最新：人工智能在食管疾病中的应用进展2023.docx

《最新：人工智能在食管疾病中的应用进展2023.docx》由会员分享，可在线阅读，更多相关《最新：人工智能在食管疾病中的应用进展2023.docx（12页珍藏版）》请在优知文库上搜索。

1、最新：人工智能在食管疾病中的应用进展2023computer-aideddetection,CADe)和计算机辅助诊断(computer-aideddiagnosis,CADx)正在迅速发展。CADe可以指出内镜图像上有异常表现的可疑区域,由医师做诊断；而CADx可以对感兴趣区域进行定性，如预测病理诊断和癌症病灶的浸润深度。目前人工智能在食管疾病中的应用包括检测病变以协助快速诊断、改善成像质量及减少观察者之间在视觉分类中的变异性等。可见，人工智能可能成为内镜医师早期发现和诊断病变的辅助工具。本综述将分别从人工智能在食管鳞状细胞癌、巴雷特食管瘤变以及食管良性病变中的应用进展进行分析。一、人工智能

2、在食管鳞状细胞癌中的应用1.CADe(1)人工智能基于内镜图像辅助检测食管鳞状细胞癌：2018年，Horie等使用经组织学验证为食管鳞状细胞癌的8428张训练图像，首次开发了一个基于卷积神经网络(convolutionalneuralnetworkzCNN)的人工智能模型。该模型整合了白光内镜和窄带光成像(narrow-bandimaging,NBl)技术。在1118张测试图像中，该模型以98%的灵敏度检测出食管鳞状细胞癌病例。2019年，Cai等使用了2428张白光内镜图像作为训练集，开发了一种可用于在白光内镜下检测早期食管鳞状细胞癌的人工智能系统。结果显示,人工智能检测的灵敏度、特异度、准

3、确率分别为97.8%、85.4%.91.4%o其中，灵敏度比初、中、高级内镜医师均更胜一筹。此外，内镜医师的诊断能力在使用人工智能辅助后有所提高，尤其是灵敏度(89.2%比74.2%)和准确率(91.1%比81.7%),这表明人工智能系统可帮助内镜医师发现之前在白光内镜下被忽略的病变，对提高低年资内镜医师识别早期食管癌的诊断能力具有重要意义。Ohmori等于2020年开发的人工智能系统可检测食管鳞状细胞癌，该系统整合白光内镜、NBL蓝激光成像(bluelaserimaging,BLI)技术和放大内镜技术。在非放大内镜的NBI/BLI图像中，人工智能系统检测病变的灵敏度为100%,在放大内镜图像

4、中的灵敏度同样高达98%,与经验丰富的内镜医师相当。Liu等构建的新型CNN系统同样表现了出色的检测食管鳞状细胞癌的能力(准确率为85.83%,灵敏度为94.23%,特异度为94.67%然而该研究仅使用了白光内镜图像并且样本量小，可能会导致该人工智能系统的临床应用受限。2022年,华西医院团队开展一项多中心研究，使用13083张白光内镜图像开发一种既能检测早期食管鳞状细胞癌又能描绘病灶边缘的人工智能模型。在内部验证集中，人工智能检测病变和描绘病灶边缘的准确率分别为85.7%和93.4%o在描绘病灶边缘方面，人工智能的准确率和灵敏度超过了非专家内镜医师描绘准确率和灵敏度与专家内镜医师相当。由Me

5、ng等开发的人工智能系统整合了白光内镜和NBI技术,分别有4447张图像和1695张图像被纳入训练集和测试集。在测试图像中，人工智能检测每张病变图像的总体准确率、灵敏度和特异度分别为87.5%.86.6%和91.7%o同时，在人工智能的辅助下，非专业内镜医师检测病变的准确率显著提高（88.2%比78.3%以上研究展示了人工智能在食管鳞癌中良好的检测能力，但均只验证了静态图像，缺少动态视频中因黏膜环境准备欠佳和内镜运动造成的环境影响，导致人工智能训练集与实际内镜工作环境间存在巨大差距,因此一定程度上影响其临床适用性。（2）人工智能基于内镜视频辅助实时检测食管鳞状细胞癌：近年来，陆续有人报道了实时

6、检测食管鳞状细胞癌的人工智能系统。Guo等利用6473张NBl图像训练一种可实时自动检测食管癌前病变和早期食管鳞状细胞癌的深度学习模型，并使用内镜图像及视频进行了验证。在图像验证集A（59例癌前病变/食管鳞状细胞癌）中，该模型检测病变的灵敏度为98.04%,特异度为95.03%o然而，在视频验证集C（27例癌前病变/早期食管鳞状细胞癌）中，该模型对非放大内镜的病变检测的每帧灵敏度仅为60.8%,使用放大内镜时，该灵敏度提高到96.1%,提示放大内镜可显著改善人工智能的检测能力。该模型在静态图像和实时视频中均具有较高的灵敏度和特异度，为开发更好的早期食管鳞状细胞癌实时检测模型奠定了基础。Shir

7、oma等回顾性收集了8428张经病理学证实为食管癌的白光内镜和NBI图像作为训练集，144个内镜视频作为验证集，构建了一个CNN系统。该系统在高速视频验证集中的灵敏度为85%,远高于内镜医师的45%o当使用人工智能辅助时，内镜医师的灵敏度提高到52.5%,仍然显著低于85%,说明该CNN系统的诊断灵敏度优于内镜医师。2022年，Yuan等利用53933张内镜图像和142个内镜视频，开发和验证了一种多模态人工智能系统。该系统在白光内镜、NBL碘染色和放大内镜图像下检测浅表食管鳞状细胞癌的灵敏度为92.5%99.7%,特异度为78.5%89.0%在视频测试中，人工智能检测食管鳞状细胞癌的灵敏度为8

8、9.5%100%,特异度为73.7%89.5%.此外,对于白光内镜图片中局限于上皮层的浅表食管鳞状细胞癌，人工智能系统的灵敏度优于经验丰富的内镜医师(90.8%比82.5%综上，人工智能基于内镜视频辅助实时检测食管鳞状细胞癌在白光、染色、放大时均优于内镜医师，尤其是有放大内镜技术辅助时更为明显。2.CADx(1)人工智能基于内镜/高分辨显微内镜辅助诊断食管鳞状细胞癌：有研究报道了人工智能在内镜或高分辨显微内镜图像上诊断食管鳞状细胞癌的能力。Kumagai等使用4715张食管内镜图像作为训练集，开发了一种CNN模型。该模型诊断食管鳞状细胞癌的灵敏度为92.6%,特异度为89.3%,准确率为90.

9、9%o该研究展示了自动光学技术诊断食管鳞状细胞癌的潜力。此外该模型还可以帮助内镜医师进行组织学诊断，使其能够在同一次内镜检查中做出关于切除早期食管癌的临床决定，这将有望取代常规活检从而节约成本。（2）人工智能辅助诊断食管鳞状细胞癌浸润深度：根据病灶浸润深度的不同，食管鳞状细胞癌的治疗方法从内镜切除到手术或放化疗不等。因此，准确预估病灶侵袭深度，避免过度治疗对提高患者生活质量至关重要。2017年，日本学者报道了使用放大内镜观察食管鳞状上皮内乳头状毛细血管神（Intrapapillarycapillaryloops,IPCL）形态,用于初步预测浅表食管鳞状细胞癌的侵袭深度。而目前临床常用的是日本食

10、管学会提出的简化IPCL分型方法，该方法将IPCL分为A、BkB2和B3型血管，其中B3型血管提示黏膜下深层（SM2）更深的病变，表明需要进行食管切除术或放化疗。然而，内镜医师对IPCL分型的诊断需要有足够经验，并且具有一定主观性。但使用人工智能辅助诊断可能有利于减少观察者之间在视觉分类中的变异性，提高诊断的准确率，有利于选择最佳治疗方案,从而提高患者生活质量。2019年,Nakagawa等利用14338张图像开发了一种CADx模型,用于自动诊断浅表食管鳞状细胞癌的浸润深度。该系统鉴别黏膜及黏膜下微浸润性（SMl）癌与黏膜下深浸润ffiSM2/3海的灵敏度、特异度和准确率分别为90.1%、95

11、.8%和91.0%,与经验丰富的内镜医师的结果相近。Tokai等于2020年使用了1751张食管鳞状细胞癌内镜图像（包括白光内镜和NBI）开发一种人工智能模型。该人工智能可以将食管上皮层至黏膜下浅层（EPSM1）的病变与黏膜下深层及更深（SM2SM3）的病变区分开，并且判断浸润深度的总体准确率为80.9%oShimamoto等收集了23977张白光内镜和NBI/BLI内镜图像（来自内镜视频及静态图像）训练一个CNN系统，同时还使用独立的视频验证集对人工智能和专家进行比较。该系统在非放大内镜和放大内镜的视频图像中诊断浅表食管鳞状细胞癌浸润深度的准确率分别为87.3%和89.2%,与经验丰富的专家

12、内镜医师的诊断水平相当甚至更好。在微血管分型方面，Zhao等报道了一个基于窄带光成像放大内镜（ME-NBI）的人工智能模型,该模型可准确诊断A型、B1型和B2型血管，但不能识别B3型血管。在与不同年资的内镜医师进行比较中，人工智能诊断的准确率达89%,优于中级及以下的内镜医师。Uema等利用1777张内镜图像训练一种人工智能模型，该模型对B1型、B2型和B3型血管的诊断准确率分别为88.3%、87.2%和99.0%,均高于8名内镜医师的诊断水平。然而，B3型血管图像数量较少会导致数据集不平衡，因此在后续研究中需要搜集更多B3型血管的内镜图像来评估该模型的临床应用和有效性。在最新的一项多中心研究

13、中，Yuan等开发了一种基于深层卷积神经网络（DCNN）的人工智能系统，可用于预测癌前病变及浅表食管鳞状细胞癌的IPCL亚型（包括A、B1、B2及B3型血管入该系统在内、外部验证集中的综合诊断准确率分别为91.3%和89.8%,其中,人工智能系统在内部验证集里对A型、B1型、B2型和B3型的个体灵敏度分别为92.9%、91.9%、85.7%和81.5%。综上，研究人员已经在人工智能辅助病变检测、病变范围标记、侵袭深度预测以及对早期ESCC的实时识别方面进行了广泛的探索，见表1。表1人I智能住食管鳞状细胞密中的应用研究第一作者及年份研究目的研究类激人1.智能模型图像模态训练集图像验证*图像和(或

14、)视收是否有外部监IfCai22019定位及识别ESCC同顾性DNNWLE2428187张否Ohmuri2020检濯和鉴别ESCCHMttCNN-SSI)WLE、ME和作MEHIBLIJXE22562张727张否Tawg*2021实时诊断ESCC回顾性DCNNWLE42张I033张否Yannu2021口动诊断ESCC网顾性DCNN-YOLo3wRENIV2QLE.ME和作MENl川BLIvUZEIO988张2309张图像和I(M个视顿有Shira12021内镜准频中检测ESCCMWrtDCNN-SSDWLE和NBI8428*144个视娠有Yuan,22022检濡ESCC回顾性DCNN-YOLo

15、v3WLE、ME和/ME、BI.LCE45770张2088张图像翱142个视照是Liu,2022检测和勾ESCC边缘DCNNYOLACTWLEIO467张3506张Tokai*2020判断ESCC浸洞深度回顾性CNN(HM)glrNrl*LE和NBlI751291张否Urm-2021对ESeC微由管进行分型同顾性CNN-Rr9NrXhIOIMENBII777747张否Yuan222022Hi测ESCC的网员性DCNN-HRNh*M;RME-NBI5505I323张是壹/注:ESa:插食竹鳍状细胞等;IPUnftH:皮内乳头状E细ItoIT样;WLEttiFl光成像；NBl指窄带光成像；BU指找激光成像；LCEIfi卢戈液姿色内镜;ME指放大内镜:C、N指七积神经网络；l)CNNfli深度稔联神经网络:DN、指深度神”网络二、人工智能在巴雷特食管异型增生和早期食管腺癌中的应用2016年，VanderSommen等首次报道了CADe对巴雷特食管的早期肿瘤性病变的检测性能。该团队使用来自44例巴雷特食管患者的100张内镜图像开发的自动化计算机算法能够识别早期肿瘤性病变，灵敏度和特异度分别为86%和87%o此外，该团队于2017年开发出一种基于容积激光内镜(vol