甘建琛，张明庆，秦海，张锡朋

结直肠癌是全球常见的恶性肿瘤之一，其中约90%由腺瘤发展而来，从腺瘤发展成浸润性癌约需10年或更久时间[1]。结直肠癌可以通过结肠镜检查早期发现，并通过切除腺瘤而有效预防。美国一项大型队列研究显示，结肠镜检查后结直肠癌的死亡率降低约70%[2]。但由于内镜医师技术水平的差异，结肠镜检查腺瘤检出率并不一致。有研究表明，结肠镜检查中腺瘤检出率与结肠镜检查后结直肠癌的发生率和死亡率呈负相关[3]。因此，结肠镜检查的质量控制对结直肠癌的早期诊治意义重大。

此外，结肠息肉分类诊断的准确性同样与结肠镜检查的质量相关，包括癌前病变与非肿瘤性病变的鉴别，以及癌黏膜下浸润的评估。通常采用目视检查判断息肉的病理学类型，以决定是否切除。在没有病理评估的情况下可放弃大多数微小病变，以最小的风险节省大量成本。美国胃肠内镜学会提出，当采用目视检查方法诊断时，如果小的直肠乙状结肠腺瘤准确率达到＞90%，“诊断和保留”策略是允许的[4]。但结肠镜的目视检查高度依赖内镜医师的经验，因此越来越多的内镜医师建议进行内镜检查质量评估，以提高结肠镜下目视检查的水平。

结肠镜检查的计算机辅助诊断（computer-aided diagnosis，CAD）一直是人工智能研究的热点。但由于计算机算法和能力的原因，长期以来局限于工程领域的基础性研究。随着深度学习算法的出现和计算机运算能力的显著提高，结肠镜检查的CAD正在成为现实[5]。CAD可以通过实时显示提示内镜医师注意可能被忽略的息肉，提高腺瘤检出率；还可以加快对结直肠息肉进行准确的光学活检表征，如为非肿瘤性息肉，可以减少不必要的息肉切除。本文就CAD在结肠镜检查中的研究进展作一综述。

1 结直肠息肉的自动检测

2003年，2 个小组报道了在白光结肠镜图像中应用计算机检测息肉的初步研究，2 项研究均是基于小波变换作为提取图像的分类器，在初步设置时具有良好的准确率（＞90%）[6-7]。在此之后，其他小组将各种设计思想和技术修改应用到诊断算法中。这些修改后的模型大多利用公共息肉数据库，如CVC-ColonDB 和ASU-Mayo 的图像进行评估，敏感度为48%～90%[8-11]，但这些数据库多是少于20个息肉的有限数量的图像，因此对检测结果应谨慎看待。一项利用含有31 个息肉的24 个原始视频制作的能量图，得到了令人满意的结果，敏感度和特异度超过70%[12]。然而，有多种因素可能会影响这种“手工”算法的实际效果，包括计算速度、计算机的运算能力、相对较低的敏感度以及由血管、残余粪水和皱褶引起的假阳性。

上述状况随着深度学习的出现而有所改变。最近发表了3项利用深度学习实现息肉自动检测的研究。Misawa 等[13]开发了一个几乎可以实时自动检测息肉的三维卷积网络模型，该模型由三维卷积神经网络驱动的计算机算法，通过输出内镜图像四角的颜色来提示息肉的存在；内镜仍然需要对息肉进行定位，但由于息肉没有覆盖矩形，因此不影响息肉的特征描述，以50个息肉视频和85个非息肉视频作为测试集，敏感度为90%，特异度为63%。随后，Urban 等[14]开发了一种新的 CAD 模型，在实验条件下有非常好的诊断能力，其诊断准确度达到96%，利用9 个视频对评估算法的有效性进行评估，结果表明使用CAD比不使用CAD多识别出9个息肉（45个vs.36个）。Wang等[15]利用另一种CAD模型对1 138例患者的27 113 张静态图像，以及来自111 例患者的138 个息肉的视频记录进行分析，并将54 个结肠镜检查的视频记录作为测试集，其敏感度和特异度均达到90%。

最近，Wang 等[16]报告了第一项前瞻性、随机对照研究的结果，该研究使用基于深度学习的高性能CAD 系统，可以有效处理以前未识别的息肉，1 058例患者经过随机分组，536例接受标准结肠镜检查，522 例接受CAD 结肠镜检查，结果显示CAD 能显著提高腺瘤检出率（29.1%vs.20.3%，P＜0.001），提高患者的平均腺瘤检出数（0.53 个vs.0.31 个，P＜0.001）。此外，增生性息肉的检出量也显著提高（114个vs.52个，P＜0.001）。

2 CAD在息肉分型技术中的应用

2.1 放大窄带成像内镜 Tischendorf 等[17]和Gross等[18]报道了 CAD 在放大窄带成像（narrow band imaging，NBI）中的应用，他们使用了类似的算法，该算法从放大的NBI 图像中提取9 个血管特征，如长度、亮度、周长的序列，使用支持向量机将这些特征分为两类病理预测（即肿瘤或非肿瘤）。Gross 等[18]的数据显示CAD 的准确率为93.1%，优于普通内镜医师（非专家）的诊断准确率，证实CAD可以为内镜经验不足者提供有力的支持。在此之后，日本的一个研究小组在CAD 模型的开发中取得了重要的进展，与以往的研究不同，他们采用了直方图的视觉单词算法，使图像分析系统更加高效，从而有助于息肉病理的实时预测[19-20]。Kominami等[20]对放大NBI的CAD 模型进行了前瞻性评价，在该研究中，41 例患者的118 个结肠病变在结肠镜检查中进行了实时CAD 评估，CAD 诊断准确率为93.2%；92.7%的病例中，基于病理检查的结肠镜随访建议与基于实时CAD 预测病理的结肠镜随访建议相一致，符合“切除-丢弃”策略的标准。Byrne 等[21]使用125 个包含小息肉的内镜下未经修改的视频评估了他们的模型，发现其中19个息肉的组织学结果无法通过该模型预测，其余106 个小息肉利用该模型鉴别腺瘤的敏感度为98%，特异度为83%。同样，Chen等[22]使用284个小息肉评估了他们的CAD模型，该模型鉴别肿瘤或增生性息肉的敏感度为96.3%，特异度为78.1%。

2.2 放大内镜 放大内镜可以帮助内镜医师识别结直肠息肉的表面结构，有助于准确预测凹陷型息肉的分类（敏感度97.8%，特异度91.4%）[23]。凹陷型息肉分类诊断的CAD 系统一般采用定量分析凹陷型息肉结构，或对整个内镜图像进行纹理分析。第一种方法是基于凹陷型息肉结构的提取，然后自动定量评估，如面积、周长、大小拟合椭圆、圆度等。Takemura等[24]应用该方法对134枚凹陷型息肉进行CAD 诊断，其总体诊断正确率达到98.5%。Hafner等[25]描述了另一种方法——纹理分析，这是一种小波域纹理图像特征的算法，用于484 枚凹陷型息肉的分类诊断，其最高总精确度为97.73%，留一法验证的总精确度为99.59%。以上两种用于凹陷型息肉分类的CAD 模型在研究中显示出了很好的诊断准确性，但仍需进行进一步的评价。

2.3 细胞学内镜 细胞学内镜（H290ECI；奥林巴斯）以及共聚焦激光显微内镜（Cellvizio；Mauna Kea技术公司）是新型的体内接触显微成像系统，它们能在结肠镜检查时分别提供500 倍或1 000 倍的实时细胞学图像[26]，这些聚焦的、固定大小的图像有助于CAD进行图像分析，因此这些设备是与CAD系统结合的理想选择。Mori等[27-28]对CAD在细胞学内镜中的应用进行了深入的研究，通过多个模型的探索，大大提高了肿瘤性病变诊断的敏感度和特异度。Mori等[29]最近进行了一项更大规模的前瞻性研究，以探索细胞学内镜中CAD系统的有效性，该研究纳入了791 例患者，使用 CAD 评估了 466 个小息肉，其中小型直肠乙状结肠腺瘤的阴性预测值为93.7%。

2.4 共聚焦显微内镜 目前有4 项研究对CAD 在共聚焦显微内镜中的应用进行了评估，其中2 项研究侧重于自动病理预测。Andre 等[30]报道腺瘤与非肿瘤性息肉的鉴别准确率为89.6%，而Stefanescu等[31]报道晚期结直肠癌与正常结肠黏膜鉴别准确率为84.5%。另有2项研究针对定量图像质量优化，有助于医生分析共聚焦显微内镜下图像[32-33]。

2.5 激光荧光光谱 激光荧光光谱的CAD 系统通过分析吸收了诱导激光的组织发出的光，预测息肉的病理分型。检查过程中，内镜医师可以识别微小的息肉，通过CAD 实时评估预测病理，并在必要时用活检钳切除，以获得病理诊断。Kuiper 等[34]的前瞻性研究中，该CAD系统识别小腺瘤的阴性预测值为73.5%。后续Rath等[35]报道的一项单中心前瞻性试验，包括27例患者的137个小型息肉，其识别腺瘤性息肉的阴性预测值为96.1%。

2.6 白光内镜 白光内镜是目前应用最广泛的内镜检查方式，因此白光内镜下CAD指导息肉的分类诊断具有重要意义。但这一检查方式达到较高的精确度并不容易。Komeda 等[36]对白光内镜应用了一种深度学习算法，其准确率约为75.1%，低于CAD在其他检查技术中的应用。因此，CAD 在白光内镜中的应用需要进行更深入的研究。但鉴于白光内镜的诊断效果通常不如NBI 或放大内镜检查，因此针对这一方向的努力似乎值得怀疑。欧洲胃肠内镜学会（ESGE）建议“使用经过验证的分类系统来支持在上消化道和下消化道使用先进的内镜成像进行光学诊断（强烈推荐，中等质量的证据）”[37]。

3 展望

结肠镜检查中CAD 的应用为内镜检查质量的提高，特别是腺瘤检出率的提高和息肉病理学分类的预测方面开拓了崭新的视野，但这一技术的广泛应用仍然缺乏足够的循证医学证据支持。仅仅基于回顾性的研究结论，可能会有比较大的选择偏倚，精心设计的前瞻性研究比回顾性研究的结论更可靠，但目前前瞻性研究的数量及病例数量仍旧有限。因此如何通过大样本、多中心的前瞻性研究，验证CAD在结肠镜检查中的应用价值是今后的研究重点。随着人工智能的进步和内镜检查技术的不断更新，CAD技术必将对包括结肠镜在内的内镜检查产生深远的影响。