王 越，余 松，庞明辉,△

(1.电子科技大学医学院，四川 成都 611731；2.四川省医学科学院·四川省人民医院老年综合外科，四川 成都 610072)

人工智能(artificial Intelligence, AI)是指计算机执行与智能生物相关任务的能力[1]。经过多年的发展，让计算机利用已有资料积累经验，模仿人类思维的认知功能进行自主学习，自动提高任务的处理能力的技术(即机器学习技术)已日趋成熟。目前应用较多的机器学习模型有朴素贝叶斯、随机森林、支持向量机、浅层人工神经网络等。在此基础上，21 世纪出现的深度学习技术再次带来人工智能技术的新浪潮。深度学习(Deep Learning,DL)是机器学习中一种基于对数据进行表征学习的算法，采用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。它是人工神经网络的发展，其本质是通过构建具有大量隐层的机器学习模型和收集海量的训练数据，通过自动发掘和学习有用特征以提升分类或预测的准确性。与人工构造特征的方法相比，利用大数据学习特征更能刻画数据的丰富的内在信息[2]。当前，深度学习已经用于对胃镜图像、X射线片、B 超图片等病变进行自动识别与诊断[3]。本文就 AI在消化道肿瘤中诊断技术的发展、疗效评估以及诊治局限性作一综述。

1 人工智能在结直肠癌疗效评估中的应用

据GLOBOCAN 2020统计，我国的结直肠癌发病率及病死率高居第3位[4]。为提高诊疗水平，肿瘤专科医师提出了精准肿瘤分期及治疗、保留括约肌功能、保留泌尿及性功能，兼顾生活质量等更高的要求。研究者从AI与淋巴结转移预测；新辅助治疗疗效评估；以及MRI、病理诊断等诸多方面切入，以期满足患者日益增长的治疗需求。

1.1 AI与T1期结直肠癌患者淋巴结转移预测T1期结直肠癌的治疗以内镜下切除为主，术后一旦发生淋巴结转移，则可能需要追加外科手术。Ichimasa团队[5]研究了是否可以通过AI协助医师在术前预测结直肠癌的淋巴结转移。该研究回顾性分析了2001～2016年690例手术切除的T1期直肠癌患者的数据，将患者数据随机分为两组：其中590例患者的数据用于AI模型的机器学习——即AI训练集，其余100例患者组成AI验证集，纳入模型验证。该模型纳入分析45个临床病理因素，综合运算后预测患者淋巴结转移是否阳性。该研究将手术标本的病理诊断作为患者最终诊断金标准。研究结果显示: AI模型的灵敏度为100%(95%置信区间CI 72%～100%)；特异度为66% (95%CI 56%～76%)；准确度为69% (95%CI 59%～78%)。从而得出结论：人工智能显著减少了内镜下T1结直肠癌切除术后不必要的额外手术，且未漏诊淋巴结转移阳性患者。该研究采用的方法，也成为许多后续AI结合临床医学研究的经典模式，即“归纳入组——机器学习——产出验证”。通过与患者客观预后的真实数据进行比较，验证智能模型的有效性。

1.2 AI与直肠癌新辅助放化疗后的疗效评估局部进展期直肠癌(locally advanced rectal cancer,LARC)患者的新辅助放化疗(nCRT)存在个体差异。目前还没有可靠的方法可以预测nCRT的疗效。复旦大学附属肿瘤医院团队[6]一项最新的基于CT分形维数(FD)分析的局部晚期直肠癌新辅助放化疗疗效预测研究表明：基于CT的分形维数和过滤直方图纹理分析可以预测LARC患者对nCRT的治疗反应。在评估的215例患者中，20.9% (n=45/215)患者达到完全缓解(pCR)。在训练集中，37个纹理参数中有7个在pCR组和非pCR组之间存在显著差异，结合临床和7个纹理参数的Logistic多变量回归分析显示，只有FD与pCR相关(P=0.001)。FD曲线下面积为0.76。在验证集中，应用FD预测pCR，灵敏度、特异性和准确性分别为60%、89%和82%。该研究表明：经AI处理后的CT分形维数可用于协助拟定治疗方案。

现阶段，许多临床影像的阅读分析仍然停留在“看”的阶段，结论的准确性与阅片医师的年资、技能甚至阅片当时的工作状态等主观因素息息相关。AI辅助已经慢慢成为影像医师的良好助力，并且为未来标准化、客观化地反映患者病情，提供了一条可探索的道路。

1.3 AI与直肠癌患者的MRI诊断既往研究表明，只有30%～40%[7]的直肠癌患者可以通过新辅助治疗顺利降期，且有6%左右的患者因在术前治疗中发生疾病进展转移进而丧失手术机会。新泽西州立大学的学者提出了提取MRI图像特征来建立预测新辅助治疗后达到pCR或GR(good responder)的数学模型[8]。然而，直肠癌具有较大的异质性，具体到基因表型而言，携带K-RAS及TP53突变基因的患者对放疗具有天然的拮抗力[8，9]。MRI扫描是直肠癌术前检查手段之一，在对肿瘤的位置、浸润深度、淋巴结转移、周围血管组织是否受侵犯等方面具有明显优势，但是MRI结果解读极大程度地受到医生临床经验、专业水平和工作强度的影响，人工智能恰恰具备医师梦寐以求的无穷精力与一定条件下的超高准确性[10]。Trebeschi等[11]通过深度学习算法开发了一种自动分割程序，利用140例直肠癌患者的MRI图像建立训练集，对MRI成像进行直肠癌的准确定位和细分，该自动分割程序具有良好的诊断性能，其细分效果与专家手动勾画的细分水平相当(DSC为0.70)。2018年，青岛大学附属医院卢云团队[12]利用AI开发了Faster R-卷积神经网络(convolutional neural networks,CNN)架构，纳入28 080张直肠癌淋巴结转移的MRI图像，建立了AI学习训练的影像数据库并进行验证，对每例患者MRI图像的诊断时间仅为20 s，其诊断速度达到影像科医师的30倍，诊断AUC高达0.912，具有良好的临床可行性。

现如今，以“Faster R”的系统为代表的一系列系统，已经能够对某些部位的MRI图像进行识别和诊断，一定程度上减轻了影像科医师的工作量，并降低影像学专家的诊断水平差异带来的判断误差。

1.4 AI与消化道肿瘤的病理诊断病理诊断是肿瘤疾病诊断的金标准，但病理结果可能会受到切片厚度、均匀度、染色程度等图像质量影响，导致不同经验的病理医师得出不同结论。20世纪60年代，Prewitt等[13]将普通血液涂片的显微镜视野扫描成简单图像，然后将光学数据转换为光密度值矩阵，以进行计算机图像分析，这被认为是数字病理学的开端。数字化病理的核心技术是全玻片数字扫描与病理图像分析的算法，全玻片数字扫描技术(whole slide imaging，WSI)是一种现代数字系统与光学设备有机结合的技术，它通过高分辨显微镜扫描采集到的数字图像，再利用计算机对图像自动进行分割并拼接处理，量化病理图像的纹理、形状、大小、矩阵密度值和颜色等信息，最后得到数字病理切片。基于DL算法的CNN在近年来取得飞速进步，为数字病理学的发展提供了基础。AI在病理图像处理领域的应用，简单说是对拍摄和扫描的图像进行预处理、分割、特征提取和分类以获取数字信息。通过计算机软件来量化细胞形态、细胞核与细胞质面积、核浆比、细胞核的核分裂像，血管壁厚度、血管密度及腔体面积等一系列的量化标准，来判断组织学分型和预测患者的生存和预后。Kainz等[14]使用两个不同的CNN分类器对苏木精-伊红染色图像进行像素级分类，当第一个分类器将腺体与背景分离时，第二个分类器则将腺体结构识别出来。对病理图像进行分割识别并生成最终结果，辨别良恶性肠道肿瘤的准确率达到了 95%～98%。Awan等[15]使用一种称为最佳比对度量(BAM)的新颖度量来测量腺体的形状，使用支持向量机(SVM)分类器从BAM得到的形状特征进行训练，交叉验证后可以区分正常组织和结直肠癌组织的准确率达到了97%。

2 近年AI在消化道肿瘤诊治中发展

消化系统疾病的诊治方案选择，往往依赖于CT、MRI、内镜及病理切片的人工阅读。近年AI辅助诊断技术的发展尤为迅速，并且逐渐深入影像学和病理诊断、疾病管理、预后观察等多种场景。

2.1 AI与消化内镜疾病诊断2019年，Ebigbo等[16]使用计算机辅助诊断(CAD)系统对早期胃食管鳞癌进行识别，CAD对内镜图像的测试敏感性、特异性和准确率分别为57.8%、85.4%和91.4%，优于低年资内镜医师，且具有实时病灶标注提示功能，帮助内镜医师提升诊断准确率。同年Everson等[17]研发的CNN系统可判断上皮乳头内毛细血管襻(ILCL)是否异常，并对其进行分型。2020年de Groof等[18]使用AI对1744例Barrett食管(BE)合并瘤变患者的内镜图像进行学习并验证, 系统的诊断效能同样优于普通内镜医师，并可标注瘤变的轮廓，标注结果与内镜专家一致。Ohmori等[19]使用9591张非放大和7844张放大食管鳞癌内镜图像，训练基于CNN的AI系统,验证了AI在识别两种图像上的表现与有经验的内镜医师无明显差异。2022年，南京鼓楼医院团队[20]使用本院45240张内镜图像用于训练DCNN 系统，以来自其他三家医院的另外1514张图像用作外部验证，甚至发现DCNN 系统的诊断性能总体优于内镜医师。

AI辅助消化内镜诊断的回顾性研究，在国内外都取得了可喜的成果，增强了学者进一步研究用于临床检查的自动化系统的信心。Hirasawa等[21]开发了一种可以自动检测内窥镜图像中的胃癌的CNN系统，仅需要47秒来分析2296个测试图像，正确诊断77个胃癌病灶中的71个，总体敏感性为92.2%，161个非癌性病灶被检测为胃癌，阳性预测值为30.6%。中山大学肿瘤防治中心团队[22]开发的用于诊断上消化道癌症的胃肠道AI诊断系统 (GRAIDS)，由五家初级保健医院的内镜医师使用并验证，其对癌性病变识别的诊断准确性和灵敏度都与内镜专家相近。AI与消化内镜疾病诊断应用广泛深入，主要获益于AI强大的图像识别技术学习能力，国内外专家学者在该领域的研究取得了许多成果，部分成果已用于临床实践。

2.2 AI与放射影像技术疾病诊断2021年武汉大学人民医院团队[23]开发并更新了ENDOANGEL系统，用于识别与预测晚期胃癌病灶，每个病灶的准确度为 84.7%，敏感性为 100%，特异性为 84.3%。2019年北京大学肿瘤医院团队[24]开发了一种通过识别CT图像用于术前识别晚期胃癌患者隐匿性腹膜转移的列线图系统，并验证了其对隐匿性腹膜转移出色的预测能力。2022年中山大学癌症中心团队[25]开发的腹膜转移CNN (PMetNet)，同样致力于通过CT图像预测胃癌患者的术前腹膜转移，其最终队列研究的结果表明，PMetNet模型可以作为早期识别临床隐匿性腹膜转移患者的可靠无创工具，这将为个体化术前提供信息治疗决策，并可能避免不必要的手术和并发症。2020年中山六院团队[26]利用AI开发并验证了基于MRI的放射标记(RS)，用于预测多中心数据集中的晚期直肠癌远处转移。验证了RS作为是一个独立的预后因素，可以帮助能从新辅助化疗中获益的患者，制定个性化的治疗计划。

2.3 AI与消化系统肿瘤的化疗及手术治疗方案选择Giannini等[27]基于AI开发和验证了delta-radiomics评分系统，以预测个体结直肠癌肝转移 (lmCRC) 患者对一线 FOLFOX 化疗的反应。最后证实该系统可以可靠地预测个体lmCRC对基于奥沙利铂的化疗的反应，可能为病变特异性治疗铺平道路。Igaki等[28]基于AI开发了一套术中图像导航系统。它从左结直肠腹腔镜切除视频中提取的现场图像，以此作为深度学习模型的训练数据，使其能够在术中识别直肠系膜切除平面，协助主刀医生判断解剖层次。Bertsimas等[29]通过建立随机森林 (RF) 预测模型，验证最适合结直肠癌肝转移 (CRLM) 患者手术切除的最佳边距。该系统使用一种称为最优策略树 (OPT) 的基于AI的技术来推断与给定患者降低死亡概率的最相关的边缘宽度(即，最佳边距宽度)，得出了7 毫米的最佳边缘宽度，有待进一步实践验证。2022年同济医院团队[30]基于AI开发模型21cloudbox，用于评估直肠癌切除术后吻合口漏 (AL) 的风险。研究收集了2240名接受前切除术的直肠癌患者的数据，并这些患者被分为一个训练组和两个测试组。采用支持向量机 (SVM)、逻辑回归 (LR)、朴素贝叶斯 (NB)、随机梯度下降 (SGD) 和随机森林 (RF) 等五种 AI 算法来开发使用临床变量的预测模型，并使用两个测试队列。结论显示该模型对 AL的良好辨别力，可用于辅助外科医生进行临时回肠造口术的决策。

近年AI在消化道肿瘤诊治中发展日新月异，从最初的图像识别，疾病诊断等回顾性研究，已慢慢发展到疗效预测，方案选择等颇具前瞻性的治疗研究领域，甚至在手术过程中的解剖定位与辅助决策也逐渐展现出切实可行的应用前景。

3 AI在疾病管理与诊治中的局限性

结合近年来AI的不断革新发展，我们发现现有环境对AI的研究大多数是回顾性分析，容易造成选择偏倚，应当开展前瞻性的随机对照研究来证明这些AI模型在真实世界中的应用价值。同时越来越复杂的机器学习和深度CNN往往依赖于更强的设计能力和更高的算力，然而大部分医院难以承担这样的工作成本，因此如何在模型的诊断效能和复杂程度之间进行取舍也是需要进一步思考的问题。

在AI相关的科研中，前期所建立的训练集数据库须由经验丰富的专业医师对数据进行标注处理。而各个医疗机构进行数据标注时选取的医师仍然存在临床经验的差别，造成标注结果的不确定性，导致训练数据集的标注结果受到标注医师主观因素影响。目前尚无严格意义的统一的评估体系与标准，因此，难以保证各个模型的有效性。而且AI的可解释性随着模型复杂程度的增加而逐步降低，其“黑箱”的属性难以为医疗决策所接受，虽然目前已提出如显著图、隐态分析和特征可视化等手段以阐明AI的预测原理，但其解释效果有待进一步提升。目前构建的AI模型只适用于特定临床范围，一旦超出该范围就会毫无作用。这种局限性很难让某一种AI模型普遍适用于全球范围内。与此同时先进的AI技术带来了一系列的伦理挑战，其中算法偏见对患者带来的潜在安全隐患及隐私泄露的风险，是未来科研工作者需要重点考虑的方向。

综上,近年来AI在结直肠癌疗效评估、上消化道早癌识别、结直肠癌诊断及预后判断等方面的应用均取得了较大的进展。尽管存在一些问题，但随着其算法和试验设计的不断成熟和完善，未来可期。未来数年内，AI作为常规工具进入医学图像解读相关的科室是发展趋势。AI 可以有效地辅助医师对病变进行定位和定性，对肿瘤进行分级和预测预后等等。AI 还可以用于医学教学与医师规范化培训等多种场合。