张凯璇，丁康

南京中医药大学附属南京中医院肛肠中心，南京210000

结直肠癌（CRC）起源于结直肠黏膜上皮，是临床常见的消化系统恶性肿瘤之一，在全球恶性肿瘤中其发病率居第三位、死亡率居第二位。CRC 的发生大多遵循“息肉-腺瘤-癌”序列，通常由良性癌前息肉的局灶性变化发展而来，从息肉发展到癌症往往需要5～10 年。越来越多的证据表明，早期筛查及早诊早治可以降低CRC的发病率和死亡率［1］。在当前的临床实践中，结肠镜是CRC 筛查的“金标准”［2］。内镜医师可通过镜头完整地探查整个肠腔，发现可疑病灶后取活体组织进行病理学检查。近年来，随着人工智能（AI）技术在疾病诊断中得到快速发展，结肠镜下AI 计算机辅助诊断技术（CAD）为CRC 的精确诊断提供了新的途径［3］。已有研究证实，AI 辅助结肠镜检查能够显著降低结直肠息肉和腺瘤的漏诊率［4］。本文结合文献就基于深度学习（DL）的AI 技术在辅助CRC 精准诊疗中的应用进展作一综述。

1 医学影像AI诊断技术的基本原理

AI 是计算机科学的一个分支，通过计算机系统模拟人类智能和学习能力，从而完成类似人类智能的任务和活动。目前，AI 在人类日常生活中的应用越来越广泛。近年来，AI 在精准医学、医学影像辅助诊断、病理检查与诊断、病例分析与整理等方面也取得了一定成果，其中AI与医学影像的结合被认为是最具发展前景的领域［5］。医学影像AI技术包括图像识别和DL两个方面［6］。

1.1 图像识别 图像识别是AI 的一个重要领域，是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。图像识别的基本过程可分为三个主要步骤：图像预处理、特征提取和识别。计算机通过视觉识别系统获取图像后，传输至图像处理系统，从而对获取的图像进行预处理。对图像预处理后，即可对组织器官定位、分类以及图像分割，进而标记疑似病变部位［7］，提取肉眼无法识别的肿瘤特征并使用特定算法识别，从而提高医师判读医学影像的工作效率［8］。

1.2 DL DL是机器学习（ML）的一个分支，强调从一系列连续的表示层中进行学习。DL 通常包含数十个甚至上百个连续的表示层，这些表示层全都是从训练数据中自动学习的。DL 通过对大量医学影像数据多层神经网络训练，从样本数据中获取不同的抽象特征，实现智能化诊断的量化经验，从而对疾病进行分类预测［9］。ML是AI的子领域之一，通过应用统计方法为特定任务优化模型。与传统ML 需要采取支持向量机、决策树、随机森林等传统统计模型进行分类和预测不同，DL可直接对医学影像的原始数据进行学习，利用卷积神经网络（CNN）对图像进行分类并提取图像特征［10-11］，定量分析与预测，从而降低临床漏诊和误诊概率。目前，DL已经渗透到医学影像领域的各个方面，在一些具体任务中接近甚至超越人类专家的水平。

CNN 是DL 领域的关键概念之一，作为一种前馈神经网络，能够从具有卷积结构数据中提取特征［12］。与利用人工提取模式的传统算法相比，CNN无需人类逻辑和知识干预，计算机以像素为单位获取图像并输入，自动提取特征并完成特定任务，整个过程可实现端到端的训练［13］。ESTEVA 等［14］使用129 450 张包含2 032 种不同疾病的临床图像数据集，通过CNN 进行二元分类，结果发现CNN 在此训练任务中的表现与所有经过测试的专家不相上下，证实AI的分类能力与经过测试的专家相当。

2 AI在医学影像方面的应用现状

目前，AI 在影像学诊断中的应用主要集中在肺癌、胃癌、甲状腺结节和糖尿病视网膜病变等。医学影像借助于X射线、电磁场、超声波等介质与人体的相互作用，将体内组织器官的形态结构、密度以影像方式表现出来，从而为诊断医师提供判断依据。AI可对图像降噪、病灶分割以及定量分析，从而提高疾病诊断及疗效和预后评估的准确性［5］。SU 等［15］开发了一种计算机辅助检测（CADe）系统，该系统既能鉴别结肠息肉与腺瘤又能评估结肠镜检查质量。尹爱桃等［16］研究发现，超声医师与AI-CAD 系统鉴别甲状腺良恶性结节的灵敏度分别为80.7%、84.5%，特异度分别为73.7%、81.0%，准确度分别为79.0%、84.1%，证实AI-CAD 系统对甲状腺良恶性结节的鉴别诊断价值较高。AI-CAD 能够帮助医师快速检出病灶，提高阅片效率，完成对病灶的快速精准定位和定性以及临床分期评价。此外，在医学影像领域利用AI 技术还可对既往数据进行更深层次地挖掘。总之，AI 为医学影像诊断提供了更先进的方法及工具，可在智能化诊断、病情评估以及预后预测等方面实现重大突破。

3 医学影像AI技术在CRC诊断中的临床应用

AI 在医学影像中的应用最为成熟，尤其是肿瘤影像学方面，对肿瘤的早期诊断、临床分期评估以及转移和预后预测等方面发挥了巨大作用。基于医学影像学的智能化诊断是将AI 技术用于医学影像学辅助诊断领域，通过分析影像学和病理学特性，实现智能化精准诊疗。近年来，随着深度神经网络和ML算法的不断发展，医学影像AI 技术取得了长足进步。

CRC 是全球范围内的重大公共卫生问题。几乎所有的CRC 起源于腺瘤性息肉，早期定期结肠镜筛查对于降低CRC 的高发病率和高死亡率至关重要。结肠镜检查是目前发现结直肠肿瘤性病变最灵敏的手段。然而结肠镜检查对内镜医师的技术水平要求较高，经验不足的内镜医师对CRC 的诊断准确率明显偏低。医学影像AI 技术可实时辅助内镜医师检查，避免在内镜检查过程中出现漏诊，弥补了不同内镜医师之间的技术水平差距，从而有效提高CRC 的检出率。因此，医学影像AI 技术有望成为CRC筛查的重要辅助工具。

3.1 医学影像AI技术在结直肠息肉诊断中的临床应用 结直肠息肉是隆起于结直肠表面的肿物，包括肿瘤性病变和非肿瘤性病变。结直肠息肉按病理学性质可分为腺瘤性息肉、炎性息肉、增生性息肉和错构瘤型息肉，其中腺瘤性息肉被认为是CRC 的癌前病变。腺瘤检出率是检验内镜医师镜检水平的重要标准。80%～95% CRC是由结直肠腺瘤性息肉发展而来，故提高腺瘤检出率对降低CRC 的发病率和死亡率具有重要意义。然而，一些息肉在外观上仅有细微差别，由于内镜医师的检查水平或患者的肠道准备不足等原因可能导致漏检。有研究报道，在结肠镜检查过程中有许多结肠小息肉易被遗漏，其中腺瘤的遗漏率高达26%［17］。

随着AI技术在肿瘤筛查领域的广泛应用，医学影像AI 技术已成功地解决了息肉漏检问题。NAZARIAN 等［18］在一项荟萃分析中发现，医学影像AI技术对结直肠息肉诊断的灵敏度为92%、特异度为93%、准确率为92%，诊断效能远高于单独静止图像。REPICI 等［19］在一项前瞻性、多中心、随机对照非劣效性试验中发现，让10位经验尚浅的内镜医生（结肠镜检查操作＜2 000 例）连续对40～80 岁受试者进行诊断性结肠镜检查，在使用或不使用DL 的CADe 情况下进行高清晰度结肠镜检查，以不良反应为主要观察指标，并以切除病灶的组织学为参考，结果发现使用人工智能辅助息肉检测腺瘤检出率和每次结肠镜检查的腺瘤率分别增加22%、21%。这些研究结果表明，使用AI-CAD 系统可显著提高腺瘤检出率，但这些研究仅是增加了腺瘤性息肉的检出率，并没有增加晚期腺瘤的检出率；而且这些研究大多集中在欧美国家，其研究结论可能并不适用于我国现状。目前，结肠镜检查仍然高度依赖于操作者的技术水平，存在一定主观性，容易在息肉检查中出现遗漏或误诊情况。利用DL 的医学影像AI技术可自动提取结直肠腺瘤性息肉相关的图像特征，在病变部位特征识别方面的表现明显优于内镜医师。因此，开发出更高效的AI-CAD 系统，特别是基于DL或CNN 的AI 技术，能够有效提高腺瘤检出率，降低后续CRC的发生风险。

3.2 医学影像AI 技术在CRC 诊断中的应用 目前，广泛用于图像识别的DL技术能够显著提高医学影像的可读性，可为临床提供客观可靠的诊断意见，帮助医师做出更准确的临床决策。与无淋巴结转移的癌症患者相比，有淋巴结转移的癌症患者生存率较低、预后较差。T1期CRC 准确的光学诊断和黏膜下浸润程度判断有助于确定CRC 的最佳治疗方案。目前，大部分T1 期CRC 可通过内镜下切除术治愈，而内镜下切除术是否有效取决于有无淋巴结转移。CRC 相关的指南预测，仅有10% T1 期CRC 患者会发生淋巴结转移，因此大部分T1期CRC患者接受了不必要的手术切除［20］。SONG 等［21］研究报道，使用AI 技术预测T1 期CRC 患者有无淋巴结转移风险的灵敏度为100%，其特异度和准确度比单独使用美国临床实践指南高20%以上。

通过DL 实现的CAD 技术已成功用于结肠镜检查，其筛查结直肠肿瘤的灵敏度为95%、特异度为88%［22］。WALLACE 等［23］研究证实，与普通结肠镜检查相比，采用AI辅助的结肠镜检查对结直肠肿瘤的漏诊率能够降低约50%。因此，AI 辅助的结肠镜检查可明显提升经验尚浅的内镜医师的诊断水平。

医学影像AI 技术在辅助诊断CRC 方面已经展现出了巨大潜力，不仅能显著提高结直肠息肉的检出效率，还能早期识别T1 期CRC，从而避免部分患者接受不必要的手术切除。但如何规范地标注病灶部位、建立实时AI-CAD 系统，从而提高医学影像AI技术的检验效率，仍是今后研究的重点。

4 医学影像AI技术在CRC诊断中面临的挑战

医学影像AI技术在提高CRC的诊断效率方面虽然具有很好的应用前景，但在临床实施中仍面临一些困难与挑战。首先，DL模型的“黑箱”特性一直被质疑缺乏可解释性，这是AI应用于临床的一大障碍。其次，目前的AI算法主要建立在小样本、单中心数据图像上，而DL模型的优化在计算方面要求很高，需要依靠大样本、多中心的数据集进行训练［24］。尽管研究人员已经开发出了一些增加数据集的方法，包括但不限于随机旋转、随机翻转、随机颜色变换和高斯滤波等［25-26］，但仅利用单中心数据进行模型训练仍存在较大的选择性偏倚。另外，不同型号的扫描仪器图像处理技术存在一定差异。因此，医学影像AI技术在临床应用之前必须进行大样本、多中心的模型训练。

综上所述，随着ML、DL 和深度神经网络技术在计算机视觉领域的快速发展，基于AI的CAD系统在结肠镜检查方面取得了显著进展，不仅能显著提高结直肠息肉的检出效率，还能早期识别T1 期CRC，从而避免部分患者接受不必要的手术切除，已成为内镜医生不可或缺的辅助诊断工具。医学影像AI技术在提高CRC 的诊断效率方面虽然具有很好的应用前景，但在临床实施中仍面临一些困难与挑战，如DL模型的“黑箱”特性一直被质疑缺乏可解释性，目前的AI算法主要建立在小样本、单中心数据图像上，尚需大样本、多中心的研究数据进行充分验证。