人工智能技術在胃腸及肝臟疾病診療中的應用研究進展*

王鑫鑫 綜述,鄭 盛,楊 涓△ 審核

(1.大理大學臨床醫學院,云南 大理 671000;2.大理大學第二附屬醫院消化內科,云南 昆明 650011)

消化系統疾病病種繁多,很多疾病臨床表現復雜并且早期一般無明顯癥狀,不易于早期診斷和治療[1-2]。目前,越來越多的研究將人工智能(AI)技術應用于胃腸病學和肝病學等醫學領域,包括內鏡識別、病情監測、預后評估等。該文就AI技術在部分胃腸疾病和肝臟疾病診療中的應用研究進展進行了綜述。

1 AI技術在胃腸病學中的應用

根據算法的不同,AI在醫學領域主要分為傳統的機器學習算法和深度學習算法[3]。深度學習算法具有無需人工提取各種特征的優勢,其學習過程更迅速、更智能、更準確。在臨床實踐中,AI由人工神經網絡、深度學習、卷積神經網絡(CNN)和遞歸神經網絡等多種重疊技術組成[4]。近年來,基于內窺鏡、病理學、血清學指標等臨床數據開發的多個AI模型已廣泛應用于胃腸疾病的精確診斷和預后評估,如胃癌識別、結直腸癌預后評估及消化道出血檢測等。

1.1胃癌早期診斷 胃癌癥狀隱匿、無特異性,確診時多為晚期且預后較差,是全球癌癥相關死亡率的第4大原因[5],早期發現和合理治療對降低胃癌病死率至關重要。目前已有多項研究關注深度學習算法在胃癌診治中的應用[6-11]。CNN是一種高效的深度學習圖像識別方法,HUANG等[6]設計了一個基于CNN的模型,其可以通過分析數字蘇木素伊紅染色病理圖片準確診斷胃癌。值得一提的是該模型的診斷性能與病理醫生不相上下。LUO等[7]收集上消化道腫瘤患者內鏡影像數據,建立了基于深度學習的人工智能診斷系統,其可在內鏡檢查中為上消化道癌提供實時輔助診斷,其診斷靈敏度幾乎與內鏡專家不相上下,有助于降低可疑病變的漏診風險。有研究顯示,基于深度CNN的計算機輔助系統能夠較內鏡醫生更準確地檢出早期胃癌,而且在食管胃十二指腸鏡檢查過程中可主動跟蹤可疑癌灶并監測盲點[8-9]。在此基礎上,有學者又開發了一種基于深度學習的實時AI系統,實現了在食管胃十二指腸鏡檢查中對內鏡盲點和早期胃癌檢測的實時監控,大大提高了內鏡檢測早期胃癌的潛力[10]。另一項有趣的研究建立了基于舌部圖像的AI深度學習模型,該模型發現舌象可以作為一種穩定的胃癌識別方法,并且顯著優于傳統的血液生物標志物,可有效區分胃癌和非胃癌,甚至能區分早期胃癌和萎縮性胃炎等癌前病變[11]。

1.2結直腸癌預后評估 結直腸癌是消化系統中一種常見的惡性腫瘤,具有較高的發病率和病死率。精確識別預后不良的高?；颊咭赃M行個體化預后預測對醫生制定臨床決策至關重要[12-13]。有研究使用深度學習分析了1 200多萬張病理切片圖像后發現了一種能夠預測原發性結直腸癌切除術后患者預后的生物標志物,其可將患者劃分為不同的預后組,有助于輔助治療選擇的決策[14]。LI等[15]基于隨機生存森林構建了納入癌胚抗原、糖鏈抗原19-9和糖鏈抗原125等圍手術期縱向測量信息的預測模型,可以更準確地預測結直腸癌患者預后,為患者提供個性化的動態預測。另外,微衛星不穩定性(MSI)作為結直腸癌的重要預后生物標志物,也是免疫檢查點封鎖療法的泛癌生物標志物[16-17]。有研究表明,深度學習可以直接預測MSI狀態[18]。YAMASHITA等[19]研究發現,基于深度學習的自動篩查模型在預測MSI方面優于有經驗的病理醫生,這些發現有助于輔助判斷結直腸癌的預后和選擇化療藥物。

1.3消化道出血診斷和預后評估 消化道出血是臨床實踐中一種常見的疾病,其病因和表現多種多樣。AI技術已被應用于輔助檢測消化道出血。MOHAN等[20]報道了基于CNN的計算機輔助診斷技術在無線膠囊內鏡識別胃腸道潰瘍和出血中展現出了良好的光學診斷性能,有潛力優化無線膠囊內鏡審查過程的效率和準確性。BANG等[21]研究也有相似結論。另外,有研究基于增強CT圖像,針對肝硬化患者食管靜脈曲張破裂出血的風險,建立了一種新的無創放射學診斷模型[22]。該模型具有較高的準確性,有望實現及早識別和干預,從而降低急性食管靜脈曲張破裂出血相關的死亡率。有研究提出了可以自動識別上消化道出血患者并生成風險特征的機器學習模型,該模型性能優于現有的內鏡前臨床風險評分,可為臨床醫生的治療決策提供建議[23]。魏子健等[24]使用logistic回歸模型、基于決策樹的AdaBoost算法和XGBoost算法,從消化道出血樣本中提取、篩選得到關鍵核心血清學指標,并提出一種院內消化道致命性再出血預測模型,在消化道出血救治方面具有重大意義。AI技術應用于臨床實踐的主要優勢是提高審查效率、診斷性能,降低漏診率,并且在一定程度上可減輕內鏡醫生負擔。

2 AI技術在肝臟病學中的應用

AI技術在肝臟疾病中的應用起步略晚于胃腸疾病。近幾年,關于AI技術應用于肝臟疾病的研究逐漸增多,尤其是深度學習或影像組學,目前已有多項研究將其用于肝纖維化檢測、肝細胞癌(HCC)轉移及術后生存預估、肝性腦病風險預測等方面。

2.1肝纖維化無創檢測 肝纖維化的準確檢測和量化在監測疾病進展、指導治療決策和評估治療反應方面至關重要。XIE等[25]利用CNN分析提取肝臟纖維化的超聲圖像特征,設計了一種對纖維化進行定量分期的自動診斷系統,該系統能夠及時并準確地判斷患者是否存在肝纖維化和評估纖維化程度,有助于實現更好的肝纖維化防治。另一項研究發現,基于深度學習的影像組學顯著提高了肝硬化和晚期纖維化的診斷準確性,其具備與肝活檢相似的診斷效能[26]。GAWRIEH等[27]開發了一種集成的自動化AI工具,其可準確檢測和量化肝纖維化程度,并可評估非酒精性脂肪性肝病患者肝纖維化結構模式。SARVESTANY等[28]研究發現,利用常規收集的數據進行訓練后的集成機器學習算法,在檢測肝臟疾病晚期纖維化方面的性能優于多數傳統的無創檢測方法,其檢測性能與專家組不相上下。AI技術的應用有助于及早發現肝纖維化患者,從而降低了肝臟相關死亡率。未來需要對這些模型進行更全面的培訓和評估,并在大型獨立隊列中進行前瞻性驗證。

2.2HCC轉移及術后生存預估 HCC具有高侵襲性,極易向血管系統擴散[29]。近年來,關于AI在HCC血管侵犯預測及切除術后生存預估中的應用研究均取得了良好結果。FU等[30]結合臨床因素和影像組學特征,構建了基于多任務深度學習網絡模型,其可以準確預測HCC大血管侵犯風險。LIU等[31]研究顯示,利用HCC患者動脈期CT圖像與臨床因素構建的深度學習模型,能夠自動捕獲并學習微血管侵犯相關的影像特征,提高了術前無創評估微血管侵犯的準確性。其他學者的相關研究(文獻[32-33])也有類似發現。此外,SAILLARD等[34]研究發現,在預測肝癌預后和生存期方面,基于組織學切片圖像分析的CNN模型比其他經典的臨床、生物學和病理特征更準確。JI等[35]研究發現,使用機器學習框架結合影像組學分析能準確預測臨床HCC患者個體復發風險,從而促進HCC的個體化治療。ZENG等[36]報道了隨機生存森林模型在預測術后早期復發方面的良好效能,該模型有助于指導術后隨訪和輔助治療。這些模型的應用在幫助臨床醫師確定治療決策和改善患者預后方面具有重大意義。

2.3肝性腦病風險預測和輕微肝性腦病識別 肝性腦病不僅可通過降低生活質量來影響患者和照顧者生活[37],而且臨床病死率較高。我國肝性腦病發病率為10%～50%,在肝硬化住院患者中,輕度肝性腦病患病率高達39.9%[38]。因此,早期發現并預防肝性腦病高?；颊?對于延長患者生存期和提高其生活質量具有重要意義。YANG等[39]研究顯示,在相同的臨床數據下,加權隨機森林、加權支持向量機和邏輯回歸模型對肝性腦病患者識別能力優于傳統機器學習模型,其中加權隨機森林模型尤其適用于不平衡數據的分類,有利于輔助臨床醫生識別肝性腦病高危患者。談軍濤等[40]的研究結果與上述研究有相似結論。CHENG等[41]提出的基于機器學習的CT影像組學模型,在預測靜脈肝內門體分流術術后肝性腦病方面具有良好性能。這一發現使常規CT檢查作為一種無創工具,能夠準確地進行肝性腦病風險預測,有廣泛的臨床應用潛力。

此外,輕微肝性腦病只能通過神經心理學或心理測試來診斷,但耗時較長,而且目前沒有公認的“金標準”。JIAO等[42]的研究發現,基于貝葉斯機器學習技術確定的具有代表性的內在連接網絡,可能是識別輕微肝性腦病的潛在神經影像學生物標志物,并可為現有的其他輕微肝性腦病診斷方法提供補充信息。另一項相似研究發現,基于白質成像和貝葉斯數據挖掘技術確定的表征組間差異的白質異常區域,可以提供生物標志物區分輕度肝性腦病和非肝性腦病,有助于輕微肝性腦病的檢測和后續治療[43]。

3 小 結

AI技術發展迅速,一直處于科學研究前沿,特別是深度學習和放射組學在胃腸病學和肝臟病學領域的疾病診斷、風險預測、預后及生存評估等各個方面均有良好的應用前景。本文提到的研究大多數為回顧性研究,可能存在固有偏倚,有待進行進一步研究,以便開發出更精確的AI工具。未來還需要建立大規模、高質量、多中心的臨床數據庫來進行更多研究,探索AI的臨床適用性和推廣性。