算法的出現,機器學習完全擺脫了人工提取數據特征低效和不精確的局限性,給人工智能(AI)的研究和發展帶來了革命性的進步。在大數據的支持下,基于深度學習的AI系統對皮膚病變和糖尿病視網膜病變的圖像已經具備與醫學專家相同甚至更佳的識別能力,顯現出輔助臨床診療的潛力?;諫疃妊暗募撲慊ㄖ鋃希–AD)在消化內鏡領域也受到越來越多的關注,結腸鏡、上消化道內鏡、膠囊內鏡等內鏡影像領域中卷積神經網絡(CNN)具備很高的應用價值, 在識別上消化道內鏡圖像的解剖部位、幽門螺桿菌(Hp)感染和胃癌,結腸息肉的檢測與分類,炎癥性腸病的監測,識別乳糜瀉和鉤蟲病,小腸病變檢出與運動特征分類等領域取得了突破性成果。與此同時,國內外學者也逐漸注意到消化內鏡領域CAD開發過程中的信息孤島、數據收集與標注規范性、患者隱私?;び朧蒞踩讓舾形侍?,著手探討制定CAD開發與運行的行業指導意見及規范以保證輔助診斷的準確性和臨床適應性,促進行業的良性循環與可持續發展。本文就深度學習與CNN 在消化內鏡領域的研究現狀作一綜述,以期為我國智能化內鏡的探索提供思路和參考。

 

結腸鏡領域

結腸鏡CAD 是AI 在消化內鏡領域最受關注和深入的研究方向, 目前的研究主要集中在結腸息肉的自動檢出和息肉性質的實時鑒別, 但絕大多數研究尚處在探索性質的臨床前階段?;詿郴餮暗腃AD 依賴內鏡醫生提取病變特征反饋給計算機, 而這些特征提取的成敗關鍵在于醫生的理解是否與計算機所展示的息肉圖像完全一致, 但不同醫生及同一醫生在不同時間對同一圖像的理解可能會有明顯不同。此外, 息肉在形狀、顏色、紋理上存在的個體差異, 腸道內的皺襞、血管、結腸瓣和糞水, 觀察的角度, 圖像的質量, 以及腸鏡視頻內大量的反光都對人工提取特征的準確性有很大影響。因此, 在深度學習和CNN 出現之前,基于人工提取特征CAD 的輔助診斷效能有限, 大多數不能滿足臨床實際需求。近年來, 隨著深度學習算法的出現, 不斷有結直腸息肉自動檢出和光學活檢領域的突破性研究成果涌現。

1.       結直腸息肉智能檢出

工科領域首先在息肉CAD 的智能檢出領域開始了探索, Shin 等的研究比較了基于深度學習的CNN智能識別框架與基于支持向量機( SVM)的人工提取特征框架, 通過在三個開源的結腸息肉圖像數據庫(訓練數據庫:561張息肉和964張正常腸道圖像;測試數據庫: 1 9 6 張息肉和1 7 0 張正常腸道圖像) 進行了測試對比, 發現深度學習相較于SVM有明顯優勢, 準確度、敏感性和特異性均超過90 % 。同樣, IBM 公司研究團隊通過CNN學習35個腸鏡視頻(11 802張圖像)的特征,在測試中實現了86%的敏感性和85%的特異性。臨床醫生主導的研究中, Misawa 首先報道了三維成像的CNN可基本實時檢出腸鏡視頻中息肉,敏感性和特異性分別達到了9 0 % 和63 % 。Urban等報道了CAD 對結腸息肉的檢出性能同樣優異, 受試者工作曲線下面積(AUC) 達到0.991 、準確度達到96 %。我國劉曉崗教授團隊也報道了CAD 對腸鏡視頻中息肉檢出的敏感性超過90%、特異性超過95.4%,并通過臨床隨機對照試驗證明了CAD 可提高中國人群腺瘤檢出率,可輔助內鏡醫生發現更多結腸腺瘤與息肉,減少漏診。但除此之外,目前將CAD實際運用于臨床的研究十分有限,提示研究人員在進一步加強學習材料的收集與質量控制和優化算法算力的基礎上,尚需進一步開展大樣本多中心醫療機構,特別是包含基層社區醫院的臨床驗證, 以進一步探索CAD在結腸鏡檢查的可行性、內鏡醫生接受度,以及有效性, 促進A I 更好地與腸鏡實踐結合,真正實現結腸息肉的實時智能檢出。

   2.       結直腸息肉光學活檢

回顧性研究 日本研究人員Komeda利用回顧性收集的1200張白光內鏡圖像(腺瘤性和非腺瘤性各占50%),通過CNN訓練獲得了75%的鑒別準確度。在基于放大窄帶光譜成像(NBI)圖像的學習材料上,香港中文大學的研究人員結合深度學習與遷移學習算法,利用1106張正常內鏡圖像和826張息肉NBI 圖像進行訓練和驗證,證明了AI對內鏡醫生的鑒別準確性的超越,其敏感度、準確度和精度均超過8 5 % 。臨床醫生主導的研究中,中國臺灣的研究人員通過前瞻性采集放大NB I 圖像( 1476 張腫瘤性小息肉和6 8 1 張增生性小息肉),利用深度學習結合遷移學習訓練使CAD實現了96.3%敏感性和78 . 1%特異性,且用時明顯低于醫學專家。美國研究人員Byrne利用125枚小息肉的高清錄像評價基于深度學習CAD的息肉鑒別效能,發現CAD不能夠區分少部分(15%)結腸息肉, 而對剩余的106枚息肉性質鑒別的準確度、敏感性和特異性分別為94%、98%和83%, 兩項研究的診斷性能都達到了美國消化內鏡協會推薦針對結腸息肉開展“ 診斷- 離開”策略的基本要求,具備進一步深入臨床驗證和推廣的價值。

前瞻性研究 盡管包括日本學者Mori在內的多名研究者均報告CAD的診斷效能能夠很好地滿足“診斷-離開” 策略的要求,但目前所有關于結直腸息肉光學活檢的研究都是基于S VM等傳統機器學習,尚無基于深度學習與CNN的光學活檢性能的前瞻性實時評價。

此外, 日本研究人員Tsuyoshi等利用841例潰瘍性結腸炎(UC)患者的26 304 張結腸鏡圖像訓練基于CNN 框架CAD區分UC疾病活動狀態的能力,該CAD在測試集(來源于114例患者的3981張UC腸鏡圖像)中對正常黏膜和黏膜愈合階段的AUC分別為0.86和0.98,并在不同腸段顯示出高度的診斷穩定性, 有望助力UC疾病分期和指導治療。

 

上消化道內鏡領域

上消化道領域CAD的研究焦點為Barrett 食管異型增生、早期食管胃癌和Hp 感染的檢出。盡管目前大量臨床前探索研究表明, CAD 具備良好的性能以檢出這些病變,但是尚無基于臨床實踐的研究評價CAD 在上消化道內鏡的可行性、效能和安全性。

食管癌方面, 日本學者Hirasawa首次報道了基于深度學習和常規內鏡圖像建立的CAD , 其實現了對食管鱗癌92 % 的診斷敏感性, 但假陽性率偏高導致陽性預測值僅為31 % 。值得注意的是, 該CAD 處理2296 張測試集圖片僅需47s , 基本具備實時分析的臨床運用前景。另外, 日本學者Horie 等利用82 8 4張食管癌常規內鏡圖片訓練CNN , 其診斷食管癌的敏感性為98 % , 陰性預測值為95 % , 但陽性預測值僅為40 % 。安徽醫科大學第一附屬醫院的研究人員Zhao 表示, 利用CAD 可實現對放大NBI圖像的食管血管形態的準確分型,有助于食管鱗癌病變的早期診斷。德國學者Alanna 等報道, 利用深度學習可對Barrett 食管白光和內鏡圖像中食管癌診斷92 % ~ 97 % 的敏感性和80%~100%的特異性,有助于Barrett 食管患者的監測和管理。

在預測胃癌的浸潤深度方面,我國周平紅教授團隊利用790 張胃癌的傳統內鏡圖像建立了基于深度學習CAD,實現了對侵犯到黏膜下層胃癌76%的診斷敏感性和96%的特異性。在H p感染檢測方面, 日本學者Shichijo通過利用CAD 學習32208張內鏡圖像實現了89%的敏感性和87%的特異性, 診斷準確性明顯高于內鏡醫生。Itoh等利用有限的訓練集和測試集也實現了相似的結果。此外,Nakashima等通過前瞻性收集同一病灶的白光、NBI 和聯動成像(LCI)內鏡圖片作為學習材料訓練CAD , 發現基于NBI或LCI的內鏡圖片能夠明顯提高預測Hp感染狀態的準確性( AUC,NBI:0.96,LCI : 0.95,白光:0.66)。在內鏡質控方面, 我國于紅剛教授團隊通過RCT證明,基于深度學習CAD可明顯減少上消化道內鏡檢查的視野盲區, 提高了胃鏡留圖的完成度, 有助于上消化道內鏡檢查的質量控制; 同時該團隊也發現CA D 可檢出內鏡圖像測試集中的早期胃癌,其敏感性、特異性和準確度均超過90%。

 

膠囊內鏡領域

膠囊內鏡一次檢查將產生3 萬~ 4 萬張圖片, 在海量的檢查圖片中準確篩選出病變圖片, 需要消耗大量的精力和時間, 并可能漏診相當比例的病變。目前, CAD 研究主要集中于膠囊內鏡圖像中病變的智能檢出, 以減少漏診和節約人力物力成本。香港中文大學Jia等的研究顯示, 相較于傳統的機器學習,基于CN N的深度學習在10000張膠囊內鏡圖像(2850 張出血和7150 張正常圖像) 的訓練和測試中, 能夠明顯提高對出血灶識別的敏感度和精確度, 使其水平均超過99 % 。與之相似的是, 南方科技大學Zhou 等發現, CNN 對乳糜瀉等小腸病變的識別達到了100% 的準確性與特異性。西南交通大學He 與Wu 等利用基于深度學習的CAD分別實現了對十二指腸鉤蟲檢出84.6%和78%的敏感性。在膠囊內鏡結腸息肉的智能檢出方面, 香港中文大學Yuan等設計出了一種全新的深度學習圖像框架, 能夠對息肉智能檢出的準確度達到甚至超過98%。

臨床醫生主導的研究方面, CAD 對小腸毛細血管擴張的識別可實現優異的診斷性能, 診斷敏感性和特異性分別達到100 % 和96 % , 而CAD 對糜爛和潰瘍的檢出敏感性與特異性可分別達到88.2%和90.9%。

 

機遇與挑戰

伴隨著A I 研究浪潮, 智能化內鏡的探索不斷向前邁進。在眾多消化內鏡領域中,尤以結直腸息肉智能檢出和性質鑒別的關注度最高,研究最為深入,我國學者發表了結腸鏡乃至A I 圖像輔助診斷領域的首項R C T 報告, 表明結腸鏡可輔助內鏡醫生發現更多結腸腺瘤與息肉,減少病變的漏診; 同時也在A I 輔助胃鏡檢查質量控制中做出卓有成效的探索。

盡管目前CAD 輔助消化內鏡病變檢出與鑒別領域取得了令人鼓舞的結果,但卓越的C A D 性能需要依賴于海量的高質量標簽數據,良好的學習材料是A I 學習、識別和區分病變的重要基礎。CAD 仍存在許多問題:(1)各類消化道病灶圖像存在明顯的個體差異性,較一般醫療數據的標注難度更大;(2)內鏡數據的稀缺性和孤島效應使得目前絕大多數消化內鏡領域的A I 探索沒有經過系統籌劃, 普遍是基于單中心有限數據集的回顧性研究, 數據異質性較大, 難以保證CAD 診斷性能的穩健性和可推廣性; (3)缺乏第三方的大樣本高質量數據集對不同的CAD 進行統一測試,存在模型過擬合與疾病譜偏移的風險, 難以在同一水平對CAD 的診斷效能進行客觀一致的評價。為解決這些發展瓶頸,未來應該開展更多的大樣本多中心前瞻性研究以建立高質量數據集和診斷性能穩定且優異的CAD 。此外, 深度學習算法有“ 黑箱” 的性質, 結果缺乏可解釋性, 未來應該有更多的研究致力于解釋結果的合理性, 以進一步提高CAD 診斷的安全性及臨床醫生和患者對診斷結果的接受度。

(摘自《中華醫學信息導報》2019年第34卷第10期)




Produced By 大漢網絡 大漢版通發布系統