肿瘤学最新研究：人工智能实时辅助内镜早期诊断上消化道肿瘤

《柳叶刀-肿瘤学》（The Lancet Oncology）近日在线发表中山大学肿瘤防治中心徐瑞华教授团队领衔的一项人工智能辅助内镜上消化道癌早期诊断的最新研究。本研究是迄今为止最大样本的人工智能辅助内镜下早期诊断上消化道癌的研究，成功研发出一套上消化道肿瘤内镜人工智能辅助诊断系统（GRAIDS）。该系统通过模拟医生的思维和诊断推理，对内镜下肿瘤病变进行智能识别和分析，可大幅提高早期癌变的识别率和诊断的准确性。柳叶刀官方微信公众号特别邀请作者团队对论文进行深度解析。

作者介绍

徐瑞华

教授、博士生导师、医学博士

中山大学肿瘤防治中心主任、院长、所长，华南肿瘤学国家重点实验室主任，肿瘤医学省部共建协同创新中心主任，国家新药（抗肿瘤药物）临床试验中心主任，入选国家百千万人才工程，国务院政府特殊津贴专家，南粤百杰。现任教育部科技委生物与医学学部委员，中国抗癌协会第一届靶向治疗专委会主任委员，中国临床肿瘤学会胃癌专家委员会主任委员，中国临床肿瘤学会肠癌专家委员会候任主委。长期从事消化道肿瘤早诊、个体化治疗及抗癌药物研究。

本研究的主要研究单位包括中山大学肿瘤防治中心、江西省肿瘤医院、梧州市红十字会医院、揭阳市人民医院、粤北人民医院、普宁市人民医院，徐瑞华教授为本文通讯作者，骆卉妍副教授、徐国良教授、李超峰工程师、贺龙君医生、罗琳娜博士和王梓贤博士为本文的共同第一作者。

 论文介绍 

人工智能实时辅助内镜早期诊断上消化道肿瘤

一项多中心、病例对照、诊断性研究

上消化道癌，包括食管癌和胃癌，是全球最常见的恶性肿瘤和肿瘤相关死亡原因^[1]。据中国国家癌症中心统计数据显示，全球约50%的上消化道癌发生在中国，其中超过85%的患者在确诊时已为中晚期。早期上消化道癌患者五年生存率超过90%，而晚期患者的五年生存率则小于10%^[2-4]。因此，上消化道癌的早期诊断、早期治疗是提高疗效的关键。目前，内镜检查及活检仍是上消化道癌早期诊断的金标准。但是我国的内镜医生十分短缺，人才缺口巨大，远远不能满足临床实际需求；而另一方面，由于早期上消化道癌常缺乏典型的内镜下表征，极易漏诊^[5]，加之不同级别医院的内镜医生水平差异很大，导致我国早期上消化道癌的检出率低，早诊率不到10%，严重制约了疗效的提高。

人工智能技术已经在医疗领域展现了强大的应用潜力^[6-8]。其中最重要的一点，是可以自动分析和推断肉眼难以分辨的复杂微成像结构（如粘膜病变的范围和颜色强度的异常），并定量确定人眼无法察觉的像素级特征^[9]。目前人工智能技术在上消化道内镜检查中的主要用途是辅助区分肿瘤性和非肿瘤性病变，虽然已有一些初步的研究结果发表^[10-12]，但都是单中心、小样本的回顾性分析，临床意义和实用价值有限。

徐瑞华教授团队的此项研究通过采集上消化道癌患者和正常人群内镜图像进行大规模机器学习，利用和持续改进以深度卷积神经网络为基础的图像识别算法，成功研发出一套上消化道癌内镜AI智能诊断系统（GRAIDS）。该系统通过模拟医生的思维和诊断推理，对内镜下肿瘤病变进行智能识别和分析，可大幅提高早期癌变的识别率和诊断的准确性，其主要功能包含以下三方面：

一、GRAIDS可以准确的诊断上消化道肿瘤并且实时指导内镜检查操作

本研究总共纳入了84,424例患者的1,036,908张内镜图像，分别来自6家不同级别的医院，包括中山大学肿瘤防治中心（SYSUCC）、粤北人民医院（NGPH）、梧州市红十字医院（WCH）、江西省肿瘤医院（JCH）、普宁市人民医院（PPH）和揭阳市人民医院（JPH）。其中SYSUCC的图片分别用于训练集、内部验证集和前瞻性验证集，其他5家医院的图片用于外部验证集（图1）。通过对上消化道癌患者和正常人群内镜图像数据的识别和深度学习，并对GRAID系统不断的进行优化和调整，该系统对上消化道癌的总体诊断准确率可达90%以上，其中内部数据验证诊断准确率为95.5%，前瞻性数据验证诊断准确率为92.7%，外部数据验证诊断准确率为91.5%至97.7%（表1，图2）。

图1. 上消化道癌内镜AI智能诊断系统（GRAIDS）的开发与评价流程图

图2. GRAIDS在不同数据验证集中的诊断ROC曲线

表1. GRAIDS在不同验证集中的准确性

该系统的速度非常快，一台配置单GPU卡的普通服务器即可达到每秒118张图像的处理能力。该智能辅助系统具有实时活检部位精确提示、内镜检查智能质控和自动采图等功能，在医生进行内镜检查的同时自动捕获图像并进行云端AI分析，实时提示精确的可疑病灶区域，指导内镜医生选择活检部位；在检查过程中，该系统能对检查时间和检查部位进行质控，减少遗漏关键信息，提高检查质量；在临床操作中，该系统还能够依据指南要求自动采图存储，减少医生因“一心两用”、“手脚并用”带来遗漏关键信息的可能性。该系统的研究和应用，相当于一个经验丰富的内镜专家在实时指导内镜检查操作，极大的提高了内镜下活检的阳性率（图3）。

图3. GRAIDS系统在内镜检查中实时识别上消化道癌性病变

二、低年资内镜医生在GRAIDS的帮助下可达到经验丰富的内镜专家诊断水平

本研究从SYSUCC前瞻性验证数据集中随机挑选出包括4,532张图片的子集进行GRAIDS与不同年资的内镜医生判读对比（表2）。GRAIDS的诊断准确率为0.928 （95%CI 0.919-0.933）；而在三位不同年资经验的内镜医生中，专家（拥有超过10年内镜诊治经验的教授）的诊断准确率最高，为0.967 （95%CI 0.961-0.973），高年资医生（完成临床及内镜专科培训、拥有5年以上内镜操作经验的主治医生）的准确率为0.956 （95%CI 0.949-0.963），而低年资医生（拥有2年内镜操作经验的住院医生）的准确率最低，为0.886 （95%CI 0.875-0.752）。GRAIDS和医生们的判读特异度均高于90%，而灵敏度却差异甚大，GRAIDS为0.942（95%CI 0.924-0.957），专家为0.945（95%CI 0.927-0.959），高年资医生为0.858（95%CI 0.832-0.880），低年资医生仅为0.772（95%CI 0.691-0.752）（图4）。更重要的是，在GRAIDS的帮助下，可提升专家的诊断灵敏度至0.984，而低年资医生的诊断灵敏度将提升到与专家独自判读时相当的效果（0.964 [95%CI 0.949-0.975]）。

表2. GRAIDS与不同年资医生内镜诊断上消化道癌的准确性比较

图4. GRAIDS与不同级别医生内镜诊断上消化道癌的准确性比较

三、构建了基于云技术的多中心上消化道癌内镜AI诊断平台

该云诊断平台可以用于：1. 自动捕获内镜检查图像上传至云端进行AI分析，实时向操作者反馈提示可疑病灶区域，指导操作者更有针对性的选择活检部位，提高活检阳性率；2. 医生可以复习并重新评估已存储的图片，通过模拟诊断积累经验，提高技术水平，减少上消化癌的漏诊率；3.通过公共网站（http://graids.sysucc.org.cn），提供对GRAID系统的免费访问，临床医生和患者可根据提示自行上传内镜图片，重新评估已有诊断的准确性；该网站还可通过内置的开放性大规模内镜图像数据库（存储内镜图片超过100万张），对初级医生及研究者进行内镜诊断培训（图5）。

图5. 基于云的多中心人工智能的内镜辅助诊断云平台

该上消化道癌内镜AI智能诊断系统的研发及应用，是人工智能技术在肿瘤诊疗领域转化应用的又一成功范例，能够明显提高基层医疗机构的肿瘤诊断水平，推动不同级别医院肿瘤诊疗水平的同质化，解决医疗资源供需严重失衡以及地域分配不均等问题，让优质医疗资源下沉到基层，让更多基层民众享受到普惠医疗的好处。这对于提高我国上消化道肿瘤的早诊早治水平、促进肿瘤规范化治疗、推动分级诊疗的实现，将具有十分重大的意义。END

参考文献（上下滑动查看）

1. Siegel RL, Miller KD, Jemal A. Cancer statistics, 2018. CA Cancer J Clin 2018; 68: 7–30.

2. Amin MB, Greene FL, Edge SB, et al. The Eighth Edition AJCC Cancer Staging Manual: Continuing to build a bridge from a population-based to a more “personalized” approach to cancer staging. CA Cancer J Clin 2017; 67: 93–99.

3. Sano T, Coit DG, Kim HH, et al. Proposal of a new stage grouping of gastric cancer for TNM classification: International Gastric Cancer Association staging project. Gastric Cancer 2017; 20: 217–25.

4. Rice TW, Ishwaran H, Hofstetter WL, et al. Recommendations for pathologic staging (pTNM) of cancer of the esophagus and esophagogastric junction for the 8th edition AJCC/UICC staging manuals. Dis Esophagus 2016; 29: 897–905.

5. Menon S, Trudgill N. How commonly is upper gastrointestinal cancer missed at endoscopy? A meta-analysis. Endosc Int Open 2014; 2: e46–50.

6. Li X ZS, Zhang Q, Wei X, et al. Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multicohort, diagnostic study. Lancet Oncol2019; 20: 193–201.

7. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature2017; 542: 115–18.

8. Liang H, Tsui BY, Ni H, et al. Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence. Nat Med 2019; 25: 433–38.

9. Trister AD, Buist DSM, Lee CI. Will machine learning tip the balance in breast cancer screening? JAMA Oncol 2017; 3: 1463–64.

10. Byrne MF, Chapados N, Soudan F, et al. Real-time differentiation of adenomatous and hyperplastic diminutive colorectal polyps during analysis of unaltered videos of standard colonoscopy using a deep learning model. Gut 2019: 68: 94–100.

11. Hirasawa T, Aoyama K, Tanimoto T, et al. Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images. Gastric Cancer 2018; 21: 653–60.

12. Alagappan M, Brown JRG, Mori Y, Berzin TM. Artificial intelligence in gastrointestinal endoscopy: the future is almost here. World J Gastrointest Endosc 2018; 10: 239–49.

识别二维码阅读《柳叶刀-肿瘤学》十月刊

《柳叶刀》中国主题专刊限时免费阅读至10月31日

识别二维码

注册后免费阅读

至10月31日

推荐阅读

点击阅读原文，查看《柳叶刀-肿瘤学》更多论文