中文 | English

内镜中的人工智能

作者:Sharma P等人

正文:

   【引言】内窥镜是胃肠病学领域的基石之一。最早的光纤内窥镜在20世纪50年代被研制出来。从那时开始直到今天,内窥镜领域不断地发展和演变。20世纪70年代发展起来的内镜下逆行胆道造影术和80年代发展起来的超声内镜进一步显示了内镜潜力不可限量。现如今的内窥镜图像质量是高清白光加上光学增强技术(例如,窄带成像 NBI)。其目的是增强黏膜表面区域的检查,以识别和解释异常区域。在医学以外的领域,我们已经看到人工智能(AI)的发展——从Waze导航、智能手机,到最近的自动驾驶汽车。AI进入到胃肠内镜领域只是时间问题。AI已经在眼科、皮肤科等领域得到了应用。在内窥镜中,AI已经在结肠镜中开始得到应用,用以帮助提高息肉检出率和腺瘤检出率(ADR)。此外,还能区分良性息肉和癌前息肉的形态差异。

      机器学习(ML)和卷积神经网络(CNN)算法已经被开发来训练计算机区分消化道内的正常和异常区域。ML是AI的一种形式,它可以在平台不经过编程的情况下改进。以音乐服务为例,它会根据你的喜好推荐其他的歌曲或音乐家。对于息肉检测,ML 使用固定数量的特征,例如息肉的大小、形状和黏膜形态。CNN则将机器学习又向前推进了一步,即深度学习,使其功能类似于人类大脑。它可以通过训练来减少预测值和实际结果之间的误差。这些不同的机制有助于产生更有意义的结果,具有协助诊断、预后和管理各种消化疾病的巨大潜力。

   【未来研究方向】为了改善未来的AI系统,必须兼顾两个关键的方面,即AI软件性能和临床结果。AI软件平台应当有可报告成功的标准措施;训练图像集最小数目设置,以及视频时延可接受范围的确定。数据集中的图像/视频需要增加,这将提升诊断能力并且减少假阳性。图像和视频数量的增加也会增加时延、特异性和准确性。对于胃肠道病变的计算机辅助诊断(CAD),大多数研究为回顾性研究,并且由于选择性偏倚,研究结果优于预期。另一个部分是在实时临床环境中最大化Al。未来的Al软件算法必须能够提示内镜医师最大限度地进行表面检查,这将最终影响到整体的病变检测。许多关于AI的研究无法使低质量图像变清晰,而这在临床环境中是很常见的。Al平台必须避免“过拟合”,即当用于训练集时性能很好,但在用于新数据时性能很差。“欠拟合”不是什么大问题,因为当Al程序在训练集和分析新数据中表现均不佳时,就会发生这种情况。例如,AI软件必须能够适应次优条件,如结肠内的残渣导致图像模糊,但是在实时分析中仍能识别病变。目前,很多研究报告了原始图像和视频的结果,这通常不是真实世界的场景。指标可以基于由美国胃肠内镜学会(ASGE)发布的PIVI(有价值的内镜创新的保存和合并)声明,以确保这些AI技术符合内镜医师的标准。最后,AI正被应用于标准化的成像技术,并在各种疾病的诊断中创造更好的结果,但是为了提高这些众多的AI系统的性能,仍需要进行进一步的研究。随着研究的进一步进行,AI系统的可行性将足以从学术环境引入到临床环境中。

(本文转载至GIE 2020年4月第91卷第4期)