以人工智能腸道圖像識別模型評估結腸鏡檢查前腸道準備

林燕鳳,趙舷宏,付朝麗,林梅順,張英秀,謝曉婷,鐘彩玲,劉 佳,張北平

(廣州中醫藥大學第二附屬醫院脾胃病科,廣東 廣州 510120)

高質量腸鏡檢查為篩查腸癌的核心環節[1],但檢查前20%～30%患者腸道準備不合格,不僅影響腸鏡操作視野、增加檢查難度、延長操作時間、加重患者痛苦、加大并發癥發生風險,且殘留糞便覆蓋于腸黏膜表面可能掩蓋病變而導致漏診[2]。適當選擇導瀉劑種類、劑量及服用方法等可顯著提高腸道準備的質量[3],但在部分患者(如便秘、糖尿病)仍不能滿足檢查需要。本研究觀察人工智能腸道圖像識別模型評估結腸鏡檢查前腸道準備的價值。

1 資料與方法

1.1 一般資料 回顧性分析2020年6月—2021年11月190例廣州中醫藥大學第二附屬醫院接受腸道準備評估及結腸鏡檢查患者,男101例、女89例,年齡20～70歲、平均(55.5±13.9)歲。根據評估腸道準備方式將患者分為觀察組(n=100,以部署于患者智能手機上的人工智能腸道準備圖識別模型判斷是否達到腸道準備要求)和對照組(n=90,由患者將其末次糞便形狀與統一發放的腸道清潔準備圖進行對比而自行判斷):觀察組男52例、女48例,年齡20～69歲、平均(49.8±14.5)歲;對照組男49例,女41例,年齡23～70歲,平均(53.4±13.0)歲。納入標準:①年齡18～70歲;②口服導瀉劑以進行腸道準備;③患者或陪同家屬熟悉智能手機操作;④簽署腸鏡檢查知情同意書。排除標準:①腸道手術史;②胃腸道梗阻或出血;③嚴重心、肺功能疾病;④運動障礙致如廁困難,難以順利完成腸道準備。

1.2 腸道準備 囑患者于檢查前晚20∶00始于40 min內分次服用聚乙二醇電解質散1 L,再于檢查當日晨4∶00(上午行腸鏡檢查)或9∶00(下午行腸鏡檢查)始于80 min內分次服用上述藥物2 L,每次均為250 ml;服藥后盡量多飲水、走動并順時針按摩腹部。對腸道準備合格者即行腸鏡檢查,對不合格者囑其加服導瀉劑直至準備合格。

1.3 結腸鏡檢查 采用OLYMPUS CF-HQ290腸鏡檢系統。囑患者左側臥,經肛門插入電子內窺腸鏡,循腔進鏡至回腸末端,再緩慢退鏡至肛門口,完成腸鏡檢查。

1.4 構建模型

1.4.1 圖像分割 通過智能手機攝像功能獲取糞水圖像,以多閾值邊緣檢測法分割圖像:首先以高斯平滑降噪,根據圖像噪聲水平和所需平滑程度確定高斯核大小(kernel size),即平滑半徑,通常為3×3、5×5、7×7;創建高斯核(Gaussian kernel)并將其置于對應像素位置,將內核所有像素值與相應高斯權重相乘并求和,再以所有權重之和,得到新的像素值,最后保存處理后的圖像;計算圖像各方向梯度值并篩選最大值,根據設定的高閾值采集糞水圖像邊緣信息,以設定的低閾值和邊緣信息生成輪廓圖,最后基于輪廓圖對糞水圖像進行分割和提取。

1.4.2 生成預置卷積神經網絡(convolutional neural network, CNN)模型 按7∶3比例將數據庫中的16 000幅糞水圖像分為訓練集(n=11 200)及驗證集(n=4 800)。以訓練集數據訓練CNN模型,將多個初始化不同而結構相同的CNN模型進行結果平均化,生成預置CNN模型,以資識別、提取糞水圖像特征,通過感知哈希算法將其與糞水性狀數據庫圖像進行對比而生成腸道準備結果[4]。針對驗證集基于ResNet、Vision Transformer、視覺幾何組(visual geometry group, VGG)網絡及ConvNext進行模型效能驗證,觀察其準確率及F1值變化曲線。

1.4.3 手機部署 將預置CNN模型部署在手機云端,囑患者采用手機微信小程序“腸道準備” (主要包括拍照、處理及顯示3個模塊)將糞水圖傳至云端接受評估及回傳的評估結果。拍照模塊:通過手機拍攝待識別的糞水圖像;處理模塊:基于機器學習糞水性狀識別方法程序的中央處理器進行處理并生成腸道準備結果;顯示模塊:連接手機顯示屏與處理模塊,顯示評估結果。

1.5 評估參數

1.5.1 腸道清潔度 由1名醫師和1名護師共同于腸鏡檢查退鏡過程中采用波士頓腸道準備量表(Boston bowel preparation scale, BBPS)評估腸道準備情況,根據下列標準分別對左半結腸(left colon, LC)、橫結腸(transverse colon, TC)和右半結腸(right colon, RC)清潔度進行評分:0 分,腸腔內有大量固體糞便,無法觀察腸黏膜,或腸道準備過差而嚴重影響進鏡,不得不終止腸鏡檢查0分;1分,腸腔內見殘留糞便或不透明液體,部分腸黏膜可見;2分,腸腔內殘留少量糞便或不透明液體,腸黏膜基本可見;3分,腸腔內無糞便及不透明液體,全部腸黏膜清晰可見。以各段腸管得分總和作為評估結果,0～3分表示腸道準備不滿意,4～6分表示比較滿意,7～9分表示非常滿意。

1.5.2 腸鏡檢查時間 進鏡及退鏡時,分別于肛門口拍照,記錄攝取2幅圖片的時間差值,即腸鏡檢查時間。

1.5.3 腺瘤檢出率 以病理組織學為金標準,以腸鏡檢出病灶中至少有1個為腺瘤為該例檢出腺瘤。

1.6 統計學方法 采用SPSS 22.0統計分析軟件。以±s表示符合正態分布且方差齊的計量資料,行獨立樣本t檢驗;以中位數(上下四分位數)表示不符合正態分布者,行Mann-WhitneyU檢驗。采用χ2檢驗或Fisher精確檢驗法比較計數資料。P<0.05為差異有統計學意義。

2 結果

2.1 基線資料 觀察組患者年齡顯著小于對照組(P<0.05),而組間患者性別、身高、體質量及體質量指數(body mass index, BMI)差異均無統計學意義(P均>0.05)。見表1。

表1 190例接受腸道準備及結腸鏡檢查患者基線資料比較

2.2 模型性能 CNN模型驗證結果顯示,各模型中ResNet最佳,其識別糞水圖像性能較高、穩健性較強(圖1),故以之作為系統模型。

圖1 CNN模型識別糞水圖像準確率(A)及F1值(B)的變化曲線

2.3 腸道準備 觀察組BBPS評分及腺瘤檢出率高于對照組,而腸鏡檢查時間短于對照組(P均<0.05)。見表2。

表2 190例接受結腸鏡檢查患者腸道準備評估結果比較

3 討論

結腸鏡有助于篩查大腸癌,而充分的腸道準備是其重要環節[2]。本研究建立的人工智能腸道圖像識別模型可顯著改善腸道清潔度、縮短腸鏡檢查時間、提高腺瘤檢出率,進而提高結腸鏡檢查質量。

多項臨床模型研究[5-9]表明,慢性便秘、糖尿病、服用抗抑郁藥物、年齡>65歲、BMI≥24 kg/m2、結直腸手術史及首次接受結腸鏡檢查是結腸鏡檢查前腸道準備失敗的獨立危險因素。目前國內多推薦結腸鏡檢查前口服2～3 L[10]、國外研究[11]則推薦口服4 L聚乙二醇溶液作為腸道準備,液量較大,易致患者出現惡心、嘔吐、腹脹和腹痛等不良反應,且部分患者因無法耐受大劑量口服溶液而不能完成腸道準備;且由患者根據腸道準備清潔圖自行評價腸道準備情況客觀性不足,導致腸鏡檢查不滿意甚至中止檢查。本研究將人工智能腸道圖像識別模型部署于患者移動設備,由模型對其上傳的末次糞水圖進行分析,以客觀評價腸道準備情況,有助于提高結腸鏡檢查質量。

超過80%結腸癌為結腸腺瘤進展而來,而結腸鏡檢查前腸道準備不充分可顯著降低腺瘤檢出率[12]。研究[13]表明,腸道準備不充分的結腸鏡腺瘤漏檢率為42%,其中直徑≥10 mm的腺瘤漏檢率可達27%。本研究表明,采用人工智能腸道圖像識別模型評估腸道準備情況還可明顯提高腺瘤檢出率、縮短結腸鏡檢查時間。本研究前期1例長期便秘患者曾于腸鏡檢查前采用對照組方法自行判斷腸道準備良好,但檢查中發現盲腸及升結腸內糞水較多而部分視野觀察不清;為滿足臨床要求,征得患者同意后予以加服導瀉劑,并以模型評估腸道準備滿意后再次進行檢查,BBPS評分由4分提高到8分,并檢出6 mm×6 mm腺瘤性息肉1枚(圖2)。

圖2 患者男,56歲,長期便秘 A～D.患者自行判斷腸道準備良好后的結腸鏡圖(A～D依次為盲腸、升結腸、TC及直腸),BBPS評分4分; E～H.加服導瀉劑并以模型評估腸道準備滿意后的結腸鏡圖(A～D依次為盲腸、升結腸、TC及直腸),BBPS評分8分 (黃圈為初次檢查被糞水遮蓋的6 mm×6 mm腺瘤性息肉)

現有結腸鏡檢查前糞水自動檢查方法多通過傳統機器學習方法提取特征,再以線性回歸或支持向量機(support vector machine, SMV)算法與樣本圖像進行逐一比對而進行識別、評估,存在識別效果差、特征提取不完全等情況;且所提取特征多集中某些方面(如僅對圖像顏色進行提取、僅對糞水性狀進行提取),無法全面反映整體狀態,導致難以準確判斷實際腸道清潔度。本研究觀察組對糞水圖像進行灰度轉換、降噪及標準化等,全面提取糞水形狀特征并用于訓練CNN模型,再將糞水圖像與糞水性狀數據庫圖像進行逐一對比,能夠準確評估腸道準備效果,有助于減少醫護人員工作量及患者就診次數、節省檢查前準備時間。

綜上所述,采用人工智能腸道圖像識別模型評估結腸鏡檢查前腸道準備情況可提高BBPS評分及腺瘤檢出率、縮短腸鏡檢查時間。本研究的主要不足:①樣本量小;②觀察組患者年齡顯著小于對照組,而年齡可能影響腸道準備,有待后續進一步觀察。