人工智能在炎症性肠病诊断中的应用进展.pdfVIP

人工智能在炎症性肠病诊断中的应用进展

【摘要】炎症性肠病是一类涉及消化道的炎症性疾病，其具体病因尚不明确，早

期症状不典型，发病率在全球范围内不断上升，具有持续性和疾病负担重的特点。

随着人工智能技术的发展，基于机器学习和深度学习等方法建立的模型被逐步运

用到炎症性肠病患者诊断过程的各个方面，包括内镜检查、影像学检查、病理检

查等。人工智能辅助诊断系统能够帮助医师作出更准确的判断，减少经验误差。

现就人工智能技术在炎症性肠病诊断中的应用进展进行综述。

【关键词】人工智能；炎症性肠病；溃疡性结肠炎；克罗恩病；诊断

炎症性肠病（ｉｎｆｌａｍｍａｔｏｒｙｂｏｗｅｌｄｉｓｅａｓｅ，Ｉ

ＢＤ）是一种慢性反复发作的非特异性肠道炎症性疾病，主要包括溃疡性结肠炎

（ｕｌｃｅｒａｔｉｖｅｃｏｌｉｔｉｓ，ＵＣ）、克罗恩病和未定型结肠炎。

近年来，ＩＢＤ已成为全球性疾病，发病率在亚洲、东欧等地区发展中国家不断

上升［１］。ＩＢＤ具体病因尚不明确，早期症状不典型，目前缺乏诊断的金标

准，主要结合临床表现、实验室检查、内镜检查、影像学检查、病理检查进行综

合分析，诊断难度大，全球范围内普遍存在延误诊断的情况［２-３］。

目前，人工智能广泛应用于医疗领域并改变着医疗临床实践，有望提高疾病

诊断准确性和效率，降低时间成本。机器学习是训练人工智能核心方法之一，按

照学习方法可分为监督学习、半监督学习、无监督学习，以及强化学习，ｌｏｇ

ｉｓｔｉｃ回归、支持向量机和随机森林分类器模型等是常见的监督学习算法。

深度学习属于机器学习中的崭新领域，可以建立模拟人脑分析的神经网络，按照

学习方法可以分为监督学习和无监督学习２种，其中卷积神经网络（ｃｏｎｖｏ

ｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）属于监督学习模型，

在图像处理方面表现出色［４］。利用深度学习可以准确、自动地对图像进行分

析，得到相应的特征值，在一定标准下输出决策结果［５］。ＩＢＤ的内镜检查、

影像学检查、病理检查等为深度学习算法提供了合适的应用场景，尤其是对图像

信息处理能力极强的ＣＮＮ模型。现就人工智能应用于ＩＢＤ诊断的研究进展进

行综述。

一、人工智能在ＩＢＤ内镜诊断中的应用

１．胶囊内镜识别ＩＢＤ并发症及评估内镜下疾病严重程度：糜烂和溃疡是

ＩＢＤ患者肠道黏膜常见特征，肠出血、肠穿孔、肠道狭窄等是ＩＢＤ患者常见

并发症，文献报道ＵＣ并发肠道狭窄的发生率为１４．２％，狭窄位置是ＵＣ恶

变的高危部位［６］。临床上常用胶囊内镜识别黏膜溃疡、糜烂，诊断ＩＢＤ患

者并发症，评估患者内镜下疾病严重程度。Ａｏｋｉ等［７］基于５３６０张诊

断为溃疡和糜烂的胶囊内镜图像开发了ＣＮＮ系统，检测各种原因（非甾体抗炎

药、ＩＢＤ、恶性肿瘤等）导致的小肠溃疡和糜烂，其中对非甾体抗炎药和克罗

恩病导致的病变的检测灵敏度达到了９０％，该模型不仅审阅速度快（４４．８

张／ｓ），而且还识别出了专家遗漏的３处有糜烂特征的图像。这表明ＣＮＮ系

统具有识别肉眼精细程度的能力和在高速审阅过程中精准判断的潜力。在检测狭

窄方面，Ｋｌａｎｇ等［８］评估了深度学习模型在克罗恩病胶囊内镜图像上识

别肠道狭窄的能力；该模型鉴别狭窄与非狭窄病变的平均准确度为９３．５％，

鉴别溃疡性狭窄与非溃疡性狭窄的准确度为７８．９％。Ｓａｕｒｉｎ等［９］

发现溃疡大小是患者发生出血的主要危险因素，并按照病灶大小将溃疡分为Ｐ１

２

级（小的溃疡或黏膜红斑）和Ｐ２级（溃疡面积＞２０ｍｍ）。Ｍａｓｃａｒ

ｅｎｈａｓＳａｒａｉｖａ等［１０］创建了一种ＣＮＮ模型，使用胶囊内镜

图像识别和区分具有明显出血倾向的多发性小肠病变，该模型识别Ｐ１和Ｐ２级

黏膜溃疡的灵敏度分别为８１％和９４％，识别黏膜红斑的灵敏度为７９％，特

异度为９９％。总之，人工智能模型在胶囊内镜图像上对ＩＢＤ的诊断性能较高，

具有提高胶囊内镜诊断准确度的潜力。

２．结肠镜评估内镜下ＩＢＤ严重程度和监测疾病预后：梅奥内镜评分包括

黏膜糜烂、溃疡、红斑、自发性出血４个指标，该评分可以评估内镜下ＵＣ的严

重程度，由于内镜下评分依赖于审阅者对图像的主观解释，常规检查中受到了限

制。Ｓｔｉｄｈａｍ等［１１］纳入３０８２例ＵＣ患者的１６５１４张结肠镜

图像，构建了１５９层ＣＮＮ深度学习模型，该模型区分内镜下缓解（梅奥评分

０或１分）与中至重度ＵＣ（梅奥评分２或３分）的曲