姜良慧 孫 昕 張榮秋 孟欣穎 李雪桐 周長宏#

青島大學(xué)附屬青島市市立醫(yī)院東院保健科1(266071) 內(nèi)鏡中心2 北京航空航天大學(xué)中德軟件技術(shù)聯(lián)合研究所3

背景：基于深度學(xué)習(xí)技術(shù)的計算機(jī)輔助診斷已成為胃腸病學(xué)領(lǐng)域的研究熱點，計算機(jī)輔助診斷結(jié)直腸息肉已引起越來越多的關(guān)注。目的：驗證一個自動識別結(jié)直腸息肉的深度學(xué)習(xí)模型，分析該模型對新手內(nèi)鏡醫(yī)師的輔助學(xué)習(xí)功能。方法：回顧性收集2019年1月—2020年1月青島市市立醫(yī)院東院內(nèi)鏡中心數(shù)據(jù)庫中的結(jié)腸鏡圖像共1 200張，其中結(jié)直腸息肉圖像600張，正常結(jié)腸圖像600張。以深度學(xué)習(xí)技術(shù)模型對1 200張內(nèi)鏡圖像進(jìn)行驗證，并比較該模型與5名新手內(nèi)鏡醫(yī)師診斷結(jié)直腸息肉的敏感性、特異性、準(zhǔn)確率、時間。結(jié)果：深度學(xué)習(xí)模型診斷結(jié)直腸息肉的敏感性為93.2%，特異性為98.7%，準(zhǔn)確率為95.9%，每張圖像的診斷時間為(0.20±0.03)s，模型的敏感性、準(zhǔn)確率、診斷時間優(yōu)于5名新手內(nèi)鏡醫(yī)師，特異性優(yōu)于部分新手內(nèi)鏡醫(yī)師。當(dāng)息肉≤5 mm或6～9 mm時，模型的準(zhǔn)確率分別為88.1%、96.8%，優(yōu)于5名新手內(nèi)鏡醫(yī)師；當(dāng)息肉≥10 mm時，模型的準(zhǔn)確率為100%，與5名新手內(nèi)鏡醫(yī)師無明顯差異。模型識別隆起型息肉的準(zhǔn)確率為94.8%，優(yōu)于部分新手內(nèi)鏡醫(yī)師；模型識別扁平型息肉的準(zhǔn)確率為91.7%，優(yōu)于5名新手內(nèi)鏡醫(yī)師。扁平型息肉未能識別(38.8%)、黏膜皺襞處息肉(32.7%)、誤認(rèn)黏膜皺襞為息肉(12.2%)為模型假陰性或假陽性的主要原因。結(jié)論：深度學(xué)習(xí)模型對結(jié)直腸息肉的輔助診斷有較高的準(zhǔn)確率、敏感性、特異性，且診斷時間較短，可輔助新手內(nèi)鏡醫(yī)師識別小息肉和扁平型息肉。

結(jié)直腸癌是癌癥患者死亡的常見病因[1]，是中國常見的第三大癌癥[2]。80%～90%的結(jié)直腸癌由腺瘤樣息肉演變而來，“腺瘤-癌序列”的概念得到了臨床研究支持[3]。結(jié)腸鏡檢查作為結(jié)直腸癌篩查和監(jiān)測的金標(biāo)準(zhǔn)，定期結(jié)腸鏡檢查并切除結(jié)直腸息肉可在一定程度上預(yù)防結(jié)直腸癌。腺瘤檢出率(adenoma detection rate, ADR)與結(jié)腸鏡檢查后結(jié)直腸癌發(fā)生率和死亡率呈負(fù)相關(guān)[3]。然而在不同的內(nèi)鏡醫(yī)師中，ADR差異可達(dá)7%～53%[4]，提高結(jié)直腸息肉的檢出率是提高我國結(jié)直腸癌患者生存率的有效策略，建立一個準(zhǔn)確、客觀的結(jié)直腸息肉檢出工具對內(nèi)鏡專家和新手內(nèi)鏡醫(yī)師均大有裨益。因經(jīng)驗不足，新手內(nèi)鏡醫(yī)師的息肉漏診率明顯高于內(nèi)鏡專家，針對新手內(nèi)鏡醫(yī)師的崗前和在崗培訓(xùn)對降低息肉漏診率十分必要。

隨著人工智能(artificial intelligence, AI)技術(shù)的革新，基于深度學(xué)習(xí)(deep learning, DL)的計算機(jī)輔助診斷正成為診斷疾病的重要工具。本研究采用DL技術(shù)初步探索內(nèi)鏡圖像下結(jié)直腸息肉的自動識別，測試計算機(jī)圖像分析能力，并與新手內(nèi)鏡醫(yī)師識別息肉的敏感性、特異性、準(zhǔn)確率、診斷時間進(jìn)行比較，旨在明確DL模型在結(jié)直腸息肉診斷中的臨床價值，從而輔助新手內(nèi)鏡醫(yī)師提高息肉的識別和診斷水平。

對象與方法

一、病例資料

回顧性收集2019年1月—2020年1月期間青島市市立醫(yī)院東院內(nèi)鏡中心數(shù)據(jù)庫中1 200張結(jié)腸鏡圖像，其中結(jié)直腸息肉圖像600張，正常圖像600張。納入標(biāo)準(zhǔn)：行息肉摘除術(shù)或息肉切除術(shù)治療的患者，診斷均由術(shù)后病理檢查明確。排除標(biāo)準(zhǔn)：①晚期結(jié)直腸癌；②炎癥性腸??；③有結(jié)直腸手術(shù)史；④有活檢禁忌的患者；⑤黏膜下病變。

二、主要器械

所選圖像均在白光、非碘染色、非放大模式下正常拍攝，內(nèi)鏡型號主要包括Olympus 290主機(jī)+腸鏡290I、Fujinon 4450主機(jī)+腸鏡600ZW、600WR系列。本研究應(yīng)用由北京航空航天大學(xué)中德軟件技術(shù)聯(lián)合研究所提供的基于DL技術(shù)的息肉識別模型進(jìn)行驗證。

三、研究方法

利用DL技術(shù)模型對1 200張結(jié)腸鏡圖像進(jìn)行對比分析識別。共選取7名本院內(nèi)鏡醫(yī)師，分別為2名專家內(nèi)鏡醫(yī)師和5名新手內(nèi)鏡醫(yī)師。專家內(nèi)鏡醫(yī)師從事內(nèi)鏡工作超過20年，內(nèi)鏡檢查例數(shù)超過5 000例；5名新手內(nèi)鏡醫(yī)師從事內(nèi)鏡工作小于2年，內(nèi)鏡檢查例數(shù)小于500例。2名專家內(nèi)鏡醫(yī)師結(jié)合息肉組織病理學(xué)標(biāo)注內(nèi)鏡圖像作為驗證標(biāo)準(zhǔn)，5名新手內(nèi)鏡醫(yī)師分別在同一計算機(jī)上對選取的驗證集進(jìn)行識別與診斷。為測試模型穩(wěn)定性以及與新手內(nèi)鏡醫(yī)師對比結(jié)果的平衡性，反復(fù)打亂測試集順序后，利用模型進(jìn)行5次圖像分析，分別記錄模型和新手內(nèi)鏡醫(yī)師診斷圖像所用的時間，并統(tǒng)計敏感性、特異性、準(zhǔn)確率。

四、統(tǒng)計學(xué)分析

結(jié) 果

一、DL模型識別結(jié)直腸息肉的結(jié)果

本研究共選取驗證集圖像1 200張，其中結(jié)直腸息肉圖像600張，正常圖像600張。DL模型5次識別結(jié)直腸息肉的敏感性均為93.2%(559/600)，特異性均為98.7%(592/600)，準(zhǔn)確率均為95.9%(1 151/1 200)，每張圖像診斷時間平均為(0.20±0.03)s(表1)。DL模型正確識別結(jié)直腸息肉的輸出圖像見圖1-2。

圖1 DL模型正確識別結(jié)腸皺襞處息肉的輸出圖像(標(biāo)注框周數(shù)字為標(biāo)注框內(nèi)是息肉的概率)

二、DL模型與新手內(nèi)鏡醫(yī)師識別結(jié)直腸息肉結(jié)果的比較

5名新手內(nèi)鏡醫(yī)師對選取的驗證集圖像的敏感性、特異性、準(zhǔn)確率、每張圖像平均診斷時間見表1。利用模型輔助診斷結(jié)直腸息肉的敏感性、準(zhǔn)確率均明顯優(yōu)于5名新手內(nèi)鏡醫(yī)師，差異有統(tǒng)計學(xué)意義(P<0.001)；特異性明顯優(yōu)于新手內(nèi)鏡醫(yī)師1和4，差異有統(tǒng)計學(xué)意義(P<0.005)，與新手內(nèi)鏡醫(yī)師2、3、5相比無明顯差異(P>0.05)；DL模型的診斷時間均明顯優(yōu)于5名新手內(nèi)鏡醫(yī)師，差異有統(tǒng)計學(xué)意義(P<0.001；表1)。

表1 DL模型與5名新手內(nèi)鏡醫(yī)師的結(jié)直腸息肉診斷結(jié)果比較

三、DL模型與新手內(nèi)鏡醫(yī)師識別不同大小、形態(tài)的結(jié)直腸息肉比較

600張息肉圖像中，≤5 mm的息肉圖像277張，6～9 mm息肉圖像249張，≥10 mm息肉圖像74張；隆起型息肉圖像286張，扁平型息肉圖像314張。

當(dāng)息肉≤5 mm或6～9 mm時，DL模型識別息肉的準(zhǔn)確率分別為88.1%、96.8%，均明顯優(yōu)于5名新手內(nèi)鏡醫(yī)師，差異有統(tǒng)計學(xué)意義(P<0.05)；當(dāng)息肉≥10 mm時，DL模型準(zhǔn)確率為100%(74/74)，與5名新手內(nèi)鏡醫(yī)師相比差異無統(tǒng)計學(xué)意義(P>0.05)；模型和5名新手內(nèi)鏡醫(yī)師識別不同大小息肉的準(zhǔn)確率相比差異均有統(tǒng)計學(xué)意義(P<0.001；表2)。

DL模型識別隆起型息肉的準(zhǔn)確率為94.8%，明顯優(yōu)于新手內(nèi)鏡醫(yī)師1～4，差異均有統(tǒng)計學(xué)意義(P<0.05)，與新手內(nèi)鏡醫(yī)師5相比差異無統(tǒng)計意義(P>0.05)；DL模型識別扁平型息肉的準(zhǔn)確率為91.7%，均明顯優(yōu)于5名新手內(nèi)鏡醫(yī)師，差異有統(tǒng)計學(xué)意義(P<0.005)；DL模型、新手內(nèi)鏡醫(yī)師2、4識別兩種不同形態(tài)息肉的準(zhǔn)確率無明顯差異(P>0.05)，新手內(nèi)鏡醫(yī)師1、3、5識別隆起型息肉的準(zhǔn)確率優(yōu)于扁平型息肉，差異有統(tǒng)計學(xué)意義(P<0.05；表2)。

圖2 DL模型正確識別2處≤5 mm結(jié)腸息肉的輸出圖像

表2 DL模型與5名新手內(nèi)鏡醫(yī)師診斷不同大小、形態(tài)結(jié)直腸息肉的準(zhǔn)確率比較%(n/N)

四、DL模型識別結(jié)果為假陰性和假陽性的原因分析

DL模型錯誤識別了49張驗證集息肉圖像，假陰性率為6.8%(41/600)，假陽性率為1.3%(8/600)。其中，漏診的扁平型息肉占錯誤識別圖像的38.8%(19/49)，漏診的結(jié)腸皺襞處息肉占32.7%(16/49)，誤診結(jié)腸皺襞為息肉占12.2%(6/49)，息肉位于圖像邊緣占4.1%(2/49)，圖像模糊、視野昏暗、器械、回盲部、氣泡、顏色干擾各占2.0%(1/49)。DL模型診斷結(jié)果為假陰性輸出圖像和假陽性輸出圖像見圖3-6。

圖3 DL模型未識別位于結(jié)腸皺襞、覆蓋氣泡的息肉圖像，診斷結(jié)果為假陰性(黑色箭頭所示處為息肉)

討 論

本研究將新興的DL技術(shù)應(yīng)用于結(jié)直腸息肉診斷，就該模型在臨床實踐中輔助新手內(nèi)鏡醫(yī)師識別息肉進(jìn)行了初步探索。通過收集1 200張結(jié)腸鏡下結(jié)直腸息肉圖像，整理數(shù)據(jù)集輸入DL模型進(jìn)行驗證，結(jié)果顯示模型的敏感性為93.2%、特異性為98.7%、準(zhǔn)確率為95.9%，每張圖像的診斷時間平均為(0.20±0.03)s，證實該模型診斷結(jié)直腸息肉具有較好的臨床效果。

圖4 DL模型未識別位于結(jié)腸皺襞的息肉圖像，診斷結(jié)果為假陰性(黑色箭頭所示處為息肉)

圖5 DL模型誤認(rèn)結(jié)腸皺襞為息肉的輸出圖像，診斷結(jié)果為假陽性

圖6 DL模型誤認(rèn)氣泡為息肉的輸出圖像，診斷結(jié)果為假陽性

本研究結(jié)果顯示，DL模型識別息肉的敏感性、準(zhǔn)確率、診斷時間優(yōu)于5名新手內(nèi)鏡醫(yī)師，特異性優(yōu)于部分新手內(nèi)鏡醫(yī)師。當(dāng)息肉≤5 mm或6～9 mm時，模型識別息肉的準(zhǔn)確率分別為88.1%、96.8%，優(yōu)于5名新手內(nèi)鏡醫(yī)師；當(dāng)息肉≥10 mm時，準(zhǔn)確率為100%，與5名新手內(nèi)鏡醫(yī)師相仿；其中，模型識別不同大小息肉的準(zhǔn)確率差異有統(tǒng)計學(xué)意義，息肉越大，模型識別息肉的準(zhǔn)確率越高。由此可見，當(dāng)息肉為1～9 mm時，DL模型對于新手內(nèi)鏡醫(yī)師具有一定的輔助作用。Wang等[5]的一項臨床隨機(jī)試驗將基于DL的計算機(jī)輔助系統(tǒng)與標(biāo)準(zhǔn)結(jié)腸鏡檢查對息肉的檢測結(jié)果進(jìn)行比較，結(jié)果顯示計算機(jī)輔助診斷息肉的ADR優(yōu)于標(biāo)準(zhǔn)結(jié)腸鏡檢查，其中ADR的增加僅限于微小息肉和小息肉，>10 mm息肉的診斷結(jié)果無明顯差異。Guo等[6]開發(fā)了基于卷積神經(jīng)網(wǎng)絡(luò)的計算機(jī)輔助檢測算法，其對小息肉(2～8 mm)的敏感性與內(nèi)鏡專家相同(均為88%)，優(yōu)于2名接受培訓(xùn)的醫(yī)師(分別為84%和76%)。

本研究結(jié)果還顯示，DL模型識別隆起型息肉的準(zhǔn)確率為94.8%，優(yōu)于部分新手內(nèi)鏡醫(yī)師；模型識別扁平型息肉的準(zhǔn)確率為91.7%，優(yōu)于5名新手內(nèi)鏡醫(yī)師。既往研究發(fā)現(xiàn)，結(jié)腸鏡檢查過程中，扁平型息肉的漏檢率明顯高于隆起型息肉[7]。本研究發(fā)現(xiàn)，DL模型識別這兩種不同形態(tài)息肉的準(zhǔn)確率相比差異無統(tǒng)計學(xué)意義，故該模型在臨床檢查過程中有利于輔助新手內(nèi)鏡醫(yī)師診斷息肉，減少扁平型息肉的漏診率。

通過對DL模型錯誤識別的內(nèi)鏡圖像進(jìn)行分析發(fā)現(xiàn)，扁平型息肉、黏膜褶皺對模型識別息肉的干擾作用較大，分別占38.8%、32.7%。本研究為模擬臨床內(nèi)鏡操作的真實環(huán)境，驗證集均選取內(nèi)鏡下息肉原圖，同時添加形態(tài)較小、扁平、內(nèi)鏡下與結(jié)腸黏膜色差不明顯的息肉，并添加內(nèi)鏡下模糊、散焦、局灶黏液、出血、糞便、皺襞、內(nèi)鏡反光、視野昏暗、運(yùn)動模糊等不清晰圖像，模型識別的敏感性、特異性、準(zhǔn)確率受圖像選擇偏倚較小，測試結(jié)果相對具有真實性和可靠性。

本研究所收集圖像均為白光、非染色、非放大內(nèi)鏡下圖像，具有廣泛臨床適用性。結(jié)直腸息肉的臨床表現(xiàn)具有隱匿性，我國結(jié)直腸癌的預(yù)防主要通過對非特異性癥狀和無癥狀的人群進(jìn)行篩查。染色內(nèi)鏡、放大內(nèi)鏡等在一定程度上可提高息肉檢出率[8]，但因檢查費(fèi)用較高，且對內(nèi)鏡醫(yī)師操作水平具有一定要求，并未在我國多數(shù)醫(yī)院普及，未能作為息肉篩查的常規(guī)手段。由此認(rèn)為針對白光內(nèi)鏡圖像設(shè)計的計算機(jī)輔助診斷結(jié)直腸息肉模型的實際適用范圍更大，具有更高的臨床價值。

當(dāng)前DL模型已初步實現(xiàn)檢測內(nèi)鏡視頻中是否存在息肉。在驗證過程中，將內(nèi)鏡視頻導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型，視頻自動拆分成幀，并以25幀/s循環(huán)檢測每一幀，識別疑似病變部位，并實時輸出診斷結(jié)果。因動態(tài)視頻下，腸道內(nèi)環(huán)境復(fù)雜，故模型檢測息肉精準(zhǔn)度偏低，模型部署至臨床內(nèi)鏡系統(tǒng)存在一定局限性。后續(xù)將收集并添加更多的訓(xùn)練樣本，完善模型后進(jìn)行系統(tǒng)地視頻驗證，優(yōu)化模型后可聯(lián)合內(nèi)鏡系統(tǒng)，開展實時內(nèi)鏡檢查過程中對比研究，驗證模型的實際應(yīng)用效果。

結(jié)直腸息肉和腺瘤為公認(rèn)的結(jié)直腸癌的癌前病變。美國一項大型隊列研究[4]結(jié)果表明，有效結(jié)腸鏡檢查可降低約70%的結(jié)直腸癌死亡率。故有效提高結(jié)腸鏡檢查時息肉和腺瘤的檢出率已成為結(jié)直腸癌一級預(yù)防的重要措施。臨床實踐中，息肉漏診原因主要為：①腸道準(zhǔn)備差、退鏡速度快、患者體位不佳影響腸道黏膜視野暴露，干擾腸道息肉的識別。因此，高質(zhì)量的腸道準(zhǔn)備[9]、充足的退鏡時間[10]、動態(tài)體位變化[11]可一定程度上改善息肉識別率。②內(nèi)鏡醫(yī)師技術(shù)水平差異引起的診斷差異，內(nèi)鏡醫(yī)師經(jīng)驗差異、檢查時因器械操作分心、因疲勞或情緒因素引起注意力不集中均可造成部分息肉漏診[12-14]。有研究顯示，經(jīng)驗豐富的護(hù)士可通過觀察監(jiān)視器輔助專業(yè)的內(nèi)鏡醫(yī)師將息肉檢出率和ADR分別提高8.9%和7.4%[15]；實時內(nèi)鏡檢查過程中，“第二觀察者”可在一定程度上輔助內(nèi)鏡醫(yī)師提高息肉檢出率[16]。

隨著近年技術(shù)的突破，AI將改變胃腸病學(xué)領(lǐng)域，尤其是內(nèi)鏡和圖像診斷，AI正迅速從胃腸病學(xué)的實驗階段過度到臨床實施階段[17]。計算機(jī)輔助息肉診斷引起了越來越多的關(guān)注，Urban等[18]利用DL技術(shù)設(shè)計并訓(xùn)練的網(wǎng)絡(luò)模型識別息肉的準(zhǔn)確率為96.4%。Wang等[19]的研究開發(fā)驗證了DL算法，其輔助診斷結(jié)腸息肉的敏感性和特異性分別為94.38%、95.92%。Lee等[20]的研究利用YOLOv2模型，開發(fā)并驗證了用于息肉檢測的DL算法，測試集A包含1 338幅息肉圖像，敏感性為96.7%，測試集B包含612幅息肉圖像的公共數(shù)據(jù)庫，敏感性為90.2%。息肉檢測系統(tǒng)可作為一個有效的第二觀察者，實時吸引內(nèi)鏡醫(yī)師觀察疑似病變，提高新手內(nèi)鏡醫(yī)師的息肉檢出率，克服內(nèi)鏡檢查過程中因臨床經(jīng)驗等因素導(dǎo)致的診斷差異。臨床內(nèi)鏡操作檢查是一個自身成長、累積經(jīng)驗的過程，如何幫助新手內(nèi)鏡醫(yī)師提高白光內(nèi)鏡下息肉檢出率，是目前面臨的現(xiàn)實問題。對于新手內(nèi)鏡醫(yī)師，計算機(jī)輔助診斷有助于協(xié)助新手內(nèi)鏡醫(yī)師識別息肉，在實際操作中起有良好的輔助作用。

綜上所述，本研究基于AI技術(shù)建立的識別結(jié)直腸息肉DL模型具有較高的臨床價值，可輔助新手內(nèi)鏡醫(yī)師進(jìn)行息肉的診斷。后續(xù)研究將擴(kuò)大模型的數(shù)據(jù)集，持續(xù)優(yōu)化模型，聯(lián)合內(nèi)鏡檢查系統(tǒng)，爭取開展臨床前瞻性研究，以驗證本模型的效能。隨著計算機(jī)輔助診斷技術(shù)的進(jìn)步以及內(nèi)鏡技術(shù)的更新，基于DL的內(nèi)鏡輔助系統(tǒng)有望在未來的臨床工作中發(fā)揮重要價值。