膠囊內鏡圖像篩選系統的臨床應用

南京醫科大學附屬蘇州醫院 蘇州市立醫院消化內科 （江蘇 蘇州 215000）

內容提要：目的：評估膠囊內鏡篩選系統在圖像判讀中的應用價值。方法：回顧性分析2019年6月～2020年6月本院經膠囊內鏡檢查的患者共94例，收集所有患者的膠囊內鏡檢查圖像及一般臨床資料，由臨床醫師對原始圖像及篩選系統處理后的圖像進行判讀，統計所有病例的閱片時間、圖片數量、病灶檢出率及各篩選模式的病灶保留率；結果：94例受檢者中共發現病變46例，檢出率為48.94%。圖像篩選所需時間平均為（15.33±1.65）min，篩選后醫師判讀圖像所用時間與原來相比明顯降低[（34.13±6.17），（93.92±13.79）min，P＜0.001]，最終病灶保留率為98.48%。結論：圖像篩選系統可剔除大量無效圖片及相似圖片，在保留病灶的前提下極大地縮減閱讀圖片數量和閱片時間，減輕了臨床醫師工作壓力并提高了膠囊內鏡檢查的效率。

膠囊內鏡是新興的一種無創的消化道無線監測系統，目前主要用于不明原因消化道出血、克羅恩病及消化道腫瘤的診斷。但由于其檢查時間較長及人工智能技術的限制，目前膠囊內鏡采集的圖片數量巨大，人工閱片工作量大、耗時長、漏診率高，嚴重影響了膠囊內鏡的普及和發展。本文擬評估內鏡圖片篩選系統在臨床閱片中的應用價值。

1.資料與方法

1.1 臨床資料

收集自2019年3月～2020年6月本院行膠囊內鏡檢查患者的圖像資料共94例，其中男50例，女44例，平均年齡54.24歲（20～84歲）。行膠囊內鏡檢查的原因包括：體檢15例，不明原因腹痛46例，不明原因消化道出血24例，懷疑小腸克羅恩病6例，不明原因消瘦、腹瀉3例。

儀器設備：國產OMOM膠囊內鏡、診斷工作站及信號接收器。

1.2 方法

腸道準備：所有患者檢查前禁食12h，檢查前4h口服聚乙二醇電解質2L進行腸道準備。口服膠囊內鏡2h后通過無線顯示器實時監測膠囊位置，若出現膠囊內鏡胃內治療的情況，需及時通過藥物或內鏡處理。

收集所得原始數據為A組，同時將OMOM膠囊內鏡系統篩選所得數據分為B組。然后由經驗豐富的臨床醫師（從事內鏡工作3年以上）分別對2組圖像進行判讀，統計各組閱片的總時間、病灶保留率。（病灶保留率=系統篩選后檢出的病灶/原始數據檢出病灶×100%）。

1.3 統計學分析

本研究數據均使用SPSS24.0統計學軟件計算各項觀察指標的均數和標準差。數據記錄采用，計量資料采用t檢驗，計數資料采用χ2檢驗，當P＜0.05為有統計學意義。

2.結果

所有患者均完成膠囊內鏡檢查，其中7例在吞服膠囊內鏡2h后仍滯留在胃腔，2例予促動力藥物30min后進入十二指腸，5例經胃鏡由圈套器直接送入十二指腸降部。最終88例膠囊成功到達回盲部，完成全小腸檢查，回盲部到達率約93.62%，平均小腸運轉時間為（279.63±72.5）min。所有膠囊內鏡均在7d內排出體外，無小腸滯留發生。46例患者膠囊內鏡檢查結果陽性，共發現病灶132處，其中多數為多發病灶，最多達11處。4例懷疑克羅恩病患者病灶較多，且病灶間界限不明，采用病變節段數統計。

所有病例的攝片總量平均約為（55207.32±5389.47）張，經圖像篩選系統處理后剩余圖像（26792.12±2854.07）張，刪除率約51.47%。圖像篩選的平均時間為（15.33±1.65）min，經處理后圖像的閱片時間由原來的（93.92±13.79）min降低至（34.13±6.17）min（P＜0.001）。132處病灶經系統處理后，有2處病灶（均為小腸非特異炎癥灶）被錯誤篩除，病灶保留率為98.48%。

3.討論

目前臨床使用的各型膠囊內鏡工作原理基本相同，其圖像采集系統每秒拍攝2幀圖像，總體檢查時間約8～10h，最終每例患者在完整檢查后約采集到6萬張腸道圖片[1]。由于腸道準備效果、燈光照射及腸道蠕動等方面的影響，其中夾雜有大量的重復圖片集無效圖片，而臨床醫師需對其進行逐張判讀并從中找出實體病灶，這一過程枯燥、耗時，即使是有經驗的臨床醫師也需2h完成[2]。隨著膠囊內鏡的普及，目前其檢查數量在逐漸增加，臨床醫師的工作量也在與日俱增，長期保持高度的注意集中極易造成精神疲勞，最終出現漏診可能，影響膠囊內鏡的檢查效果[3]。

目前膠囊內鏡工作站可提供一些的圖像回放和基本的相似圖像處理功能，但處理過后遺留的圖片數量仍然巨大，如何合理降低醫師的閱片時間減輕工作量是膠囊內鏡技術的主要發展方向之一。受限于技術原因，人工AI直接對圖片進行分析和診斷的方法目前正處于研究階段，但通過程序篩選剔除無效圖片和相似圖片的技術已初步應用于臨床[4-6]。

該技術采用無監督聚類學習的方法，根據相鄰區間內顏色、紋理、形狀等特征表現自動識別相似圖片，然后挑選同類圖片中最能代表該類別的關鍵幀圖像（KF），刪除其他相似圖片。其優勢在于：①聚類依據的特征是符合人眼判定的顏色、紋理、形狀等，此類篩選方法與人眼識別刪除效果相同；②可解釋性強，有別于深度神經網絡類學習算法的黑匣子模型；③為機器學習無監督學習算法，不依賴于標注數據，不需要大量的人工標注；④適應性強，對于未見過的圖像類型可根據特征識別相似圖像。

葉山亮等[5]通過此技術對50例患者進行分析，結果顯示在最大限度的保留病灶圖片的前提下，≤60%的篩除比例下可有效減少醫師閱片數量，將平均閱片時間降低至15.62min。本研究中，設定的刪除比列約51.47%（篩除效果見圖1），最終病灶保留率98.48%，這與既往結果相似。2處誤刪病灶如圖2所示，2者均為非特異性腸道炎癥，病灶表面可見較多膽汁或殘渣遮擋，裸露部分不明顯，這可能是系統誤刪的原因，由此推測提升腸道準備質量可提高篩除系統最終的病灶保留率。

圖1.小腸息肉圖像篩選前后效果對比

圖2.圖B糜爛灶遭殘渣遮擋顯露較少，被作為圖A相似圖片而誤刪

綜上所述，本研究認為，圖像篩選系統可剔除大量無效圖片及相似圖片，在保留病灶的前提下極大地縮減閱讀圖片數量和閱片時間，在減輕臨床醫師工作壓力的同時也提高了膠囊內鏡檢查的效率。提高腸道準備清潔度可能可以提高系統篩選后的病灶保留率，其有效性有待進一步研究證實。