【提要】
基于深度学习的人工智能已成为一种突破性的计算机技术，并迅速应用于医学领域。其中，人工智能辅助系统能够通过提高识别能力、监测检查时间、减少盲点、记录图片、进行肠道准备评分等方式提高胃肠镜的质量。
内镜检查是胃肠病诊断和管理的有力工具，高质量内镜检查能提供更准确的健康结果和更好的患者体验。结肠镜可以用来筛查结肠息肉和腺瘤，减少结直肠癌的发病率和致死率。然而，结肠镜检查中不乏一些漏诊病例。一项系统性回顾研究显示，结肠镜检查中息肉的漏诊率为22%。一项Meta分析中26%的腺瘤被漏诊，9%的晚期腺瘤被漏诊，27%的锯齿状息肉被漏诊。胃镜是诊断上消化道病灶的重要工具，不仅能用于诊断各种胃食管疾病，也可以对某些早期胃癌进行内镜下切除。但胃镜检查中也不乏漏诊病例。在一项研究中，明确诊断为胃癌和食管癌的漏诊患者中（7.2%，22/305），73%为内镜检查操作不当。因此，我们目前迫切需要提高胃肠镜检查的质量。
欧洲胃肠内镜学会（ESGE）和欧洲胃肠病学联合会（UEG）2016年已将内镜检查质量确定为主要优先事项。然而，内镜医师对内镜质量的自我评估并不准确，而人工智能辅助系统能够客观评估内镜医师的内镜质量，帮助内镜医师认识到不足，从而有针对性地改善内镜技术。
一、人工智能应用于胃肠镜能提高病变识别能力
1.提高ADR和PDR：ADR是间隔期结直肠癌的独立影响因素，ADR越低，间隔期结直肠癌发生的风险越大。ESGE专家共识提出，ADR应≥25%。内镜医师在操作过程中可能难以发现某些较小的腺瘤，不同内镜医师由于年资、经验的不同，对腺瘤的识别能力也有差异。人工智能能够有效提高内镜医师的ADR和PDR。一项研究显示，使用人工智能辅助系统的内镜医师，ADR和PDR均显著高于未使用人工智能辅助系统的内镜医师［19］。一项双盲随机对照试验中，人工智能辅助内镜组的ADR和PDR均显著高于对照组［34%（165/484）比28%（132/478），P<0.05；52%（252/484）比37%（176/478），P<0.01］。在一项包括4 354例患者的Meta分析中，人工智能辅助内镜组的ADR显著高于对照组［36.6%（791/2 163）比25.5%（558/2 191），P<0.01］，人工智能辅助内镜组的每结肠镜无柄锯齿状息肉检出数也显著高于对照组［0.06（109/1 855）比0.04（73/1 876），P<0.01］。
2.提高早期胃癌检出率：部分早期胃癌只有难以识别的胃黏膜细微变化，在胃镜检查中容易漏诊。息肉样和溃疡型的早期胃癌较容易通过表面变化来检测，而类似胃炎的浅表黏膜病变，即使采用最佳设备和最佳技术，也很难发现。胃镜检查时，由于内镜医师的经验不同、个人状态不同，也可能造成内镜质量的差异。人工智能辅助系统用于检测早期胃癌时有不亚于专家级内镜医师的表现。一项研究使用深度卷积神经网络（deep convolutional neural network，DCNN）检测早期胃癌，其灵敏度为92.2%，阳性预测值为30.6%。另一项研究中，在200张有或无恶性病变的胃镜图像中，DCNN诊断恶性肿瘤的准确率为92.5%，而6名专家、8名熟练医师和7名新手对每张图片的准确率分别为（89.7±2.2）%、（86.7±5.6）%和（81.2±5.7）%。
二、人工智能应用于胃肠镜能进行时间监测
1.监测结肠镜退镜时间和退镜速度：充足的退镜时间是全黏膜检查的先决条件。一项纳入76 810次筛查性结肠镜检查的研究显示，平均退镜时间越长，ADR越高。退镜时间<6 min与≥6 min的间隔期结直肠癌发生率比率为2.3，因此建议退镜时间≥6 min。一项纳入550例筛查性结肠镜的研究显示，腺瘤检出数量与退镜时间之间存在显著正相关（P=0.006），内镜医师的退镜时间为4.3~9.6 min，一半内镜医师的退镜时间小于标准。临床上退镜时间通常由护士或内镜医师计时，缺乏准确性。人工智能辅助系统在识别结肠镜到达回肠后开始退镜计时，识别到体外图片时结束退镜计时，能够及时准确地记录内镜医师的退镜时间。
一些内镜医师在退镜开始时速度较快，在退镜后半段减速以达到6 min的退镜时间，虽然总的退镜时间达到了标准，但退镜质量却不高。实时内镜视频显示，Gong等构建的内镜精灵系统测得的退镜时间>6 min、5~6 min、<5 min的95%CI退镜速度分别为36.15~40.14、40.24~44.46、44.54~49.96，故将<40设为安全退镜速度、40~44设为警告退镜速度、>44设为危险退镜速度，退镜过程中，内镜精灵系统可实时检测退镜速度并将“安全”“警告”“危险”字样显示在屏幕上，指导内镜医师以稳定的速度退镜。
2.监测胃镜检查时间：充足的检查时间是提高内镜质量的方法之一。2016年，ESGE提出首次诊断性上消化道内镜检查和胃肠化生随访每次检查至少7 min。内镜护士通常通过内镜室的时钟记录胃镜程序的持续时间，这种计时方式往往不够准确。人工智能辅助系统则可以在胃镜检查期间自动计时。在一项研究中，人工智能辅助系统在93.46%（100/107）个视频中正确预测了开始时间，在97.20%（104/107）个视频中正确预测了结束时间。且人工智能辅助组胃镜程序的平均检查时间显著长于对照组（5.03 min比4.24 min，P<0.001）。在另一项研究中，与对照组相比，人工智能辅助组胃镜程序的平均检查时间更长［（5.40±3.82）min比（4.38±3.91）min，P<0.001］。
三、人工智能应用于胃肠镜能减少盲点
1.提高结肠镜的盲肠插管率：盲肠插管能够减少结肠镜检查的盲点，是完成结直肠镜的先决条件，低盲肠插管率会导致间隔期的远近端结直肠癌。一项回顾性研究显示，早期重复结肠镜检查与盲肠插管失败有关。ESGE专家共识提出，盲肠插管率要≥90%。Gong等构建的内镜精灵系统能够预测盲肠进而监测盲肠插管率，准确率为95.6%，敏感度为93.2%，特异度为98.0%，假阳性率为2.0%，假阴性率为6.8%。
2.结肠镜检查中监测内镜滑动：结肠镜检查退镜时，有时候会出现内镜滑动，内镜在滑动后若继续退镜而不能插回原位置将造成部分肠腔漏检，尤其是在肝曲，这将造成盲点和漏诊率的增加。然而，目前针对内镜滑动造成盲点的干预措施的研究还很少。在实时内镜视频中，Gong等构建的内镜精灵系统在内镜滑动后有提示（屏幕底部会显示滑动前的10帧，直至重新到达这10帧，警告消失），84次测试内镜中，168次内镜滑动发生，56次成功重新插入，112次未能返回之前的位置，90%（152/168）内镜滑动被监测到，无假阳性结果。
3.提高胃镜检查覆盖数：完整观察整个胃是保证诊断性胃镜的前提，ESGE提到胃镜检查至少要获得10张胃图像。然而，内镜检查人员可能因为主观因素或有限的手术水平而忽略胃的某些部位，导致早期胃癌的漏诊。配备有CAM（class activation maps）和胃网格模型的DCNN可以覆盖可疑的癌区并指示潜在盲点的存在，通过即时记录观察区域并在胃的网格模型中着色，可以指示检查期间是否存在盲点。人工智能辅助系统能够在屏幕上显示胃模型，并标记出已经出现的部分，进而提示内镜医师盲点的存在，另外，可以将观察部位的数量按百分比进行转换，在得分分别达到80、90和100分时，记为“良好”“优秀”和“完美”。在一项研究中，DCNN将胃镜图像识别为10个部分，准确率为90%；将胃镜图像识别为26个部分，准确率为65.9%，与任何级别的内镜医师差异均无统计学意义。在一项随机对照试验中，107个胃镜检查视频中，人工智能辅助系统能以90.40%的准确率监测盲点，人工智能辅助组和对照组分别分析了153例和150例患者，人工智能辅助组的盲点率低于对照组（5.86%比22.46%，P<0.001）。在另一项研究中，人工智能辅助系统组纳入了498例患者，对照组纳入了504例患者，人工智能辅助组盲点数少于对照组（5.38±4.32比9.82±4.98，P<0.001）。
四、人工智能应用于胃肠镜能进行图片记录
ESGE提出解剖标志和异常病灶的照片记录能够提高内镜质量。人工智能辅助系统能够在胃镜检查期间自动提取并收集每个部位可信度最高的帧，其生成照片的完整度明显高于内镜医师。在一项研究中，人工智能辅助系统组生成照片的完整性显著高于对照组中的内镜医师（90.64%比79.14%，P<0.001）。此外，临床上内镜医师需要停下操作去获得图片，而人工智能辅助系统能自动获得图片，让内镜医师能够更专心地进行检查。
五、人工智能应用于胃肠镜能进行肠道准备评分
充足的肠道准备是内镜医师观察肠道的前提，肠道准备不充分会导致内镜医师的视野受损，降低病灶检出率。一项统计显示，多达1/4的结肠镜检查肠道准备不足，导致腺瘤漏诊率增加了42%，进而导致筛查不成功，重复手术的可能性增加。
目前临床上肠道准备评分使用最多的是波士顿肠道准备评分（BBPS），内镜医师一般都是在完成结直肠镜后根据自己的记忆来进行肠道准备评分，偏倚的产生难以避免。此外，由于不同内镜医师的个人理解有差异，评分还受内镜医师的个人经验等主观因素影响。人工智能能够实时给出当下视野的肠道准备评分，并显示退镜时所有视野BBPS的累计百分比，让内镜医师实时了解到已完成部分的肠道准备质量。在一项随机对照试验中，人工智能进行肠道准备评分的准确率显著高于内镜医师（93.33%比75.91%，P<0.01），对有气泡的图片判断时，人工智能准确率也达到了80%。此外，人工智能的稳定性也显著高于不同年限的内镜医师，避免了主观判断造成的评分不稳定。
六、人工智能在胃肠镜中应用的局限和前景
人工智能有望改变传统的内镜检查模式，为医疗领域带来革命性的变化，然而，目前人工智能辅助系统应用于内镜质量控制时还存在一些不足。
首先，人工智能目前的应用不够广泛，多局限于白光、窄带光成像中，未来还需研究适用于染色内镜、光学增强内镜甚至光学相干层析成像的人工智能辅助系统。此外，构建人工智能辅助系统的图像多来自特定医疗机构，设备生产厂家、地域人群特点均有局限性，需要构建多地区、多型号、多人群适用的人工智能辅助系统。
其次，用来训练DCNN的图片在选择过程中可能出现偏倚，比如选择含有病灶的图片时倾向于整块切除的病灶，造成易切除的病灶更易入选；由于基于图像的人工智能往往需要高质量的图片，许多研究排除了次优质量图片。
再次，一些研究纳入的病种不够全面。例如在胃癌数据集的对照组中，一些研究仅纳入正常、浅表性胃炎和轻度糜烂性胃炎黏膜，未纳入其他良性疾病。人工智能目前尚不能诊断未纳入的病种，也不能发现新病种，未来如能纳入更多病种，将进一步提高人工智能辅助系统在胃肠镜中检出病灶的能力。
最后，在对病灶进行识别时，往往由内镜医师先注意到胃肠道异常，将内镜靠拢过去后人工智能才对病灶给出提示。当内镜医师未靠拢较远距离的病灶时，人工智能也未能提示病灶的存在，未来还需要继续提高人工智能对远距离病灶的识别能力。
需要注意的是，人工智能在胃肠镜中的应用是为了克服观察者之间的差异和人工学习曲线问题，但深度学习算法决策过程中的逻辑存在着人类难以理解的“黑箱”，因此使用人工智能进行初步筛选、确定感兴趣的区域和预测组织学可能是值得的，但最终需要人类做出最终决定，在实践中实现人机协作。我们期待人工智能辅助系统在未来能够普遍应用于临床内镜质量控制，减少内镜医师的学习时间，提高内镜医师的操作质量。
