最新：人工智能在食管疾病中的应用进展2023.docx

最新：人工智能在食管疾病中的应用进展2023computer-aideddetection,CADe)和计算机辅助诊断(computer-aideddiagnosis,CADx)正在迅速发展。CADe可以指出内镜图像上有异常表现的可疑区域,由医师做诊断；而CADx可以对感兴趣区域进行定性，如预测病理诊断和癌症病灶的浸润深度。目前人工智能在食管疾病中的应用包括检测病变以协助快速诊断、改善成像质量及减少观察者之间在视觉分类中的变异性等。可见，人工智能可能成为内镜医师早期发现和诊断病变的辅助工具。本综述将分别从人工智能在食管鳞状细胞癌、巴雷特食管瘤变以及食管良性病变中的应用进展进行分析。一、人工智能在食管鳞状细胞癌中的应用1.CADe(1)人工智能基于内镜图像辅助检测食管鳞状细胞癌：2018年，Horie等使用经组织学验证为食管鳞状细胞癌的8428张训练图像，首次开发了一个基于卷积神经网络(convolutionalneuralnetworkzCNN)的人工智能模型。该模型整合了白光内镜和窄带光成像(narrow-bandimaging,NBl)技术。在1118张测试图像中，该模型以98%的灵敏度检测出食管鳞状细胞癌病例。2019年，Cai等使用了2428张白光内镜图像作为训练集，开发了一种可用于在白光内镜下检测早期食管鳞状细胞癌的人工智能系统。结果显示,人工智能检测的灵敏度、特异度、准确率分别为97.8%、85.4%.91.4%o其中，灵敏度比初、中、高级内镜医师均更胜一筹。此外，内镜医师的诊断能力在使用人工智能辅助后有所提高，尤其是灵敏度(89.2%比74.2%)和准确率(91.1%比81.7%),这表明人工智能系统可帮助内镜医师发现之前在白光内镜下被忽略的病变，对提高低年资内镜医师识别早期食管癌的诊断能力具有重要意义。Ohmori等于2020年开发的人工智能系统可检测食管鳞状细胞癌，该系统整合白光内镜、NBL蓝激光成像(bluelaserimaging,BLI)技术和放大内镜技术。在非放大内镜的NBI/BLI图像中，人工智能系统检测病变的灵敏度为100%,在放大内镜图像中的灵敏度同样高达98%,与经验丰富的内镜医师相当。Liu等构建的新型CNN系统同样表现了出色的检测食管鳞状细胞癌的能力(准确率为85.83%,灵敏度为94.23%,特异度为94.67%然而该研究仅使用了白光内镜图像并且样本量小，可能会导致该人工智能系统的临床应用受限。2022年,华西医院团队开展一项多中心研究，使用13083张白光内镜图像开发一种既能检测早期食管鳞状细胞癌又能描绘病灶边缘的人工智能模型。在内部验证集中，人工智能检测病变和描绘病灶边缘的准确率分别为85.7%和93.4%o在描绘病灶边缘方面，人工智能的准确率和灵敏度超过了非专家内镜医师描绘准确率和灵敏度与专家内镜医师相当。由Meng等开发的人工智能系统整合了白光内镜和NBI技术,分别有4447张图像和1695张图像被纳入训练集和测试集。在测试图像中，人工智能检测每张病变图像的总体准确率、灵敏度和特异度分别为87.5%.86.6%和91.7%o同时，在人工智能的辅助下，非专业内镜医师检测病变的准确率显著提高（88.2%比78.3%以上研究展示了人工智能在食管鳞癌中良好的检测能力，但均只验证了静态图像，缺少动态视频中因黏膜环境准备欠佳和内镜运动造成的环境影响，导致人工智能训练集与实际内镜工作环境间存在巨大差距,因此一定程度上影响其临床适用性。（2）人工智能基于内镜视频辅助实时检测食管鳞状细胞癌：近年来，陆续有人报道了实时检测食管鳞状细胞癌的人工智能系统。Guo等利用6473张NBl图像训练一种可实时自动检测食管癌前病变和早期食管鳞状细胞癌的深度学习模型，并使用内镜图像及视频进行了验证。在图像验证集A（59例癌前病变/食管鳞状细胞癌）中，该模型检测病变的灵敏度为98.04%,特异度为95.03%o然而，在视频验证集C（27例癌前病变/早期食管鳞状细胞癌）中，该模型对非放大内镜的病变检测的每帧灵敏度仅为60.8%,使用放大内镜时，该灵敏度提高到96.1%,提示放大内镜可显著改善人工智能的检测能力。该模型在静态图像和实时视频中均具有较高的灵敏度和特异度，为开发更好的早期食管鳞状细胞癌实时检测模型奠定了基础。Shiroma等回顾性收集了8428张经病理学证实为食管癌的白光内镜和NBI图像作为训练集，144个内镜视频作为验证集，构建了一个CNN系统。该系统在高速视频验证集中的灵敏度为85%,远高于内镜医师的45%o当使用人工智能辅助时，内镜医师的灵敏度提高到52.5%,仍然显著低于85%,说明该CNN系统的诊断灵敏度优于内镜医师。2022年，Yuan等利用53933张内镜图像和142个内镜视频，开发和验证了一种多模态人工智能系统。该系统在白光内镜、NBL碘染色和放大内镜图像下检测浅表食管鳞状细胞癌的灵敏度为92.5%99.7%,特异度为78.5%89.0%°在视频测试中，人工智能检测食管鳞状细胞癌的灵敏度为89.5%100%,特异度为73.7%89.5%.此外,对于白光内镜图片中局限于上皮层的浅表食管鳞状细胞癌，人工智能系统的灵敏度优于经验丰富的内镜医师(90.8%比82.5%综上，人工智能基于内镜视频辅助实时检测食管鳞状细胞癌在白光、染色、放大时均优于内镜医师，尤其是有放大内镜技术辅助时更为明显。2.CADx(1)人工智能基于内镜/高分辨显微内镜辅助诊断食管鳞状细胞癌：有研究报道了人工智能在内镜或高分辨显微内镜图像上诊断食管鳞状细胞癌的能力。Kumagai等使用4715张食管内镜图像作为训练集，开发了一种CNN模型。该模型诊断食管鳞状细胞癌的灵敏度为92.6%,特异度为89.3%,准确率为90.9%o该研究展示了自动光学技术诊断食管鳞状细胞癌的潜力。此外该模型还可以帮助内镜医师进行组织学诊断，使其能够在同一次内镜检查中做出关于切除早期食管癌的临床决定，这将有望取代常规活检从而节约成本。（2）人工智能辅助诊断食管鳞状细胞癌浸润深度：根据病灶浸润深度的不同，食管鳞状细胞癌的治疗方法从内镜切除到手术或放化疗不等。因此，准确预估病灶侵袭深度，避免过度治疗对提高患者生活质量至关重要。2017年，日本学者报道了使用放大内镜观察食管鳞状上皮内乳头状毛细血管神（Intrapapillarycapillaryloops,IPCL）形态,用于初步预测浅表食管鳞状细胞癌的侵袭深度。而目前临床常用的是日本食管学会提出的简化IPCL分型方法，该方法将IPCL分为A、BkB2和B3型血管，其中B3型血管提示黏膜下深层（SM2）更深的病变，表明需要进行食管切除术或放化疗。然而，内镜医师对IPCL分型的诊断需要有足够经验，并且具有一定主观性。但使用人工智能辅助诊断可能有利于减少观察者之间在视觉分类中的变异性，提高诊断的准确率，有利于选择最佳治疗方案,从而提高患者生活质量。2019年,Nakagawa等利用14338张图像开发了一种CADx模型,用于自动诊断浅表食管鳞状细胞癌的浸润深度。该系统鉴别黏膜及黏膜下微浸润性（SMl）癌与黏膜下深浸润ffiSM2/3海的灵敏度、特异度和准确率分别为90.1%、95.8%和91.0%,与经验丰富的内镜医师的结果相近。Tokai等于2020年使用了1751张食管鳞状细胞癌内镜图像（包括白光内镜和NBI）开发一种人工智能模型。该人工智能可以将食管上皮层至黏膜下浅层（EPSM1）的病变与黏膜下深层及更深（SM2SM3）的病变区分开，并且判断浸润深度的总体准确率为80.9%oShimamoto等收集了23977张白光内镜和NBI/BLI内镜图像（来自内镜视频及静态图像）训练一个CNN系统，同时还使用独立的视频验证集对人工智能和专家进行比较。该系统在非放大内镜和放大内镜的视频图像中诊断浅表食管鳞状细胞癌浸润深度的准确率分别为87.3%和89.2%,与经验丰富的专家内镜医师的诊断水平相当甚至更好。在微血管分型方面，Zhao等报道了一个基于窄带光成像放大内镜（ME-NBI）的人工智能模型,该模型可准确诊断A型、B1型和B2型血管，但不能识别B3型血管。在与不同年资的内镜医师进行比较中，人工智能诊断的准确率达89%,优于中级及以下的内镜医师。Uema等利用1777张内镜图像训练一种人工智能模型，该模型对B1型、B2型和B3型血管的诊断准确率分别为88.3%、87.2%和99.0%,均高于8名内镜医师的诊断水平。然而，B3型血管图像数量较少会导致数据集不平衡，因此在后续研究中需要搜集更多B3型血管的内镜图像来评估该模型的临床应用和有效性。在最新的一项多中心研究中，Yuan等开发了一种基于深层卷积神经网络（DCNN）的人工智能系统，可用于预测癌前病变及浅表食管鳞状细胞癌的IPCL亚型（包括A、B1、B2及B3型血管入该系统在内、外部验证集中的综合诊断准确率分别为91.3%和89.8%,其中,人工智能系统在内部验证集里对A型、B1型、B2型和B3型的个体灵敏度分别为92.9%、91.9%、85.7%和81.5%。综上，研究人员已经在人工智能辅助病变检测、病变范围标记、侵袭深度预测以及对早期ESCC的实时识别方面进行了广泛的探索，见表1。表1人I智能住食管鳞状细胞密中的应用研究第一作者及年份研究目的研究类激人1.智能模型图像模态训练集图像验证*图像和(或)视收是否有外部监IfCai22019定位及识别ESCC同顾性DNNWLE2428«187张否Ohmuri'2020检濯和鉴别ESCCHMttCNN-SSI)WLE、ME和作MEHIBLIJXE22562张727张否Tawg*2021实时诊断ESCC回顾性DCNNWLE42张I033张否Yannu2021口动诊断ESCC网顾性DCNN-YOLo3wRENIV2QLE.ME和作MENl川BLIvUZEIO988张2309张图像和I(M个视顿有Shir>a12021内镜准频中检测ESCCMWrtDCNN-SSDWLE和NBI8428*144个视娠有Yuan,22022检濡ESCC回顾性DCNN-YOLov3WLE、ME和/ME、BI.LCE45770张2088张图像翱142个视照是Liu,2022检测和勾ESCC边缘DCNNYOLACTWLEIO467张3506张Tokai'*2020判断ESCC浸洞深度回顾性CNN(HM)glrNrl*LE和NBlI751«291张否Urm-2021对ESeC微由管进行分型同顾性CNN-Rr9NrXhIOIMENBII777«747张否Yuan222022Hi测ESCC的网员性DCNN-HRNh*<M;RME-NBI5505«I323张是壹/注:ESa:插食竹鳍状细胞等;IPUnftH:皮内乳头状E细ItoIT样;WLEttiFl光成像；NBl指窄带光成像；BU指找激光成像；LCEIfi卢戈液姿色内镜;ME指放大内镜:C、N指七积神经网络；l)CNNfli深度稔联神经网络:DN、指深度神”网络二、人工智能在巴雷特食管异型增生和早期食管腺癌中的应用2016年，VanderSommen等首次报道了CADe对巴雷特食管的早期肿瘤性病变的检测性能。该团队使用来自44例巴雷特食管患者的100张内镜图像开发的自动化计算机算法能够识别早期肿瘤性病变，灵敏度和特异度分别为86%和87%o此外，该团队于2017年开发出一种基于容积激光内镜(volumetriclaserendomicroscopy,VLE)图像的计算机算法，该算法检测巴雷特食管的早期肿瘤性病变的灵敏度为90%,特异度为93%,性能优于临床VLE预测评分。另外几项研究也报道了与巴雷特食管瘤变有关的人工智能系统。deGroof等开发并验证了一个深度学习系统，将内镜图像分为巴雷特食管瘤变和非异型性增生。该系统在图像中检测巴雷特食管瘤变的准确率高于内镜专家（88%比73%此外，该系统在20例患者的实时内镜检查期间进行了初步研究，其表现同样良好（准确率、灵敏度分别为90%、91%工在另一项研究中，人工智能系统在实时视频中以高灵敏度（96.4%特异度（94.2%）和准确率（95.4%）检测出巴雷特食管早期肿瘤，同时还可以高精度、高速度地定位异型增生区域。因此，使用人工智能辅助内镜诊断可帮助较低年资内镜医师识别巴雷特食管早期瘤变，并协助定位活检部位。Abdelrahim等于2022年报道了人工智能模型基于实时内镜视频检测巴雷特食管瘤变的一项多中心研究，训练集和验证集包含了内镜图像及内镜视频。人工智能在图像验证集中检测巴雷特食管瘤变的诊断准确率、灵敏度和特异度分别为94.7%.95.3%和94.5%o在外部视频验证集中,人工智能检测的灵敏度、特异度和准确率分别为93.8%、90.7%和92.0%,均显著优于非专家内镜医师，这表明，人工智能辅助内镜医师实时检测巴雷特食管瘤变是可行的。以上大多数研究表明，人工智能模型在巴雷特食管瘤变的检测中具有较高的准确率,但是这些研究的主要局限性是回顾性研究和样本量偏/N表21表2人智能在巴雷特食管讣型增生和食管腺癌中的应用研究第一作者及年份研究目的研究类欧rw能模型图像模态训嫁集验证集是杳有外部验证Chalwwy)2019识别食管腺密区域回顾性SVMCLE262张图像262张图像否Hu>hi11M>lo2020评估CNN是否育助于发现巴宙特食TFH期肿痛网及性CNNWLE.NBII374张图像458张图像SdeGroof"2020检测巴雷特食管燃变回顾性CNNWl上I740张图像-杳Ebigbou2021X分不同湿洞深度的巴甯特食管痛变mi顾性CNNWLE203张图像是AMrlruhim”2022实时检测和定位巴布特食管也变利顾性CNNWLEI090171张图像及161个在顿471张图像及75个现频是注:SvM指支持向V机：CLE指共聚焦激光内履;（：、指卷积神经网络;WLK指门光内债;、川指窄带光成像;指文中未说明2.CADxEbigbo等于2020年开发一种用于诊断巴雷特食管中早期肿瘤性病变的人工智能系统。在14例患者的内镜视频中，该系统诊断早期食管腺癌的灵敏度和特异度分别为83.7%和100.0%,总体准确率为89.9%o此外，该团队又开发一个基于深度学习的人工智能系统，可在白光内镜上区分不同浸润深度的巴雷特食管瘤变，包括在黏膜（TIa）和黏膜下（Tlb）的巴雷特食管瘤变。该系统对T1a和Tlb瘤变的灵敏度为77%,特异度为64%,诊断准确率为74%,与5位内镜专家表现相当。三、人工智能在良性食管疾病中的应用1 .嗜酸性粒细胞性食管炎嗜酸性粒细胞性食管炎的发病性在过去10年中显著上升，并已成为吞咽困难和食物嵌塞的重要原因。内镜检查虽然不是诊断嗜酸性粒细胞食管炎的标准，但可以支持诊断并且提示组织学确诊所需的活检。然而，嗜酸性粒细胞性食管炎的内镜特征可能因内镜医师的不熟悉或形态变化不明显而漏诊。基于人工智能在消化系统疾病中的广泛应用并且取得重大进展，有研究者使用484张内镜图像训练一种CNN系统，评估了人工智能在内镜图像中检测嗜酸性粒细胞性食管炎的性能。该人工智能的总体准确率（91.5%特异度（93.6%）均高于测试组的内镜医师。Rommele等训练并验证一种人工智能算法，可用于检测和量化白光内镜静态图像中嗜酸性粒细胞性食管炎的内镜特征。在内部验证集中，人工智能模型检测嗜酸性粒细胞性食管炎的灵敏度、特异度、准确率分别为85.7%.95.9%、92.7%oOkimOto等构建了一个CNN系统，并评估了其诊断嗜酸性粒细胞性食管炎的性能。系统总共使用1192张经组织学证实处于嗜酸性粒细胞性食管炎活跃期（每高倍镜15个嗜酸性粒细胞）的特征性内镜图像及1192张正常食管的内镜图像进行训练，同时使用756张内镜图像作为独立测试集来评估人工智能诊断的准确率。通过对每张图像分析诊断，系统的诊断准确率为94.7%,总体灵敏度为90.8%,特异度为96.6%o可以看出,无经验的内镜医师在人工智能辅助下可以提高嗜酸性粒细胞性食管炎的检出率。2 .病毒性食管炎病毒性食管炎最常由单纯疱疹病毒（HSV）和巨细胞病毒（CMV）在免疫功能低下患者中引起，偶尔出现在免疫功能正常的患者。由于CMV食管炎与HSV食管炎的内镜特征极为相似，有时候内镜医师难以鉴别两种疾病。Lee等使用666张HSV食管炎内镜图像和416张CMV食管炎内镜图像开发一种基于机器学习的人工智能系统。该系统在验证集中以100%的准确率鉴别CMV和HSV食管炎,远远优于内镜医师（52.7%）,这表明人工智能有助于提高内镜医师对病毒性食管炎的诊断准确率。3 .食管静脉曲张食管胃底静脉曲张破裂是肝硬化最常见的并发症之一，而消化内镜可对其进行诊断及危险分层。然而,内镜医师需要熟练掌握理论基础才能对其进行准确判断。2021年，Chen等使用8566张食管胃底静脉曲张和6152张正常食管/胃的内镜图像训练一个人工智能系统使其能够在内镜图像中诊断胃食管静脉曲张和预测破裂风险。该系统诊断食管静脉曲张的准确率在图像验证集中为97.00%,在视频验证集中为96.91%o而在预测危险因素方面，该系统的表现优于内镜医师。同时，人工智能对每张图像进行分析的时间比内镜医师少(0.13s18.75s),这种高速分析保证了在实践中的实时应用。总之，人工智能的应用将有助于内镜医师更客观、更精确地评估胃食管静脉曲张。4 .胃食管反流病2019年,一项前瞻性研究表明基于CNN的模型可在内镜过程中实时诊断胃食管反流病，其灵敏度和特异度分别为67%、92%,展示了人工智能驱动的近聚焦NBI内镜通过识别感兴趣区域和IPCL实时诊断胃食管反流病的潜力。2021年,Wang等开发一种基于深度学习的人工智能模型，可在普通内镜及NBI内镜下从图像数据中自动提取特征，自动诊断并进行胃食管反流病分级(洛杉矶分级)，而无需手动选择感兴趣的区域。与最先进的内镜下胃食管反流病分类人工智能系统相比，其精度更高。在测试集中人工智能模型的准确率为87.9%显著高于2名初级内镜学员的75.0%和65.6%o由于该研究的数据集有限，未来还需要更多大规模研究来证实人工智能在检测和诊断胃食管反流病中的性能。5 .食管平滑肌瘤Zhang等利用白光内镜图像构建了一个CNN系统来鉴别食管平滑肌瘤、食管囊肿、食管乳头状瘤，该CNN系统对食管平滑肌瘤、食管囊肿和食管乳头状瘤的鉴别准确率分别为86.78%.89.26%和87.60%,与内镜医师的表现相近。四、总结与展望目前，在食管疾病诊断方面，基于不同算法和图像模态开发的人工智能系统已经被证明在诊断准确率、灵敏度和特异度方面与内镜专家相比具有相等或更高的水平。人工智能可通过在实时内镜手术中提示最佳活检部位来提高活检的质量。同时，人工智能更准确地预测早期癌症的肿瘤浸润深度,防止不必要的外科手术。相对食管癌而言，人工智能在食管良性疾病中的研究较少，但在已有研究中，人工智能均表现良好。内镜质控方面，黏膜可视化是内镜检查识别病变的基础，用人工智能软件来评估和改善上消化道黏膜暴露可提高胃镜检查质量。有关人工智能对上消化道黏膜暴露情况监测的研究较少，大多是集中在肠道准备质控上。此外，检查时间充足和检查部位充分是筛查质量的关键点，已有研究表明人工智能系统在部位识别、降低胃镜检查盲区、提高胃镜检查质量上有着良好应用前景。然而，目前基于内镜检查的人工智能系统还存在以下挑战：（1）计算机算法方面：大多数研究基于单中心的回顾性数据来进行建立、训练和验证人工智能算法。训练数据集与实际内镜工作环境之间的差异可能限制其临床适用性。（2）临床试验设计方面：使用高质量静态图像的单中心、回顾性研究可能存在选择偏倚，不能反映真实的临床场景。（3）模型构建方面：为了能反映真实的临床情况，构建能在实体内镜检查中实时检测、勾画病变范围并能自动采图和生成初步报告的人工智能模型极为重要。（4）模型训练方面：有监督学习是常用的模型训练方式，该方式需要大量的标记样本。而无监督学习能够更好地处理未标记数据。然而，在食管疾病方面，标记数据的获取可能会受到限制，这可能使得无监督学习等其他学习方法更具吸引力，并需要更多的研究和探索。结合有监督和无监督学习的方法，可提高模型的学习能力和性能。（5）质控方面：人工智能在上消化道的质控研究刚起步，涉及的质控指标还不完善，如检查前的患者准备、检查中不良反应的监测及图文报告符合率等，有待在今后的实践中逐渐完善。总之，人工智能在食管疾病的检测与诊断中已经取得显著成果，未来需要设计基于内镜视频的具有前瞻性和可比性的随机对照研究来验证人工智能的诊断性能，以及使用可靠的终点指标，如漏诊率。同时需要关注质控问题，使其更接近临床实践。