【提要】
基于深度學習的人工智能已成為一種突破性的計算機技術，并迅速應用于醫學領域。其中，人工智能輔助系統能夠通過提高識別能力、監測檢查時間、減少盲點、記錄圖片、進行腸道準備評分等方式提高胃腸鏡的質量。
內鏡檢查是胃腸病診斷和管理的有力工具，高質量內鏡檢查能提供更準確的健康結果和更好的患者體驗。結腸鏡可以用來篩查結腸息肉和腺瘤，減少結直腸癌的發病率和致死率。然而，結腸鏡檢查中不乏一些漏診病例。一項系統性回顧研究顯示，結腸鏡檢查中息肉的漏診率為22%。一項Meta分析中26%的腺瘤被漏診，9%的晚期腺瘤被漏診，27%的鋸齒狀息肉被漏診。胃鏡是診斷上消化道病灶的重要工具，不僅能用于診斷各種胃食管疾病，也可以對某些早期胃癌進行內鏡下切除。但胃鏡檢查中也不乏漏診病例。在一項研究中，明確診斷為胃癌和食管癌的漏診患者中（7.2%，22/305），73%為內鏡檢查操作不當。因此，我們目前迫切需要提高胃腸鏡檢查的質量。
歐洲胃腸內鏡學會（ESGE）和歐洲胃腸病學聯合會（UEG）2016年已將內鏡檢查質量確定為主要優先事項。然而，內鏡醫師對內鏡質量的自我評估并不準確，而人工智能輔助系統能夠客觀評估內鏡醫師的內鏡質量，幫助內鏡醫師認識到不足，從而有針對性地改善內鏡技術。
一、人工智能應用于胃腸鏡能提高病變識別能力
1.提高ADR和PDR：ADR是間隔期結直腸癌的獨立影響因素，ADR越低，間隔期結直腸癌發生的風險越大。ESGE專家共識提出，ADR應≥25%。內鏡醫師在操作過程中可能難以發現某些較小的腺瘤，不同內鏡醫師由于年資、經驗的不同，對腺瘤的識別能力也有差異。人工智能能夠有效提高內鏡醫師的ADR和PDR。一項研究顯示，使用人工智能輔助系統的內鏡醫師，ADR和PDR均顯著高于未使用人工智能輔助系統的內鏡醫師［19］。一項雙盲隨機對照試驗中，人工智能輔助內鏡組的ADR和PDR均顯著高于對照組［34%（165/484）比28%（132/478），P<0.05；52%（252/484）比37%（176/478），P<0.01］。在一項包括4 354例患者的Meta分析中，人工智能輔助內鏡組的ADR顯著高于對照組［36.6%（791/2 163）比25.5%（558/2 191），P<0.01］，人工智能輔助內鏡組的每結腸鏡無柄鋸齒狀息肉檢出數也顯著高于對照組［0.06（109/1 855）比0.04（73/1 876），P<0.01］。
2.提高早期胃癌檢出率：部分早期胃癌只有難以識別的胃黏膜細微變化，在胃鏡檢查中容易漏診。息肉樣和潰瘍型的早期胃癌較容易通過表面變化來檢測，而類似胃炎的淺表黏膜病變，即使采用最佳設備和最佳技術，也很難發現。胃鏡檢查時，由于內鏡醫師的經驗不同、個人狀態不同，也可能造成內鏡質量的差異。人工智能輔助系統用于檢測早期胃癌時有不亞于專家級內鏡醫師的表現。一項研究使用深度卷積神經網絡（deep convolutional neural network，DCNN）檢測早期胃癌，其靈敏度為92.2%，陽性預測值為30.6%。另一項研究中，在200張有或無惡性病變的胃鏡圖像中，DCNN診斷惡性腫瘤的準確率為92.5%，而6名專家、8名熟練醫師和7名新手對每張圖片的準確率分別為（89.7±2.2）%、（86.7±5.6）%和（81.2±5.7）%。
二、人工智能應用于胃腸鏡能進行時間監測
1.監測結腸鏡退鏡時間和退鏡速度：充足的退鏡時間是全黏膜檢查的先決條件。一項納入76 810次篩查性結腸鏡檢查的研究顯示，平均退鏡時間越長，ADR越高。退鏡時間<6 min與≥6 min的間隔期結直腸癌發生率比率為2.3，因此建議退鏡時間≥6 min。一項納入550例篩查性結腸鏡的研究顯示，腺瘤檢出數量與退鏡時間之間存在顯著正相關（P=0.006），內鏡醫師的退鏡時間為4.3~9.6 min，一半內鏡醫師的退鏡時間小于標準。臨床上退鏡時間通常由護士或內鏡醫師計時，缺乏準確性。人工智能輔助系統在識別結腸鏡到達回腸后開始退鏡計時，識別到體外圖片時結束退鏡計時，能夠及時準確地記錄內鏡醫師的退鏡時間。
一些內鏡醫師在退鏡開始時速度較快，在退鏡后半段減速以達到6 min的退鏡時間，雖然總的退鏡時間達到了標準，但退鏡質量卻不高。實時內鏡視頻顯示，Gong等構建的內鏡精靈系統測得的退鏡時間>6 min、5~6 min、<5 min的95%CI退鏡速度分別為36.15~40.14、40.24~44.46、44.54~49.96，故將<40設為安全退鏡速度、40~44設為警告退鏡速度、>44設為危險退鏡速度，退鏡過程中，內鏡精靈系統可實時檢測退鏡速度并將“安全”“警告”“危險”字樣顯示在屏幕上，指導內鏡醫師以穩定的速度退鏡。
2.監測胃鏡檢查時間：充足的檢查時間是提高內鏡質量的方法之一。2016年，ESGE提出首次診斷性上消化道內鏡檢查和胃腸化生隨訪每次檢查至少7 min。內鏡護士通常通過內鏡室的時鐘記錄胃鏡程序的持續時間，這種計時方式往往不夠準確。人工智能輔助系統則可以在胃鏡檢查期間自動計時。在一項研究中，人工智能輔助系統在93.46%（100/107）個視頻中正確預測了開始時間，在97.20%（104/107）個視頻中正確預測了結束時間。且人工智能輔助組胃鏡程序的平均檢查時間顯著長于對照組（5.03 min比4.24 min，P<0.001）。在另一項研究中，與對照組相比，人工智能輔助組胃鏡程序的平均檢查時間更長［（5.40±3.82）min比（4.38±3.91）min，P<0.001］。
三、人工智能應用于胃腸鏡能減少盲點
1.提高結腸鏡的盲腸插管率：盲腸插管能夠減少結腸鏡檢查的盲點，是完成結直腸鏡的先決條件，低盲腸插管率會導致間隔期的遠近端結直腸癌。一項回顧性研究顯示，早期重復結腸鏡檢查與盲腸插管失敗有關。ESGE專家共識提出，盲腸插管率要≥90%。Gong等構建的內鏡精靈系統能夠預測盲腸進而監測盲腸插管率，準確率為95.6%，敏感度為93.2%，特異度為98.0%，假陽性率為2.0%，假陰性率為6.8%。
2.結腸鏡檢查中監測內鏡滑動：結腸鏡檢查退鏡時，有時候會出現內鏡滑動，內鏡在滑動后若繼續退鏡而不能插回原位置將造成部分腸腔漏檢，尤其是在肝曲，這將造成盲點和漏診率的增加。然而，目前針對內鏡滑動造成盲點的干預措施的研究還很少。在實時內鏡視頻中，Gong等構建的內鏡精靈系統在內鏡滑動后有提示（屏幕底部會顯示滑動前的10幀，直至重新到達這10幀，警告消失），84次測試內鏡中，168次內鏡滑動發生，56次成功重新插入，112次未能返回之前的位置，90%（152/168）內鏡滑動被監測到，無假陽性結果。
3.提高胃鏡檢查覆蓋數：完整觀察整個胃是保證診斷性胃鏡的前提，ESGE提到胃鏡檢查至少要獲得10張胃圖像。然而，內鏡檢查人員可能因為主觀因素或有限的手術水平而忽略胃的某些部位，導致早期胃癌的漏診。配備有CAM（class activation maps）和胃網格模型的DCNN可以覆蓋可疑的癌區并指示潛在盲點的存在，通過即時記錄觀察區域并在胃的網格模型中著色，可以指示檢查期間是否存在盲點。人工智能輔助系統能夠在屏幕上顯示胃模型，并標記出已經出現的部分，進而提示內鏡醫師盲點的存在，另外，可以將觀察部位的數量按百分比進行轉換，在得分分別達到80、90和100分時，記為“良好”“優秀”和“完美”。在一項研究中，DCNN將胃鏡圖像識別為10個部分，準確率為90%；將胃鏡圖像識別為26個部分，準確率為65.9%，與任何級別的內鏡醫師差異均無統計學意義。在一項隨機對照試驗中，107個胃鏡檢查視頻中，人工智能輔助系統能以90.40%的準確率監測盲點，人工智能輔助組和對照組分別分析了153例和150例患者，人工智能輔助組的盲點率低于對照組（5.86%比22.46%，P<0.001）。在另一項研究中，人工智能輔助系統組納入了498例患者，對照組納入了504例患者，人工智能輔助組盲點數少于對照組（5.38±4.32比9.82±4.98，P<0.001）。
四、人工智能應用于胃腸鏡能進行圖片記錄
ESGE提出解剖標志和異常病灶的照片記錄能夠提高內鏡質量。人工智能輔助系統能夠在胃鏡檢查期間自動提取并收集每個部位可信度最高的幀，其生成照片的完整度明顯高于內鏡醫師。在一項研究中，人工智能輔助系統組生成照片的完整性顯著高于對照組中的內鏡醫師（90.64%比79.14%，P<0.001）。此外，臨床上內鏡醫師需要停下操作去獲得圖片，而人工智能輔助系統能自動獲得圖片，讓內鏡醫師能夠更專心地進行檢查。
五、人工智能應用于胃腸鏡能進行腸道準備評分
充足的腸道準備是內鏡醫師觀察腸道的前提，腸道準備不充分會導致內鏡醫師的視野受損，降低病灶檢出率。一項統計顯示，多達1/4的結腸鏡檢查腸道準備不足，導致腺瘤漏診率增加了42%，進而導致篩查不成功，重復手術的可能性增加。
目前臨床上腸道準備評分使用最多的是波士頓腸道準備評分（BBPS），內鏡醫師一般都是在完成結直腸鏡后根據自己的記憶來進行腸道準備評分，偏倚的產生難以避免。此外，由于不同內鏡醫師的個人理解有差異，評分還受內鏡醫師的個人經驗等主觀因素影響。人工智能能夠實時給出當下視野的腸道準備評分，并顯示退鏡時所有視野BBPS的累計百分比，讓內鏡醫師實時了解到已完成部分的腸道準備質量。在一項隨機對照試驗中，人工智能進行腸道準備評分的準確率顯著高于內鏡醫師（93.33%比75.91%，P<0.01），對有氣泡的圖片判斷時，人工智能準確率也達到了80%。此外，人工智能的穩定性也顯著高于不同年限的內鏡醫師，避免了主觀判斷造成的評分不穩定。
六、人工智能在胃腸鏡中應用的局限和前景
人工智能有望改變傳統的內鏡檢查模式，為醫療領域帶來革命性的變化，然而，目前人工智能輔助系統應用于內鏡質量控制時還存在一些不足。
首先，人工智能目前的應用不夠廣泛，多局限于白光、窄帶光成像中，未來還需研究適用于染色內鏡、光學增強內鏡甚至光學相干層析成像的人工智能輔助系統。此外，構建人工智能輔助系統的圖像多來自特定醫療機構，設備生產廠家、地域人群特點均有局限性，需要構建多地區、多型號、多人群適用的人工智能輔助系統。
其次，用來訓練DCNN的圖片在選擇過程中可能出現偏倚，比如選擇含有病灶的圖片時傾向于整塊切除的病灶，造成易切除的病灶更易入選；由于基于圖像的人工智能往往需要高質量的圖片，許多研究排除了次優質量圖片。
再次，一些研究納入的病種不夠全面。例如在胃癌數據集的對照組中，一些研究僅納入正常、淺表性胃炎和輕度糜爛性胃炎黏膜，未納入其他良性疾病。人工智能目前尚不能診斷未納入的病種，也不能發現新病種，未來如能納入更多病種，將進一步提高人工智能輔助系統在胃腸鏡中檢出病灶的能力。
最后，在對病灶進行識別時，往往由內鏡醫師先注意到胃腸道異常，將內鏡靠攏過去后人工智能才對病灶給出提示。當內鏡醫師未靠攏較遠距離的病灶時，人工智能也未能提示病灶的存在，未來還需要繼續提高人工智能對遠距離病灶的識別能力。
需要注意的是，人工智能在胃腸鏡中的應用是為了克服觀察者之間的差異和人工學習曲線問題，但深度學習算法決策過程中的邏輯存在著人類難以理解的“黑箱”，因此使用人工智能進行初步篩選、確定感興趣的區域和預測組織學可能是值得的，但最終需要人類做出最終決定，在實踐中實現人機協作。我們期待人工智能輔助系統在未來能夠普遍應用于臨床內鏡質量控制，減少內鏡醫師的學習時間，提高內鏡醫師的操作質量。
