数智观点：世界肠道健康日，谈谈AI如何助力肠道疾病诊疗

肠道是人体消化道的重要组成部分，除了负责消化之外，还是人体最大的免疫器官。肠道问题一直以来也困扰着人类健康。2005年，世界胃肠病学（WGO）把每年的5月29日定为世界肠道健康日。近年来，随着人工智能与医疗的融合发展，AI技术已经在肠道疾病的病理诊断、病情预测和图片分析等各方面发挥了重要作用。第18个世界肠道健康日，本文将带你一起了解AI如何助力肠道疾病诊疗。

前言

肠道是人体消化道的重要组成部分，除了负责消化之外，还是人体最大的免疫器官，淋巴组织极为发达，集结了人体80%左右的免疫细胞。肠道问题一直以来也困扰着人类健康。针对肠道疾病的诊疗工作随着现代医疗器械和科技的水平进步也已经和过去大不一样，在日常的诊疗工作中医生需要处理大量的数据信息，包括病患病例数据、病理数据和内窥镜、超声图像等各式医疗图像信息，为了达到更好的诊疗效果，医生需要与越来越复杂繁琐的医疗数据打交道，从中提取有用的信息来开展诊疗工作。自2010年以来，人工智能的前沿高速发展连带效应迅速席卷了各行各业，尤其是卷积神经网络的诞生，在肠道疾病诊疗的海量数字图像和医学数据处理方面带来了前所未有的改观，如今，AI技术已经在肠道疾病的病理诊断、病情预测和图片分析等各方面发挥了重要作用。

辅助诊断与病情预测

机器学习尤其是深度学习算法在处理复杂的数据集问题方面克服了传统线性统计的缺点，基于病理数据的分析能力，在辅助诊断和病情预测方面有着卓越的表现。

在病情诊断方面，不同的诊断差异导致不同临床决策一直是个问题。在临床医学中。以肠道肿瘤为例；忽视病变和误诊肿瘤性病变为非肿瘤性病变可能导致之后的癌症，将深部浸润癌症误诊为浅表癌症会导致治疗不足并使患者面临未来复发甚至死亡的风险；相反，将浅表癌诊断为深部浸润癌会引发相关的并发症，可能导致过度治疗和不必要的支出，并损害患者的生活质量。目前，人工智能技术已经用于开发在结肠镜检查中检测和表征息肉的工具，并且还能够结合内窥镜图像来区分浅表和深部从而避免不必要的手术。更值得注意的是，人工智能还可以帮助经验不足的内镜医师改善息肉检测水平，这有望减少内镜医师表现的差距，从多维度帮助病患和医护人员改善诊断过程。

在病情预测领域，涉及治疗反应、并发症预测和存活率等方面，人工智能也在该领域为达到肠道精准医疗做出了突出贡献。相比于基于有限的人为界定参数的传统病情预测方法，人工智能算法模型通过加入卷积和循环的非线性运算，可以适应不同类型的动态与静态临床参数，甚至将生物标记纳入计算，能够在短期和长期的病情预测上达到更加准确、更加有弹性的预测结果。基于预测结果，人工智能算法模型还能够通过将病患进行预分组，来有效提高强化治疗方案成果和规避治疗风险。

指导治疗与辅助决策

在传统的治疗方案过程中，往往以临床医生的经验为基准，综合病人的实际情况进行指定，人工智能算法模型的引入可以让医生借助医学大数据的力量，在治疗方案的制定过程中加入对以往病例、疾病现状、基因组学等维度的考量，辅助决策出对病患最合适的诊疗方案，从而增加治疗成功的可能性。

例如，在治疗炎症性肠病患者时，临床医生经常会面临采用升阶治疗策略和降阶治疗策略之间的抉择；不同生物药剂之间的选取；以及成本考虑、地方政策和病患偏好等多重复杂因素。而这些因素都可以由模型进行数字化之后，在人工智能算法模型中以不同权重参数的形式出现，影响最终的诊疗方案制定结果，并且做到有据可依、有迹可循，最大化合理利用医疗资源，根据病患病情即时更新迭代，跟踪康复情况，规避医疗风险，成为医患之间的信息助手和保险屏障。

肠道医疗图像分析

以肠道疾病常采用的内窥镜手术图像为例，人工智能图像技术已经被证明在该领域有着良好的表现，凭借其高灵敏度和强特异性在检测病变、息肉、出血、和炎症的工作中得到了广泛的应用。由于相比于人类医师，人工智能技术具备稳定性强、反应速度快、无视觉疲劳、无医师差异性等优势，在手术过程中和术后分析中都已得到信任和应用。

科学家Urban等人基于CNN网络研制出的模型在识别内窥镜手术视频中的息肉准确率达到了96.4%，ROC曲线值来到了0.991，识别的准确率和召回率均远高于人类医师普通水准。此外，人工智能可以帮助识别图中的息肉是增生性还是腺瘤性，这一功能可以有效帮助改善腺瘤性检测准确率，减少了不必要的息肉切除手术，节省了大量劳动力和成本。

肠道诊疗领域的无线胶囊内窥镜 (WCE)的诞生进一步允许医生们对病患的肠道进行无痛检查。然而，WCE 的图像阅读非常耗时，阅读难度高成为使用该技术的障碍。日本科学家青木等人训练了一个基于 Single Shot MultiBox 的深度 CNN 系统，使用数千个 WCE数据进行训练，在此基础上生成的模型仅需 233 秒即可评估 10 440 张测试图像并成功发现大部分小块的糜烂和溃疡，ROC 曲线为 0.958， 速度快、准确率高，为此节省的时间和精力非常显著，最大限度地减少了监督的机会和医生的负担。

国内应用

国家卫健委在2020年发布了《医疗机构设置规划指导原则（2021-2025年），明确未来5年基层医疗机构发展方向和具体指标。强化信息化的支撑作用，推动人工智能、大数据、云计算、5G、物联网等新技术与医疗深度融合，推进智慧医院建设和医院信息标准化建设。随着医学影像数据的扩增、人工智能算法模型的改进优化以及软硬件设备的提升，越来越多的人工智能技术开始应用并落地于临床医学影像场景中，从而帮助医生提高诊疗效率和诊疗精度，缩短患者就诊等待时间，降低患者就医成本。

此外，中华医学会令狐恩强教授在《2020消化领域新进展》指出：国内消化内镜行业响应党中央和国务院的“健康中国2030”战略号召，在消化道癌的早期诊断、早期治疗领域提出多项共识指南，推广多项创新技术理论，以实现消化道癌早诊早治早康复。基于深度学习的计算机辅助诊断在消化内镜领域也受到越来越多的关注，结肠镜、上消化道内镜、胶囊内镜等内镜影像领域中卷积神经网络具备很高的应用价值，在识别消化道内镜图像如幽门螺杆菌感染和胃癌，结肠息肉的检测与分类检出与癌症特征分类等领域取得了突破性成果。

在医护工作的一线，我们也能看到在2021上海消化及消化内镜高峰论坛会上，上海交通大学医学院附属瑞金医院的科研人员分析道，胶囊内镜的问世标志着小肠疾病诊断的革命，AI技术在胶囊内镜中的应用有效的解决了：检查中成片数量多，1个小肠检查成像几万张张，且冗余图像数量大，耗费20分钟至1小时不等的时长；缓解图像解释和诊断凭医生经验或主观上的疏忽导致的误诊漏诊状况。AI赋能辅助阅片、辅助诊断、辅助操控，能极大减轻医师的阅片负担。

未来发展趋势

人工智能在医学领域卷起的浪潮方兴未艾，肠道诊疗领域仍有许多人工智能技术发挥的空间，我们不妨对未来的发展趋势提出一些畅想和建议。

建立公开可交换临床数据平台。准确的人工智能模型应该建立在高质量的数据基础上，覆盖庞大人口和高效信息交换平台的多样化数据集。如果数据的多样性太低，训练模型的过拟合将成为问题，不能推广到其他医疗单位或环境。结构化的真实世界数据不仅可以用作临床治疗，也可用作未来新药开发的依据和制药行业的新疗法。跨多个地方和不同源系统、具有明确定义的可交换数据和可互操作平台已成为未来人工智能工具落地的当务之急。

加强人工智能模型验证工作。一旦 AI 算法经过训练，就很难证明它的鲁棒性和可靠性，因为它容易受到有意或无意的内置偏见的影响，这可能会造成我们的结果偏差。目前大部分已发表的AI算法在研究文献中实际上无法在真实世界的临床实践，其中只有少数真正的实施到临床工作流程中。缺乏大规模现实环境中的外部验证和数字系统之间的数据共享标准是需要克服的主要障碍，在此基础上才能打造有实用意义的人工智能算法模型。

持续开拓人工智能肠道诊疗待应用领域。在可预见的未来，将有更多的数据来源，例如患者生成的来自健身监测器和血压传感器等设备，多组学数据（基因组学、蛋白质组学、代谢组学、宏基因组学、暴露组、环境条件等）或可应用的不同数据格式（视频、音频或社交媒体数据等）在临床工作流程的不同部分。在未来人工智能在肠道诊疗领域发挥的作用将不仅局限于诊疗本身，随着数据的多元化和多样化，相信该领域的专家一定会开拓出更多在疾病监测、预防、术中、用药、治疗、复健等全流程人工智能赋能，追求真正的精准智慧医疗。

本文学术指导：

邹多武，教授，上海交通大学医学院附属瑞金医院消化科主任、消化内镜中心主任

本文撰稿作者：

王天逸，上海人工智能研究院研究员

王锦，上海人工智能研究院助理研究员

参考文献

[1]   Li, Zhaoshen MD; Zou, Duowu; Ma, et al., Epidemiology of Peptic Ulcer Disease: Endoscopic Results of the Systematic Investigation of Gastrointestinal Disease in China, American Journal of Gastroenterology: December 2010 - Volume 105 - Issue 12 - 2570-2577

[2]  Yang YJ, Bang CS. Application of artificial intelligence in gastroenterology. World J Gastroenterol. 2019;25(14):1666-1683.

[3]  Le Berre, Catherine, et al. Application of artificial intelligence to gastroenterology and hepatology. Gastroenterology 158.1 (2020): 76-94.

[4]  Ruffle J K, Farmer A D, Aziz Q. Artificial intelligence-assisted gastroenterology—promises and pitfalls[J]. Official Journal of the American College of Gastroenterology| ACG, 2019, 114(3): 422-428.

[5]  Sung J J Y, Poon N C H. Artificial intelligence in gastroenterology: where are we heading?[J]. Frontiers of medicine, 2020, 14(4): 511-517.

[6]  Carleton N M, Thakkar S. How to approach and interpret studies on AI in gastroenterology[J]. Gastroenterology, 2020, 159(2): 428-432. e1.