計算機輔助診斷在結腸鏡檢查中的應用

甘建琛，張明慶，秦海，張錫朋

結直腸癌是全球常見的惡性腫瘤之一，其中約90%由腺瘤發展而來，從腺瘤發展成浸潤性癌約需10年或更久時間[1]。結直腸癌可以通過結腸鏡檢查早期發現，并通過切除腺瘤而有效預防。美國一項大型隊列研究顯示，結腸鏡檢查后結直腸癌的死亡率降低約70%[2]。但由于內鏡醫師技術水平的差異，結腸鏡檢查腺瘤檢出率并不一致。有研究表明，結腸鏡檢查中腺瘤檢出率與結腸鏡檢查后結直腸癌的發生率和死亡率呈負相關[3]。因此，結腸鏡檢查的質量控制對結直腸癌的早期診治意義重大。

此外，結腸息肉分類診斷的準確性同樣與結腸鏡檢查的質量相關，包括癌前病變與非腫瘤性病變的鑒別，以及癌黏膜下浸潤的評估。通常采用目視檢查判斷息肉的病理學類型，以決定是否切除。在沒有病理評估的情況下可放棄大多數微小病變，以最小的風險節省大量成本。美國胃腸內鏡學會提出，當采用目視檢查方法診斷時，如果小的直腸乙狀結腸腺瘤準確率達到＞90%，“診斷和保留”策略是允許的[4]。但結腸鏡的目視檢查高度依賴內鏡醫師的經驗，因此越來越多的內鏡醫師建議進行內鏡檢查質量評估，以提高結腸鏡下目視檢查的水平。

結腸鏡檢查的計算機輔助診斷（computer-aided diagnosis，CAD）一直是人工智能研究的熱點。但由于計算機算法和能力的原因，長期以來局限于工程領域的基礎性研究。隨著深度學習算法的出現和計算機運算能力的顯著提高，結腸鏡檢查的CAD正在成為現實[5]。CAD可以通過實時顯示提示內鏡醫師注意可能被忽略的息肉，提高腺瘤檢出率；還可以加快對結直腸息肉進行準確的光學活檢表征，如為非腫瘤性息肉，可以減少不必要的息肉切除。本文就CAD在結腸鏡檢查中的研究進展作一綜述。

1 結直腸息肉的自動檢測

2003年，2 個小組報道了在白光結腸鏡圖像中應用計算機檢測息肉的初步研究，2 項研究均是基于小波變換作為提取圖像的分類器，在初步設置時具有良好的準確率（＞90%）[6-7]。在此之后，其他小組將各種設計思想和技術修改應用到診斷算法中。這些修改后的模型大多利用公共息肉數據庫，如CVC-ColonDB 和ASU-Mayo 的圖像進行評估，敏感度為48%～90%[8-11]，但這些數據庫多是少于20個息肉的有限數量的圖像，因此對檢測結果應謹慎看待。一項利用含有31 個息肉的24 個原始視頻制作的能量圖，得到了令人滿意的結果，敏感度和特異度超過70%[12]。然而，有多種因素可能會影響這種“手工”算法的實際效果，包括計算速度、計算機的運算能力、相對較低的敏感度以及由血管、殘余糞水和皺褶引起的假陽性。

上述狀況隨著深度學習的出現而有所改變。最近發表了3項利用深度學習實現息肉自動檢測的研究。Misawa 等[13]開發了一個幾乎可以實時自動檢測息肉的三維卷積網絡模型，該模型由三維卷積神經網絡驅動的計算機算法，通過輸出內鏡圖像四角的顏色來提示息肉的存在；內鏡仍然需要對息肉進行定位，但由于息肉沒有覆蓋矩形，因此不影響息肉的特征描述，以50個息肉視頻和85個非息肉視頻作為測試集，敏感度為90%，特異度為63%。隨后，Urban 等[14]開發了一種新的 CAD 模型，在實驗條件下有非常好的診斷能力，其診斷準確度達到96%，利用9 個視頻對評估算法的有效性進行評估，結果表明使用CAD比不使用CAD多識別出9個息肉（45個vs.36個）。Wang等[15]利用另一種CAD模型對1 138例患者的27 113 張靜態圖像，以及來自111 例患者的138 個息肉的視頻記錄進行分析，并將54 個結腸鏡檢查的視頻記錄作為測試集，其敏感度和特異度均達到90%。

最近，Wang 等[16]報告了第一項前瞻性、隨機對照研究的結果，該研究使用基于深度學習的高性能CAD 系統，可以有效處理以前未識別的息肉，1 058例患者經過隨機分組，536例接受標準結腸鏡檢查，522 例接受CAD 結腸鏡檢查，結果顯示CAD 能顯著提高腺瘤檢出率（29.1%vs.20.3%，P＜0.001），提高患者的平均腺瘤檢出數（0.53 個vs.0.31 個，P＜0.001）。此外，增生性息肉的檢出量也顯著提高（114個vs.52個，P＜0.001）。

2 CAD在息肉分型技術中的應用

2.1 放大窄帶成像內鏡 Tischendorf 等[17]和Gross等[18]報道了 CAD 在放大窄帶成像（narrow band imaging，NBI）中的應用，他們使用了類似的算法，該算法從放大的NBI 圖像中提取9 個血管特征，如長度、亮度、周長的序列，使用支持向量機將這些特征分為兩類病理預測（即腫瘤或非腫瘤）。Gross 等[18]的數據顯示CAD 的準確率為93.1%，優于普通內鏡醫師（非專家）的診斷準確率，證實CAD可以為內鏡經驗不足者提供有力的支持。在此之后，日本的一個研究小組在CAD 模型的開發中取得了重要的進展，與以往的研究不同，他們采用了直方圖的視覺單詞算法，使圖像分析系統更加高效，從而有助于息肉病理的實時預測[19-20]。Kominami等[20]對放大NBI的CAD 模型進行了前瞻性評價，在該研究中，41 例患者的118 個結腸病變在結腸鏡檢查中進行了實時CAD 評估，CAD 診斷準確率為93.2%；92.7%的病例中，基于病理檢查的結腸鏡隨訪建議與基于實時CAD 預測病理的結腸鏡隨訪建議相一致，符合“切除-丟棄”策略的標準。Byrne 等[21]使用125 個包含小息肉的內鏡下未經修改的視頻評估了他們的模型，發現其中19個息肉的組織學結果無法通過該模型預測，其余106 個小息肉利用該模型鑒別腺瘤的敏感度為98%，特異度為83%。同樣，Chen等[22]使用284個小息肉評估了他們的CAD模型，該模型鑒別腫瘤或增生性息肉的敏感度為96.3%，特異度為78.1%。

2.2 放大內鏡 放大內鏡可以幫助內鏡醫師識別結直腸息肉的表面結構，有助于準確預測凹陷型息肉的分類（敏感度97.8%，特異度91.4%）[23]。凹陷型息肉分類診斷的CAD 系統一般采用定量分析凹陷型息肉結構，或對整個內鏡圖像進行紋理分析。第一種方法是基于凹陷型息肉結構的提取，然后自動定量評估，如面積、周長、大小擬合橢圓、圓度等。Takemura等[24]應用該方法對134枚凹陷型息肉進行CAD 診斷，其總體診斷正確率達到98.5%。Hafner等[25]描述了另一種方法——紋理分析，這是一種小波域紋理圖像特征的算法，用于484 枚凹陷型息肉的分類診斷，其最高總精確度為97.73%，留一法驗證的總精確度為99.59%。以上兩種用于凹陷型息肉分類的CAD 模型在研究中顯示出了很好的診斷準確性，但仍需進行進一步的評價。

2.3 細胞學內鏡 細胞學內鏡（H290ECI；奧林巴斯）以及共聚焦激光顯微內鏡（Cellvizio；Mauna Kea技術公司）是新型的體內接觸顯微成像系統，它們能在結腸鏡檢查時分別提供500 倍或1 000 倍的實時細胞學圖像[26]，這些聚焦的、固定大小的圖像有助于CAD進行圖像分析，因此這些設備是與CAD系統結合的理想選擇。Mori等[27-28]對CAD在細胞學內鏡中的應用進行了深入的研究，通過多個模型的探索，大大提高了腫瘤性病變診斷的敏感度和特異度。Mori等[29]最近進行了一項更大規模的前瞻性研究，以探索細胞學內鏡中CAD系統的有效性，該研究納入了791 例患者，使用 CAD 評估了 466 個小息肉，其中小型直腸乙狀結腸腺瘤的陰性預測值為93.7%。

2.4 共聚焦顯微內鏡 目前有4 項研究對CAD 在共聚焦顯微內鏡中的應用進行了評估，其中2 項研究側重于自動病理預測。Andre 等[30]報道腺瘤與非腫瘤性息肉的鑒別準確率為89.6%，而Stefanescu等[31]報道晚期結直腸癌與正常結腸黏膜鑒別準確率為84.5%。另有2項研究針對定量圖像質量優化，有助于醫生分析共聚焦顯微內鏡下圖像[32-33]。

2.5 激光熒光光譜 激光熒光光譜的CAD 系統通過分析吸收了誘導激光的組織發出的光，預測息肉的病理分型。檢查過程中，內鏡醫師可以識別微小的息肉，通過CAD 實時評估預測病理，并在必要時用活檢鉗切除，以獲得病理診斷。Kuiper 等[34]的前瞻性研究中，該CAD系統識別小腺瘤的陰性預測值為73.5%。后續Rath等[35]報道的一項單中心前瞻性試驗，包括27例患者的137個小型息肉，其識別腺瘤性息肉的陰性預測值為96.1%。

2.6 白光內鏡 白光內鏡是目前應用最廣泛的內鏡檢查方式，因此白光內鏡下CAD指導息肉的分類診斷具有重要意義。但這一檢查方式達到較高的精確度并不容易。Komeda 等[36]對白光內鏡應用了一種深度學習算法，其準確率約為75.1%，低于CAD在其他檢查技術中的應用。因此，CAD 在白光內鏡中的應用需要進行更深入的研究。但鑒于白光內鏡的診斷效果通常不如NBI 或放大內鏡檢查，因此針對這一方向的努力似乎值得懷疑。歐洲胃腸內鏡學會（ESGE）建議“使用經過驗證的分類系統來支持在上消化道和下消化道使用先進的內鏡成像進行光學診斷（強烈推薦，中等質量的證據）”[37]。

3 展望

結腸鏡檢查中CAD 的應用為內鏡檢查質量的提高，特別是腺瘤檢出率的提高和息肉病理學分類的預測方面開拓了嶄新的視野，但這一技術的廣泛應用仍然缺乏足夠的循證醫學證據支持。僅僅基于回顧性的研究結論，可能會有比較大的選擇偏倚，精心設計的前瞻性研究比回顧性研究的結論更可靠，但目前前瞻性研究的數量及病例數量仍舊有限。因此如何通過大樣本、多中心的前瞻性研究，驗證CAD在結腸鏡檢查中的應用價值是今后的研究重點。隨著人工智能的進步和內鏡檢查技術的不斷更新，CAD技術必將對包括結腸鏡在內的內鏡檢查產生深遠的影響。