2010年以来至今，人工智能（AI）技术发展迅猛，在医学领域得到广泛应用。在消化领域，AI首先应用于消化内镜，旨在发现早癌、癌前病变及息肉，或通过无线胶囊内镜分析炎性病变或消化道出血以及内镜质控管理。不仅如此，目前AI还用于评估肝纤维化，鉴别胰腺炎与胰腺癌。此外，AI还可用于判断患者预后、预测患者对治疗的反应等。

作者：四川大学华西医院消化内镜中心  李静  胡兵

▲胡兵教授

消化道早癌及癌前病变的筛查及预后分析

消化道肿瘤的早期诊断是消化内镜工作者的重要任务之一。李兆申院士的“发现一例早癌，挽救一条生命，拯救一个家庭”理念已深入人心。然而，我国医疗资源分布不均，内镜医师临床经验以及诊疗水平不一，导致我国消化道早癌或癌前病变内镜下检出率低。人工智能辅助内镜下检测恶性肿瘤和癌前病变在一定程度上可有效提高消化道早癌及癌前病变的检出率，造福患者。

目前消化界在该领域已取得了一些可喜的成绩。四川大学华西医院胡兵教授团队利用CAD系统建立了实时自动诊断食管癌前病变及早期食管鳞癌的技术，可识别放大内镜图像、非放大内镜图像，并用于视频动态识别，大大提高了食管早癌的诊断率（图1）。湖北省人民医院于红刚教授团队使用107个真实胃镜检查视频测试AI系统，结果显示该系统监测胃镜检查盲区的平均准确度为90%，平均灵敏度88%，平均特异性95%，有利于降低胃镜操作过程中的盲区率。四川大学华西医院唐承薇团队也利用AI辅助技术建立了内镜下实时检测胃肠道隆起性黏膜病变的技术，有效减少内镜下的漏诊率。Shin 等人采用一种定量图像分析由高分辨率显微内镜获取的细胞核与细胞质区域图像，其产生与共聚焦激光显微内镜类似图像，成本较后者明显降低，实时图像分析诊断的敏感性和特异性分别高达95% 和91%。复旦大学科研团队建立了可以确定胃癌侵袭深度的人工智能辅助内镜检查系统，协助内镜医师更准确判断胃癌侵袭深度，以决定是否行内镜下胃早癌切除，改善患者预后。

^{图 AI识别食管鳞癌及癌前病变，蓝色区域为AI识别的鳞癌及癌前病变的区域（A-D 非放大恶性肿瘤图像；E-H 放大恶性肿瘤图像；E 低度异型增生；F 高度异型增生；G 肿瘤侵及黏膜固有层；H 肿瘤侵及肌层）}

除了提高诊断的准确性之外，人工智能还可以帮助医生判断消化系统肿瘤患者的预后，这主要通过人工神经网络（ANN）模型完成。一项纳入1219例结直肠癌患者的ANN模型研究表明，与传统比例风险回归模型（Cox模型）相比，其提供了更精确的生存时间及影响因素，并可用于确定患者的转移风险。另有研究利用神经网络模型评估452例胃癌患者，其确定的生存时间准确率高达90%。该技术还可帮助医生对适合接受保守治疗的ⅡA期结肠癌患者进行判断，确定更适合接受根治术治疗的患者。 

炎性病变及其他非恶性损伤

目前，人工智能同样被用于诊断炎症性疾病或其他良性疾病，如炎症性肠病（IBD）、溃疡、乳糜泻、淋巴管扩张和钩虫病等。研究者主要通过内镜、电子病历及遗传因素来诊断或确定患者患病乳糜泻或IBD等风险。约57%的研究有90%的诊断准确率。

除了诊断，AI还用于预测治疗效果，大部分研究集中于IBD患者。有研究采用ML模型分析了维多珠单治疗溃疡性结肠炎（UC）的Ⅲ期临床试验的数据。该模型对在52周无皮质类固醇内镜缓解的患者进行预测，ROC曲线下面积为0.73，而在第6周时，其粪钙蛋白水平的ROC曲线下面积为0.71。该模型可用于选择前6周维多珠单抗治疗效果不明显的患者是否继续治疗。研究还发现，AI技术可整合微生态数据及临床数据，识别抗整合素治疗有效的IBD患者。此外，ANN模型可识别细胞分离治疗后需进行外科手术治疗的UC患者，其敏感性为0.96，特异性为0.87。不仅如此，AI系统还用于预测IBD的发病或进展。神经网络模型可通过分析克罗恩病患者早期活检的形态计量学图像来预测疾病的进展（准确率约83.3%）及外科手术需求（准确率86%）。Waljee等人建立了ML模型，可通过分析电子病历数据预测IBD相关住院和6个月内门诊使用类固醇的需求。此外，神经网络模型可预测IBD患者临床复发，准确率高。 

消化道出血

消化道出血中，小肠出血的诊断往往最为困难。常规胃肠镜无法发现出血灶；小肠镜耗时长，且可能无法到达出血部位，高龄、心肺功能差的患者无法耐受；胶囊内镜依赖人工读取影像，不仅检测费时，且漏诊率较高。因而，将人工智能技术用于小肠出血的诊断有着重要的意义。有研究评对人工智能通过无线胶囊内镜采集的图像诊断小肠出血进行评估，发现其诊断准确率高于90%的研究达75%。

急性上消化道或下消化道疾病出血，虽然可通过内镜检查确定病因，但相当一部分反复消化道出血患者病人，需要多次内镜检查和治疗。基于此，研究者们建立了一些ML模型来识别有反复出血风险和最可能需要治疗的患者，并估计死亡率，准确率约90%。一项回顾性研究利用22854例消化性溃疡患者建立ML模型，并在1265例患者中得到验证，该方法可基于年龄、血红蛋白水平、胃溃疡、胃肠道疾病、恶性肿瘤和感染，识别反复溃疡出血的患者（识别1年内反复溃疡出血的准确率达84.3%）。 

肝胆胰疾病

已有研究证实，人工智能技术可辅助诊断肝胆胰疾病，特别在一些诊断困难的疾病，如胰腺癌。有研究基于超声内镜图像或血清标志物诊断胰腺癌，ROC曲线下面积约90%。此外，AI还可用于诊断病毒性肝炎相关性纤维化、非酒精性脂肪肝等。

除了提高诊断的准确性外，AI还有助于预测患者预后及疾病进展。Pearce等人建立了ML模型，基于入院的APACHEⅡ评分及C反应蛋白，预测急性胰腺炎（AP）患者的严重程度，其预测重症AP的ROC曲线下面积为0.82，敏感性约87%，特异性约71%。Hong等人创建了一种ANN模型，根据年龄、红细胞压积、血清葡萄糖和钙、血尿素氮水平来评估AP患者，其对持续性器官衰竭患者的模型识别准确率高达96.2%。此外，AI在预测肝病预后和治疗反应方面也有新的进展，可为我们提供强大的决策技术。例如，ANN模型可用来匹配肝移植的供体。Banerjee等人开发了一种基于临床及实验室数据的ANN模型，对将在1年内死亡的肝硬化患者进行推测，准确率高达90%。该模型可用于确定肝移植的最佳候选者。Khosravi等人还开发了一种神经网络模型，预测了1168例接受肝移植患者的生存时间，其估计的1~5年存活概率ROC曲线下面积为86.4%，高于Cox模型的80.7%。此外，Takayama等人创建了一个ANN模型，可识别对聚乙二醇化干扰素a-2b联合利巴韦林治疗有效的慢性丙型肝炎患者，敏感性、特异性分别约为82%和88%。 

小结

目前AI技术不能替代医生，而是协助医生在诊断疾病，确定治疗方案，预测患者预后等方面更好地作出决策。未来，AI可能在远程监控患者健康状态、防控疾病方面开展更多的工作。

本文版权归《中国医学论坛报》所有，转载需授权