人工智能輔助結(jié)腸鏡檢查對息肉檢出率影響的Meta分析

馮夕紋，李素貞，向鵬飛，史廣蒙，綦利平

（武漢科技大學附屬武漢亞心總醫(yī)院 1.消化內(nèi)科；2.普外科，湖北 武漢 430056）

腺瘤性息肉已被證明是結(jié)直腸癌的癌前病變[1]，結(jié)腸鏡檢查是目前發(fā)現(xiàn)并切除腺瘤性息肉的主要方法之一[2]，但結(jié)腸鏡檢查質(zhì)量卻有所差異。判斷結(jié)腸鏡檢查質(zhì)量高低的指標分為術(shù)前質(zhì)量指標（腸道準備）、手術(shù)質(zhì)量指標[盲腸插管率、退鏡時間和腺瘤檢出率（adenoma detection rate，ADR）]和術(shù)后質(zhì)量指標（監(jiān)測間隔）[3]。雖然臨床不斷改進結(jié)腸鏡檢查的方法，以提高檢查質(zhì)量，但結(jié)腸鏡檢查中的腺瘤漏診率仍高達27%[4]。人工智能（artificial intelligence，AI）已在醫(yī)學領(lǐng)域廣泛應(yīng)用，深度學習（deep learning，DL）是一種機器學習方法，是AI 應(yīng)用領(lǐng)域的一個重要組成部分[5]，在成像應(yīng)用方面有著巨大的發(fā)展前景。DL是應(yīng)用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的機器學習模式，與傳統(tǒng)的機器學習相比，DL 擁有更強大的學習能力，無需進行大量數(shù)據(jù)的預處理和手動提取，即可自動提取特征，還可進行多任務(wù)學習[6]。在醫(yī)學成像方面，DL可應(yīng)用于病變檢測及分類，同時進行輔助診斷，從而提高臨床工作的準確性和效率[7]。因此，DL模型在胃腸內(nèi)鏡檢查領(lǐng)域中發(fā)展迅速。最近的研究[8]表明，計算機輔助檢測（computer-aided detection，CADe）可以準確檢測大腸息肉，降低漏檢率。但現(xiàn)有的研究在評估息肉檢測效能（如：息肉大小、形態(tài)、位置和組織學等）上數(shù)據(jù)比較分散。為此，本研究系統(tǒng)總結(jié)了AI 輔助結(jié)腸鏡對結(jié)直腸息肉檢測率的影響，以及其與病變特征之間的關(guān)系。

1 資料和方法

1.1 文獻檢索策略

檢索自建庫至2021年5月Cochrane Library、PubMed、Embase、Web of Science、中國知網(wǎng)（CNKI）、萬方數(shù)據(jù)（Wanfang Data）和維普網(wǎng)（VIP）中關(guān)于AI 輔助結(jié)腸鏡檢查的研究。采用主題詞與自由詞相結(jié)合的方法進行檢索：artificial intelligence 、colonoscopes、colonoscopy、人工智能和結(jié)腸鏡。

1.2 納入與排除標準

1.2.1 納入標準①研究對象：行結(jié)腸鏡檢查的門診或住院患者，年齡≥18歲；②研究類型：隨機對照試驗（randomized controlled trial，RCT）；③干預措施：AI 組采用AI 輔助結(jié)腸鏡檢查，對照組采用常規(guī)結(jié)腸鏡檢查；④腸鏡檢查質(zhì)量：波士頓腸道準備評估量表（Boston bowel preparation scale，BBPS）≥ 6 分，退鏡時間 ≥ 6 min，盲腸插管率≥85%。

1.2.2 排除標準①重復發(fā)表的文獻；②無全文、信息不全或無法進行數(shù)據(jù)提取的文獻；③會議論文、綜述和個案報告；④非中文或英文文獻。

1.3 結(jié)局指標

1.3.1 主要指標①ADR；②息肉檢出率（polyp detection rate，PDR）。

1.3.2 次要指標①腺瘤位置（左半結(jié)腸、右半結(jié)腸）；②腺瘤大小（≤5 mm、6～9 mm和 ≥10 mm）；③腺瘤形態(tài)（有蒂腺瘤和無蒂腺瘤）；④息肉位置（左半結(jié)腸和右半結(jié)腸）；⑤息肉大小（≤5 mm、6～9 mm和 ≥10 mm）；⑥息肉形態(tài)（有蒂息肉和無蒂息肉）；⑦退鏡時間（不包括活組織檢查或治療時間）。

1.3.3 相關(guān)定義結(jié)直腸息肉定義：任何已經(jīng)切除并進行組織學檢查的內(nèi)鏡下病變。腺瘤定義：組織學證實為腺瘤成分的息肉。

1.4 文獻篩選與資料提取

1.4.1 文獻篩選剔除重復文獻后，依據(jù)納入與排除標準進行文獻篩選。由兩名研究者根據(jù)納入與排除標準，獨立進行文獻篩選、提取資料與核對，如遇分歧，則咨詢第三方協(xié)助判斷。文獻篩選時，首先閱讀文題和摘要，在排除明顯不相關(guān)的文獻后，進一步閱讀全文，以確定是否納入。

1.4.2 資料提取主要包括：①文獻的一般特征：第一作者、發(fā)表時間、國家、研究類型、樣本量、性別和年齡；②結(jié)局指標；③文獻質(zhì)量評價。

1.5 質(zhì)量評價

由兩名研究者按照Cochrane偏倚風險評估對納入的文獻進行質(zhì)量評價。對于RCT，評價標準包括：隨機序列產(chǎn)生、分配隱藏、實施者及研究者是否盲法、研究結(jié)果盲法評價、不完整的數(shù)據(jù)結(jié)果、選擇性報道和其他偏倚等7 項，每項均采用“是”“否”和“不清楚”進行評價，“是”為低度偏倚，“否”為高度偏倚，“不清楚”為缺乏相關(guān)信息或偏倚情況不確定。

1.6 統(tǒng)計學方法

采用RevMan 5.4 軟件進行Meta 分析。二分類變量采用相對危險度值和95%CI 計算；連續(xù)型變量采用加權(quán)均數(shù)WMD值和95%CI計算。P＜0.05為差異有統(tǒng)計學意義。結(jié)合I2和P值進行異質(zhì)性檢驗，若P＞0.1或I2＜50%，提示研究間異質(zhì)性較小，采用固定效應(yīng)模型；若P≤ 0.1和I2≥ 50%，提示研究間異質(zhì)性較大，采用隨機效應(yīng)模型進行合并分析。

2 結(jié)果

2.1 文獻檢索結(jié)果及特征

在計算機上手動檢索查詢，共獲得文獻865 篇，逐層篩選后，最終納入8 篇[9-16]RCT，共6 217 例（AI組3 095 例，對照組3 122 例），個體研究樣本量為669～1 058 例。文獻篩選流程見圖1。納入研究的基本特征見表1。

表1 納入研究的基本特征Table 1 Basic features of the included studies

圖1 文獻篩選流程圖Fig.1 Flow chart of literature screening

2.2 納入文獻的質(zhì)量評價

8 篇RCT 偏倚風險評價中，1 篇文獻[10]未描述隨機序列產(chǎn)生的方法和分配隱藏；6 篇文獻[9-14]未對實施者或參與者實施盲法，7 篇文獻[9-12，14-16]未對結(jié)局指標實施盲法，8篇文獻均無不完整數(shù)據(jù)及選擇性報道。見圖2。

圖2 風險評估Fig.2 Risk assessment

2.3 主要結(jié)局Meta分析結(jié)果

2.3.1 ADR納入的8 篇[9-16]研究均報道了ADR，各研究間異質(zhì)性小（P=0.090，I2=43%），采用固定效應(yīng)模型分析。根據(jù)使用的AI 系統(tǒng)，分為Wision AI 系統(tǒng)和其他系統(tǒng)兩個亞組。結(jié)果顯示：AI 組的ADR 均高于對照組（=1.43，95%CI：1.33～1.55，P=0.000）；亞組分析中，Wision AI 系統(tǒng)（=1.31，95%CI：1.17～1.46，P=0.000）和其他系統(tǒng)（=1.58，95%CI：1.41～1.77，P=0.000）的ADR均高于對照組。見圖3。敏感性分析：將隨機效應(yīng)模型轉(zhuǎn)換，并逐一去除每篇文獻后，對異質(zhì)性進行檢驗，轉(zhuǎn)換前后各項指標結(jié)果基本一致，表明Meta分析結(jié)果穩(wěn)定。

圖3 兩組ADR比較的森林圖Fig.3 Forest plot of comparison of adenoma detection rate between the two groups

2.3.2 PDR納入的8 篇[9-16]研究均報道了PDR。根據(jù)使用的AI 系統(tǒng)，分為Wision AI 系統(tǒng)和其他系統(tǒng)兩個亞組。4 項使用Wision AI 系統(tǒng)的研究[11，14-16]異質(zhì)性大（P=0.090，I2=54%），采用隨機效應(yīng)模型分析。結(jié)果顯示：AI 組的PDR 均比對照組高（=1.40，95%CI：1.30～1.51，P=0.000）；亞組分析中，Wision AI 系統(tǒng)（=1.38，95%CI：1.22～1.55，P=0.000）和其他系統(tǒng)（=1.45，95%CI：1.31～1.61，P=0.000）的PDR 高于對照組。見圖4。敏感性分析：將隨機效應(yīng)模型轉(zhuǎn)換并逐一去除每篇文獻后，對異質(zhì)性進行檢驗，轉(zhuǎn)換前后各項指標結(jié)果基本一致，表明Meta分析結(jié)果穩(wěn)定。

圖4 兩組PDR比較的森林圖Fig.4 Forest plot of comparison of polyp detection rate between the two groups

2.4 次要結(jié)局Meta分析結(jié)果

2.4.1 腺瘤位置共7 篇文獻[9-15]報道了腺瘤位置。各研究間異質(zhì)性小（P=0.230，I2=20%），采用固定效應(yīng)模型分析。根據(jù)腺瘤的位置，分為左半結(jié)腸腺瘤和右半結(jié)腸腺瘤兩個亞組。結(jié)果顯示：AI組，左半結(jié)腸（=1.57，95%CI：1.42～1.73，P=0.000）和右半結(jié)腸（=1.72，95%CI：1.55～1.91，P=0.000）的ADR均高于對照組。見圖5。

圖5 兩組不同位置ADR比較的森林圖Fig.5 Forest plot of comparison of ADR at different locations polyp detection rate between the two groups

2.4.2 腺瘤大小共6 篇文獻[9-12，14-15]報道了腺瘤大小。根據(jù)腺瘤大小，分為 ≤ 5 mm、6～9 mm和 ≥ 10 mm 3個亞組。6項腺瘤 ≤ 5 mm的研究[9-12，14-15]異質(zhì)性大（P=0.040，I2=57%），采用隨機效應(yīng)模型分析。結(jié)果顯示：AI 組＜10 mm 的ADR 均高于對照組，即：≤ 5 mm（=1.74，95%CI：1.52～1.99，P=0.000）和6～9 mm（=1.35，95%CI：1.08～1.69，P=0.008）的ADR 均高于對照組，≥ 10 mm（=1.39，95%CI：1.01～1.93，P=0.050）的ADR差異無統(tǒng)計學意義。見圖6。

圖6 兩組不同大小ADR比較的森林圖Fig.6 Forest plot of comparison of ADR in different sizes between the two groups

2.4.3 腺瘤形態(tài)共5 篇文獻[10-11，13-15]報道了腺瘤形態(tài)。根據(jù)腺瘤形態(tài)，分為有蒂腺瘤和無蒂腺瘤兩個亞組。5 項有蒂腺瘤的研究[10-11，13-15]異質(zhì)性小（P=0.980，I2=0%），5 項無蒂腺瘤的研究[10-11，13-15]異質(zhì)性小（P=0.160，I2=39%），采用固定效應(yīng)模型分析。結(jié)果顯示：AI組中無蒂的ADR高于對照組（=1.81，95%CI：1.66～1.98，P=0.000），AI 組有蒂的ADR 與對照組相比，差異無統(tǒng)計學意義（=1.13，95%CI：0.89～1.43，P=0.330）。見圖7。

圖7 兩組不同形態(tài)ADR比較的森林圖Fig.7 Forest plot of comparison of ADR with different morphology between the two groups

2.4.4 息肉位置納入的6 篇[9-11，13-15]研究報道了息肉位置。根據(jù)息肉位置，分為左半結(jié)腸息肉和右半結(jié)腸息肉兩個亞組。6 項右半結(jié)腸息肉的研究[9-11，13-15]異質(zhì)性大（P=0.005，I2=71%），采用隨機效應(yīng)模型分析。結(jié)果顯示：AI 組左半結(jié)腸（=1.68，95%CI：1.54～1.83，P=0.000）和右半結(jié)腸（=2.02，95%CI：1.73～2.36，P=0.000）的PDR均高于對照組。見圖8。

圖8 兩組不同位置PDR比較的森林圖Fig.8 Forest plot of comparison of PDR at different locations between the two groups

2.4.5 息肉大小共5 篇文獻[9-11，14-15]報道了息肉大小。。根據(jù)息肉大小，分為 ≤ 5 mm、6～9 mm和 ≥ 10 mm 3 個亞組。5 項息肉≤5 mm 的研究[9-11，14-15]異質(zhì)性大（P=0.000，I2=88%），采用隨機效應(yīng)模型分析。結(jié)果顯示：AI 組＜10 mm 的PDR 高于對照組，即：≤ 5 mm（=1.96，95%CI：1.65～2.32，P=0.000）和6～9 mm（=1.30，95%CI：1.11～1.52，P=0.000）的PDR均高于對照組，兩組 ≥ 10 mm（=1.36，95%CI：0.92～2.01，P=0.120）的PDR比較，差異無統(tǒng)計學意義。見圖9。

圖9 兩組不同大小PDR比較的森林圖Fig.9 Forest plot of comparison of PDR in different sizes between the two groups

2.4.6 息肉形態(tài)共5 篇文獻[10-11，13-15]報道了息肉形態(tài)。根據(jù)息肉形態(tài)，分為有蒂息肉和無蒂息肉兩個亞組。5 項無蒂息肉的研究[10-11，13-15]異質(zhì)性大（P=0.002，I2=79%），采用隨機效應(yīng)模型分析。結(jié)果顯示：AI組中無蒂的PDR高于對照組（=1.92，95%CI：1.69～2.18，P=0.000），兩組有蒂的PDR 比較，差異無統(tǒng)計學意義（=1.24，95%CI：0.99～1.54，P=0.060）。見圖10。

圖10 兩組不同形態(tài)PDR比較的森林圖Fig.10 Forest plot of comparison of PDR with different morphology between the two groups

2.4.7 退鏡時間共6 篇文獻[9-11，13-15]報道了退鏡時間。各研究[9-11，13-15]間異質(zhì)性大（P=0.000，I2=93%），采用隨機效應(yīng)模型分析。結(jié)果顯示：AI組與對照組的退鏡時間無差異（MD=0.27，95%CI：-0.01～0.55，P=0.060）。見圖11。

圖11 兩組退鏡時間比較的森林圖Fig.11 Forest plot of comparison of exit time between the two groups

2.5 發(fā)表偏倚

采用漏斗圖評估發(fā)表偏倚，結(jié)果顯示：主要結(jié)局指標中的ADR 和PDR 漏斗圖左右基本對稱，提示發(fā)表偏倚較小。次要結(jié)局指標中的腺瘤大小、腺瘤位置、腺瘤形態(tài)、息肉大小、息肉位置和息肉形態(tài)漏斗圖左右不對稱，提示有一定的偏倚；退鏡時間漏斗圖左右基本對稱，提示發(fā)表偏倚較小。見圖12和13。

圖12 主要結(jié)局指標漏斗圖Fig.12 Funnel chart of primary outcome indicator

圖13 次要結(jié)局指標漏斗圖Fig.13 Funnel plot of secondary outcome indicators

3 討論

3.1 結(jié)直腸癌的臨床現(xiàn)狀

結(jié)直腸癌是全球第三大常見癌癥，其發(fā)病率在逐年上升[17-18]，結(jié)腸鏡檢查是公認的最有效的篩查方法之一[19]。目前，結(jié)腸鏡檢查質(zhì)量在不斷提高，但腺瘤漏診時有發(fā)生，主要原因有：內(nèi)鏡醫(yī)師的注意力或識別能力有差異，進鏡過程中未完全暴露結(jié)直腸黏膜，腺瘤切除不完全[20-21]等。雖然黏膜暴露取決于內(nèi)鏡醫(yī)師的檢查技術(shù)、腸道準備的質(zhì)量和內(nèi)鏡本身的旋轉(zhuǎn)角度，但可以通過AI 輔助來改善息肉在內(nèi)鏡屏幕上可見卻不能識別的問題。AI 系統(tǒng)可以根據(jù)圖像之間的特征差異來識別病變，并對圖像進行快速處理[6]，可以在內(nèi)鏡檢查期間實時使用[22]。因此，AI系統(tǒng)可以在內(nèi)鏡檢查期間標記可疑區(qū)域，從而輔助內(nèi)鏡醫(yī)生識別息肉。

3.2 AI輔助的結(jié)腸鏡檢查

本文共納入8篇RCT，Meta分析結(jié)果顯示：AI輔助結(jié)腸鏡檢查提高了ADR 和PDR；次要結(jié)果中，AI組與對照組相比，腺瘤和息肉的檢出率與位置、大小和形態(tài)相關(guān)。AI 組＜10 mm 腺瘤和息肉的檢出率提高，考慮原因是：腺瘤和息肉直徑越小，肉眼越不容易觀察到，利用AI 可以幫助識別病變；無蒂腺瘤和息肉的檢出率增加，考慮原因為：無蒂的腺瘤和息肉基底部較寬，呈扁平狀，內(nèi)鏡醫(yī)師肉眼不容易識別。AI 輔助可以彌補人眼的識別缺陷，增加檢出率。此外，兩組患者的退鏡觀察時間比較，差異無統(tǒng)計學意義。由此可見，即使用AI 輔助結(jié)腸鏡檢查，亦不會增加時間效率。

近年來，LIU 等[11]、WANG 等[14]、WANG 等[15]和WANG 等[16]均使用Shanghai Wision AI DL 系統(tǒng)，結(jié)果均顯示：AI 輔助結(jié)腸鏡檢查增加了ADR 和PDR，且有較高的靈敏度和特異度。REPICI 等[23]報道了一項前瞻性RCT，該研究由10 名非資深的內(nèi)鏡醫(yī)師（操作＜2 000 例）使用DL CADe 系統(tǒng)，將660 名患者隨機分組，結(jié)果顯示：CADe 能明顯提高ADR（53.3%和44.5%，P＜0.01），且AI 輔助結(jié)腸鏡的PDR 穩(wěn)定，不受內(nèi)鏡醫(yī)師的經(jīng)驗影響。

3.3 AI的臨床應(yīng)用

AI 在臨床實踐中實施時，還有許多問題需要解決。AI 和DL 模型的算法仍在不斷發(fā)展[24]，不同模型和訓練數(shù)據(jù)之間存在很大的差異，每個AI 系統(tǒng)都需要獨立的前瞻性驗證。將DL 應(yīng)用于結(jié)腸鏡檢查時，仍然需要臨床醫(yī)生提供結(jié)腸鏡診斷圖像等臨床數(shù)據(jù)，再讓機器學習，最后才可做出診斷[5，25]，可能會因無法識別系統(tǒng)中未包含的疾病亞型而導致漏診，也有可能因數(shù)據(jù)不足，將較為罕見的疾病亞型識別為疾病常態(tài)，從而導致誤診的發(fā)生[26]。DL 亦無法識別出新的病種，且DL 依賴于高質(zhì)量的圖像數(shù)據(jù)，若患者腸道準備不足，或有出血灶等導致圖像清晰度較低時，則可能無法準確識別[27]。因此，需完善統(tǒng)一各模型的數(shù)據(jù)，增加數(shù)據(jù)庫的儲備，提高DL對圖像的處理功能；隨著5G技術(shù)的普及以及與AI和大數(shù)據(jù)的結(jié)合，AI在腸鏡中的應(yīng)用將更標準化和規(guī)范化。

3.4 本研究的局限性

本研究具有一定的局限性。首先，納入的部分研究未提及隨機分組和分配隱藏的方法，文獻質(zhì)量有待提高；其次，部分文獻的結(jié)局指標數(shù)據(jù)格式不統(tǒng)一，可能導致Meta分析產(chǎn)生偏倚，影響結(jié)果的可靠性。

綜上所述，腸鏡檢查中應(yīng)用AI 輔助可以提高PDR 和ADR，與息肉和腺瘤的位置、大小及形態(tài)相關(guān)，與退鏡時間無關(guān)。