人工智能在膠囊內鏡中的應用現狀與不足

褚慶玉，賈山移，冉玲華

1 重慶市人民醫院，重慶400014；2 重慶慎安醫院

人工智能(AI)是借助計算機模擬某些思維過程和智能行為的過程，“數據驅動”深度學習(DL)的問世為AI研發帶來了革命性的動力。AI能從海量的大數據中提取特征病變，通過計算機迅速地做出醫學判定[1]。計算機運算能力受計算機硬件、運算方法制約，目前DL算法包括深度神經網絡、卷積神經網絡(CNN)、深度置信網絡和遞歸神經網絡等[2]，其中CNN被最廣泛地用于醫學圖像識別。而DL算法在圖像識別準確性上，已經可以有超越人類的表現[3]。在消化內鏡領域，醫師需要處理大量的內鏡圖像，導致工作量大，同時漏診率高。AI給膠囊內鏡(CE)帶來一種全新的診療體系，全面提升了內鏡檢查效率及診療水平。近年來，大多數CE對AI的研究主要分為計算機輔助檢查系統(CADE)和計算機輔助診斷系統(CADX)兩類[2]。CADE旨在檢查、定位胃腸道(GI)病變，而CADX則專注于GI病變的識別；此外，計算機輔助跟蹤系統(CADM)的研發，用于評估CE檢查過程的完整性，提高病灶的識別，提高內窺鏡檢查質量。雖然，AI在臨床中的應用中發揮了前所未有的優勢，但仍存在不足。本文就AI在CE中的應用及存在的不足綜述如下。

1 AI在CE中的應用

1.1 CADE 在內鏡檢查中，檢查結果受閱片醫師的水平、追蹤模式等多因素制約，往往導致診斷結果的偏差。而CADE檢查系統不受上述因素的限制，對可疑病變提高檢出率，是目前CE檢查的主要方法。目前，CADE已廣泛應用于胃癌、小腸疾病、大腸息肉的檢查。有學者基于CNN模型來檢測胃癌，總體準確性為92.2%；但是受胃解剖結構影響，可導致其陽性預測值不理想[4]。多項研究顯示，AI為小腸膠囊內窺鏡(SBCE)檢查小腸病變帶來了突破；AI在自動檢測SBCE圖像方面的潛力，主要應用于腸出血、缺鐵性貧血、克羅恩病的診治、腫瘤的檢測、腹痛的診斷,并有助于急性消化道出血的治療[5]。最近，一項研究對6 970例患者的113 426 569張圖像進行病灶分析，AI顯示出比胃腸病學專家更高的敏感性，并顯著縮短了對每例患者的圖像分析時間[6]。一項針對1 058例患者的前瞻性隨機對照試驗(RCT)結果顯示，CADE能提高息肉和腺瘤的檢出率(29.1%，20.3%)，患者平均息肉、腺瘤數目分別為0.53、0.31個[7]。這表明高性能實時息肉自動檢測可以在實際臨床環境中改善檢出率，AI在SBCE檢測息肉方面表現出良好的性能。

目前，在大多數CADE研究中，敏感性被視為降低病變遺漏率的主要因素之一[8]。但假陽性率隨CADE高敏感性而增加，這可能影響內鏡檢查結果的判斷，特別是在篩查人群中[9]。因此，高靈敏度和低假陽性率之間的平衡將是未來研究的重點。

1.2 CADX CADX可以通過應用自動圖像分析來提高病變光學診斷和靶向活檢的準確性，已被用于食管癌、幽門螺桿菌(HP)感染和早期胃癌的檢查。有學者報道了一種基于CNN的食管癌識別模型，該模型可以將淺表食管癌與晚期癌區分開，準確性達98%[10]。針對HP感染的研究也表明，與內鏡醫師相比，CADX的準確性更高[11，12]。有學者將一種CADX系統應用于識別實時放大的NBI中，其對胃癌診斷的準確度≥96.3%[13]。最近，一種CNN-CAD預測胃癌的浸潤深度系統成功研發，臨床結果顯示其準確性(89.16%)、特異性(95.56%)明顯優于經驗豐富的內鏡醫師[14]。

已發表的研究表明，CADX在GI檢查時可自動識別腺瘤性息肉和非腺瘤性息肉，此結論引起了內鏡醫師的廣泛關注[15，16]。最近，一種使用窄帶成像(NBI)內窺鏡視頻鑒別腺瘤性和增生性小腸息肉的CADX系統研發成功，對106例包含小息肉的患者進行測試，該模型在區別腺瘤和增生性息肉的總體準確性、敏感性、特異性分別為94%、98%、83%[14]。最近，一項實時CADX和帶有染色或NBI圖像的前瞻性研究表明，CADX達到“診斷分離”策略，是目前最有價值的內窺鏡創新合并，對小型腺瘤的發現率﹥90%[17]。另外，CADX具有實時發現息肉的良好臨床表現[18]。隨著研究的深入，有一些研究試圖將AI應用于炎癥性腸病。最近研發的一種CADX系統,可以識別正常黏膜、病變黏膜，診斷潰瘍性結腸炎患者的準確性、特異性分別為91%、97%[19]。

1.3 CADM 隨著研究的深入，自動結腸鏡檢查系統問世，該系統可以檢測腸管表面微小息肉，并且可以描述病變的大小、形態[20]。近年來，在CE中應用CNN的研究激增。但是，多數已發表的研究集中在GI病變的診斷或檢査的質量控制以及監督檢查的完整性，而忽略檢查時間及圖像的質量。CE的檢查時間以及收集圖片的清晰度,是改善內窺鏡檢查的基礎。Wu等[21]研發了一個實時質量改進系統WISENSE以監控CE盲區，對檢查過程進行計時并在CE檢查期間自動生成照片；將WISENSE用于324例患者的RCT研究顯示，WISENSE組的盲點率(5.86%)低于對照組(22.46%)。在結腸鏡檢查領域，AI充分發揮智能的潛力。最近一種自動質量控制系統(AQCS)問世，該系統不但可以定時停藥，還能監督藥物穩定性以及評估腸道準備和檢測結直腸息肉。臨床試驗表明，AQCS可以使息肉和腺瘤的漏診率降到16.5%，且能延長給藥撤藥時間[22]。

2 AI存在的不足

2.1 數據因素 每個系統收集的圖像均是高質量的內窺鏡圖像構建數據庫，對于低質量或無法識別的圖像未納入數據庫，數據庫圖片的過度模擬化導致檢查結果存在一定的誤差。在這種情況下，系統診斷的準確性可能被夸大。同時，靜態高質量圖像的良好性能并不能確保在動態視頻中獲得成功。因此，可以考慮運用加強數據集的方法，增加數據集的大小，在一定程度上避免過擬合現象的發生，從而使系統更加穩定。同時，為便于在CE檢查過程中進行實時評估，采用未經處理的圖像對CNN進行訓練和(或)測試是更理想的方法。此外，數據庫收集的回顧性研究不能涵蓋所有病變的形態特征，而捕獲圖像的病變往往沒有最典型的病變特征，導致一些具有臨床價值的非典型病灶被忽略，導致較高的選擇偏倚[23]。因此，系統數據集的構建應包括具有各種形態學特征的GI病變。

2.2 實驗樣本因素 當前大多數研究通過診斷測試評估AI輔助系統，結果在很大程度上受到樣本數量、質量的影響。測試集和數據集在患者或病變級別應完全獨立?？紤]到數據偏斜度對AI的影響，應根據疾病分類、人群等因素來確定測試數據集的分布，以確保結果的合理性和充分性[24]。

2.3 研究方法因素 首先，應將患者的風險分級納入當前CNN的模型中，以提高在高風險人群中的診斷，同時減少普通人群的誤診率。上述問題都是可能導致AI在CE應用中存在的不確定因素。此外，一些前瞻性研究采用單一方法進行，所以無法對AI系統進行確切評估[25]。其次，先前研究的結果指標主要集中在技術指標上，如敏感性、特異性、陽性預測值、陰性預測值，而這些指標很容易受到測試人員分布的影響。最后，評判DL各種算法的性能沒有“黃金”法則，而是依據實驗者對系統的熟練程度，算法的不同也是導致實驗誤差的原因。

2.4 技術因素 目前，大多數研究仍集中在早期系統開發和可行性研究上，而后期產品開發未能跟進[26]。因此，醫學界、計算機科學家行業之間更緊密的協作對促進AI在醫療產品中的臨床應用至關重要?？紤]到當前醫療資源和醫師能力的不平衡，將AI技術集成到當前醫療系統中是改善工作流程的理想方法。

隨著CE新技術的發展，智能融合是CE發展的趨勢，而最具潛能的是與光活檢和刷檢的結合，解決CE病理檢查的局限。光活檢具有高分辨率、高靈敏度、高精確度且無損傷、安全等優點,而細胞學刷檢方法簡便、診斷快捷、報告迅速。在AI技術的發展，光活檢、刷檢與CE結合，使內鏡病理檢查快捷、精準。隨著技術的進步,具有先進治療功能的智能CE(組織病檢、攜帶藥物、控制釋放)應用于臨床并造?；颊?。5G時代來臨，互聯網新技術與醫療領域融合的逐漸深入，CE將在醫療影像大數據分析、遠程診療等方面持續發力，利用大帶寬、低時延、高速率的天然優勢將促進跨屏、跨空間的遠程醫療快速普及，讓優質的醫療資源得以在更大范圍共享，助力消化道疾病的診治。隨著科技的進步，AI將為CE提供更為廣闊的發展空間。在不久的將來，CE與智能手機融合，CE檢查不需要在醫院進行，患者購買內鏡設備后與智能手機結合，將檢查圖像上傳，遠程進行圖像識別及診斷，提高CE檢查的靈活性、智能性。隨著科技的進步，AI輔助系統將提高內鏡的診斷率、診療效率，降低醫療費用，新的智能技術對內鏡提出了挑戰。AI、機器學習、CE技術的融合迫在眉睫，可能對當前技術的未來產生深遠影響，對提高患者的診治水平具有重要意義。