人工智能在消化内镜范畴的展开和使用
发布日期:2019-06-03 11:01:36 来历:中华医学信息导报 作者: 水兵军医大学隶属长海医院消化内科 赵胜兵 柏愚 李兆申 阅读次数:

李兆申


伴跟着深度学习算法的呈现,机器学习彻底摆脱了人工提取数据特征低效和不精确的局限性,给人工智能(AI)的研讨和展开带来了革命性的前进。在大数据的支撑下,根据深度学习的AI体系对皮肤病变和糖尿病视网膜病变的图画现已具有与医学专家相同甚至更佳的辨认才能,显现出辅佐临床医治的潜力。根据深度学习的计算机辅佐确诊(CAD)在消化内镜范畴也遭到越来越多的重视,结肠镜、上消化道内镜、胶囊内镜等内镜印象范畴中卷积神经网络(CNN)具有很高的使用价值, 在辨认上消化道内镜图画的解剖部位、幽门螺杆菌(Hp)感染和胃癌,结肠息肉的检测与分类,炎症性肠病的监测,辨认乳糜泻和钩虫病,小肠病变检出与运动特征分类等范畴取得了突破性效果。与此一起,国内外学者也逐步注意到消化内镜范畴CAD开发过程中的信息孤岛、数据搜集与标示标准性、患者隐私维护与数据安全等灵敏问题,着手讨论拟定CAD开发与运转的职业辅导定见及标准以确保辅佐确诊的精确性和临床适应性,促进职业的良性循环与可持续展开。本文就深度学习与CNN 在消化内镜范畴的研讨现状作一总述,以期为我国智能化内镜的探究供给思路和参阅。

 

结肠镜范畴

结肠镜CAD 是AI 在消化内镜范畴最受重视和深化的研讨方向, 现在的研讨首要会集在结肠息肉的主动检出和息肉性质的实时辨别, 但绝大多数研讨尚处在探究性质的临床前阶段。根据传统机器学习的CAD 依靠内镜医师提取病变特征反馈给计算机, 而这些特征提取的胜败关键在于医师的了解是否与计算机所展现的息肉图画彻底共同, 但不同医师及同一医师在不一起刻对同一图画的了解或许会有显着不同。此外, 息肉在形状、色彩、纹理上存在的个别差异, 肠道内的皱襞、血管、结肠瓣和粪水, 调查的视点, 图画的质量, 以及肠镜视频内很多的反光都对人工提取特征的精确性有很大影响。因而, 在深度学习和CNN 呈现之前,根据人工提取特征CAD 的辅佐确诊效能有限, 大多数不能满意临床实践需求。近年来, 跟着深度学习算法的呈现, 不断有结直肠息肉主动检出和光学活检范畴的突破性研讨效果出现。

1.       结直肠息肉智能检出

工科范畴首要在息肉CAD 的智能检出范畴开端了探究, Shin 等的研讨比较了根据深度学习的CNN智能辨认结构与根据支撑向量机( SVM)的人工提取特征结构, 通过在三个开源的结肠息肉图画数据库(练习数据库:561张息肉和964张正常肠道图画;测验数据库: 1 9 6 张息肉和1 7 0 张正常肠道图画) 进行了测验比照, 发现深度学习相较于SVM有显着优势, 精确度、灵敏性和特异性均逾越90 % 。相同, IBM 公司研讨团队通过CNN学习35个肠镜视频(11 802张图画)的特征,在测验中完成了86%的灵敏性和85%的特异性。临床医师主导的研讨中, Misawa 首要报导了三维成像的CNN可根本实时检出肠镜视频中息肉,灵敏性和特异性别离到达了9 0 % 和63 % 。Urban等报导了CAD 对结肠息肉的检出功能相同优异, 受试者作业曲线下面积(AUC) 到达0.991 、精确度到达96 %。我国刘晓岗教授团队也报导了CAD 对肠镜视频中息肉检出的灵敏性逾越90%、特异性逾越95.4%,并通过临床随机对照实验证明了CAD 可进步我国人群腺瘤检出率,可辅佐内镜医师发现更多结肠腺瘤与息肉,削减漏诊。但除此之外,现在将CAD实践运用于临床的研讨非常有限,提示研讨人员在进一步加强学习材料的搜集与质量操控和优化算法算力的根底上,需求进一步展开大样本多中心医疗机构,特别是包含底层社区医院的临床验证, 以进一步探究CAD在结肠镜查看的可行性、内镜医师承受度,以及有效性, 促进A I 更好地与肠镜实践结合,真实完成结肠息肉的实时智能检出。

   2.       结直肠息肉光学活检

回忆性研讨 日本研讨人员Komeda使用回忆性搜集的1200张白光内镜图画(腺瘤性和非腺瘤性各占50%),通过CNN练习获得了75%的辨别精确度。在根据扩大窄带光谱成像(NBI)图画的学习材料上,香港中文大学的研讨人员结合深度学习与搬迁学习算法,使用1106张正常内镜图画和826张息肉NBI 图画进行练习和验证,证明了AI对内镜医师的辨别精确性的逾越,其灵敏度、精确度和精度均逾越8 5 % 。临床医师主导的研讨中,我国台湾的研讨人员通过前瞻性搜集扩大NB I 图画( 1476 张肿瘤性小息肉和6 8 1 张增生性小息肉),使用深度学习结合搬迁学习练习使CAD完成了96.3%灵敏性和78 . 1%特异性,且用时显着低于医学专家。美国研讨人员Byrne使用125枚小息肉的高清录像点评根据深度学习CAD的息肉辨别效能,发现CAD不可以区别少部分(15%)结肠息肉, 而对剩下的106枚息肉性质辨别的精确度、灵敏性和特异性别离为94%、98%和83%, 两项研讨的确诊功能都到达了美国消化内镜协会引荐针对结肠息肉展开“ 确诊- 脱离”战略的根本要求,具有进一步深化临床验证和推行的价值。

前瞻性研讨 虽然包含日本学者Mori在内的多名研讨者均陈述CAD的确诊效能可以很好地满意“确诊-脱离” 战略的要求,但现在一切关于结直肠息肉光学活检的研讨都是根据S VM等传统机器学习,尚无根据深度学习与CNN的光学活检功能的前瞻性实时点评。

此外, 日本研讨人员Tsuyoshi等使用841例溃疡性结肠炎(UC)患者的26 304 张结肠镜图画练习根据CNN 结构CAD区别UC疾病活动状况的才能,该CAD在测验集(来历于114例患者的3981张UC肠镜图画)中对正常黏膜和黏膜愈合阶段的AUC别离为0.86和0.98,并在不同肠段显现出高度的确诊安稳性, 有望助力UC疾病分期和辅导医治。

 

上消化道内镜范畴

上消化道范畴CAD的研讨焦点为Barrett 食管异型增生、前期食管胃癌和Hp 感染的检出。虽然现在很多临床前探究研讨标明, CAD 具有杰出的功能以检出这些病变,可是尚无根据临床实践的研讨点评CAD 在上消化道内镜的可行性、效能和安全性。

食管癌方面, 日本学者Hirasawa初次报导了根据深度学习和惯例内镜图画树立的CAD , 其完成了对食管鳞癌92 % 的确诊灵敏性, 但假阳性率偏高导致阳性猜测值仅为31 % 。值得注意的是, 该CAD 处理2296 张测验集图片仅需47s , 根本具有实时剖析的临床运用远景。别的, 日本学者Horie 等使用82 8 4张食管癌惯例内镜图片练习CNN , 其确诊食管癌的灵敏性为98 % , 阴性猜测值为95 % , 但阳性猜测值仅为40 % 。安徽医科大学榜首隶属医院的研讨人员Zhao 标明, 使用CAD 可完成对扩大NBI图画的食管血管形状的精确分型,有助于食管鳞癌病变的前期确诊。德国学者Alanna 等报导, 使用深度学习可对Barrett 食管白光和内镜图画中食管癌确诊92 % ~ 97 % 的灵敏性和80%~100%的特异性,有助于Barrett 食管患者的监测和办理。

在猜测胃癌的滋润深度方面,我国周平红教授团队使用790 张胃癌的传统内镜图画树立了根据深度学习CAD,完成了对侵犯到黏膜基层胃癌76%的确诊灵敏性和96%的特异性。在H p感染检测方面, 日本学者Shichijo通过使用CAD 学习32208张内镜图画完成了89%的灵敏性和87%的特异性, 确诊精确性显着高于内镜医师。Itoh等使用有限的练习集和测验集也完成了类似的成果。此外,Nakashima等通过前瞻性搜集同一病灶的白光、NBI 和联动成像(LCI)内镜图片作为学习材料练习CAD , 发现根据NBI或LCI的内镜图片可以显着进步猜测Hp感染状况的精确性( AUC,NBI:0.96,LCI : 0.95,白光:0.66)。在内镜质控方面, 我国于红刚教授团队通过RCT证明,根据深度学习CAD可显着削减上消化道内镜查看的视界盲区, 进步了胃镜留图的完成度, 有助于上消化道内镜查看的质量操控; 一起该团队也发现CA D 可检出内镜图画测验会集的前期胃癌,其灵敏性、特异性和精确度均逾越90%。

 

胶囊内镜范畴

胶囊内镜一次查看将发生3 万~ 4 万张图片, 在海量的查看图片中精确筛选出病变图片, 需求耗费很多的精力和时刻, 并或许漏诊适当份额的病变。现在, CAD 研讨首要会集于胶囊内镜图画中病变的智能检出, 以削减漏诊和节约人力物力本钱。香港中文大学Jia等的研讨显现, 相较于传统的机器学习,根据CN N的深度学习在10000张胶囊内镜图画(2850 张出血和7150 张正常图画) 的练习和测验中, 可以显着进步对出血灶辨认的灵敏度和精确度, 使其水均匀逾越99 % 。与之类似的是, 南边科技大学Zhou 等发现, CNN 对乳糜泻等小肠病变的辨认到达了100% 的精确性与特异性。西南交通大学He 与Wu 等使用根据深度学习的CAD别离完成了对十二指肠钩虫检出84.6%和78%的灵敏性。在胶囊内镜结肠息肉的智能检出方面, 香港中文大学Yuan等规划出了一种全新的深度学习图画结构, 可以对息肉智能检出的精确度到达甚至逾越98%。

临床医师主导的研讨方面, CAD 对小肠毛细血管扩张的辨认可完成优异的确诊功能, 确诊灵敏性和特异性别离到达100 % 和96 % , 而CAD 对溃烂和溃疡的检出灵敏性与特异性可别离到达88.2%和90.9%。

 

机会与应战

伴跟着A I 研讨浪潮, 智能化内镜的探究不断向前跨进。在很多消化内镜范畴中,尤以结直肠息肉智能检出和性质辨别的重视度最高,研讨最为深化,我国学者宣布了结肠镜甚至A I 图画辅佐确诊范畴的首项R C T 陈述, 标明结肠镜可辅佐内镜医师发现更多结肠腺瘤与息肉,削减病变的漏诊; 一起也在A I 辅佐胃镜查看质量操控中做出行之有效的探究。

虽然现在CAD 辅佐消化内镜病变检出与辨别范畴取得了令人鼓舞的成果,但杰出的C A D 功能需求依靠于海量的高质量标签数据,杰出的学习材料是A I 学习、辨认和区别病变的重要根底。CAD 仍存在许多问题:(1)各类消化道病灶图画存在显着的个别差异性,较一般医疗数据的标示难度更大;(2)内镜数据的稀缺性和孤岛效应使得现在绝大多数消化内镜范畴的A I 探究没有通过体系谋划, 遍及是根据单中心有限数据集的回忆性研讨, 数据异质性较大, 难以确保CAD 确诊功能的稳健性和可推行性; (3)缺少第三方的大样本高质量数据集对不同的CAD 进行共同测验,存在模型过拟合与疾病谱偏移的危险, 难以在同一水平对CAD 的确诊效能进行客观共同的点评。为处理这些展开瓶颈,未来应该展开更多的大样本多中心前瞻性研讨以树立高质量数据集和确诊功能安稳且优异的CAD 。此外, 深度学习算法有“ 黑箱” 的性质, 成果缺少可解说性, 未来应该有更多的研讨致力于解说成果的合理性, 以进一步进步CAD 确诊的安全性及临床医师和患者对确诊成果的承受度。

(摘自《中华医学信息导报》2019年第34卷第10期)




Produced By 大汉网络 大汉版通发布体系