专题笔谈｜人工智能在结直肠癌诊治中应用现状、难点及对策

2    AI在CRC影像学检查中的应用

大量研究证明，目前广泛应用于AI图像识别领域的深度学习技术能够显著提高医学影像的可读性，客观地为医生提供可靠的综合性参考意见，减少医生之间的经验差异，帮助医生做出更为精准的诊断决策［6］。

        中国科学院苏州生物医学工程技术研究所医学影像室高欣团队提出了一种基于全卷积神经网络（full convolutional neural network，FCN）的CRC T2加权MRI图像分割方法。该方法采用VGG-16网络进行特征提取，实验结果显示，该模型对CRC肿瘤分割具有较高的敏感度（87.85%）和特异度（96.75%）。Li等［7］开发和验证了一种新的基于术前CT数据的无创AI模型来预测结肠癌肝转移的存在。利用从CT数据中提取的6个临床因素和152个肿瘤图像特征，基于支持向量机（support vector machines，SVM）和交叉验证建立模型。通过结合相关图像特征和临床变量的混合模型提高了训练集（90.63%）和验证集（85.50%）的准确性。基于术前常规CT数据建立的AI模型可无创性地准确预测结肠癌病人肝转移，对于结肠癌病人肝转移的风险评估具有重要指导意义。

        目前，临床上对于CRC常用的影像评估方法有MRI、螺旋CT、PET-CT、直肠腔内超声（endorectal ultrasonography，ERUS）等。而MRI作为首选检查方式，对肿瘤位置、浸润深度、淋巴结转移、血管侵犯、环周切缘（circumferential resection margin，CRM）及周围器官侵犯等方面的评估均具有明显优势［8］。

        长期以来，用于评估CRC淋巴结转移的影像学标准差异性很大，以基于医生主观判断的MRI图像临床诊断，其结果极大程度地受到医生临床诊断经验、认知水平和工作强度的影响。因此，传统的MRI图像诊断具有差异性大、效率及准确度低的缺点，导致诊断结果可重复性欠佳，很难实现精准的临床诊断。2018年，笔者团队基于Faster R-CNN架构，利用28 080张具备诊断价值的直肠癌淋巴结转移MRI图像建立了供AI学习训练影像数据库，并联合首都医科大学附属北京友谊医院、河北医科大学第四医院、北京医院、郑州大学第一附属医院、中山大学附属第六医院、青岛市立医院6家医疗机构的414例直肠癌病人MRI图像开展多中心临床验证，结果显示该系统对每例病人MRI图像诊断时间仅为20 s，是影像科医师诊断时间的1/30，且基于该系统进行辅助诊断的受试者工作特征曲线（receiver operating characteristic curve，ROC）下面积达到0.912，具有良好的临床可行性。该成果在Cancer Research期刊上发表，系首次将AI深度神经网络技术应用于直肠癌淋巴结转移的鉴别［9］。由此可见，基于Faster R-CNN算法构建的平台对高分辨率MRI淋巴结转移的诊断效率及准确率均较高，可在一定程度上减轻影像科医师的压力并降低诊断水平差异所造成的判断误差［10-11］。

        基于以上研究成果，笔者团队继续在CRC AI自动识别领域分别开展了基于区域CNN的AI影像辅助诊断平台对识别直肠癌壁外血管侵犯（extramural vascular invasion，EMVI）［12］及直肠癌CRM ［13］的临床应用研究。结果显示利用Faster R-CNN架构的AI影像辅助诊断平台识别EMVI的准确率、敏感度、特异度、阳性预测值和阴性预测值分别为93.4%、97.3%、89.5%、0.90和0.97，AUC为0.98。识别CRM的准确性、敏感度和特异度分别为93.2%、83.8%和95.6%，AUC为0.953。自动识别图像所需时间均为0.2 s，而影像学专家判读时间约为10 s。上述研究成果说明深度学习是非常有效的识别数据以及图像特征的技术，可达到自动分析医学二维和三维影像判别病症。

3    AI在结肠癌病理检查中的应用

病理学诊断是肿瘤诊断的“金标准”，病理科医生被称为“医生中的医生”。但是近百年来，临床病理学家依旧借助显微镜观察玻璃病理切片上的细胞学和组织学病变确定疾病类型，阅片效率低下；同时病理图像信息被保存在玻璃切片上，无法与计算机及网络技术结合，造成信息传递困难，信息处理方式受限，病理学科发展缓慢。

        数字病理（digital pathology，DP）采用全玻片数字扫描技术（whole slide imaging，WSI），通过全自动显微镜扫描采集得到高分辨数字图像，再应用计算机对得到的图像自动进行高精度、多视野、无缝隙拼接和处理，获得优质的全玻片病理图像数据，形成数字切片或虚拟切片。更为重要的是，数字病理图像可用于图像检索、模式识别、计算机学习和深度学习，通过提取出相应的量化特征或是识别特定的感兴趣区域（region of interest，ROI），建立具有自动识别功能的AI的计算机辅助诊断系统成为未来病理学的发展方向。由深度学习支撑的 AI 能以迅速、标准化的方式处理医学影像，对可疑影像进行勾画、渲染，并以结构化的语言提出建议。实践证明，AI技术的融入可帮助病理科医生提高诊断效率、减轻工作量，并有助于改善病理科医生的工作环境，最终达到降低误诊率和漏诊率的目的。

        组织病理学切片感兴趣区域的分割是数字病理必不可少的预处理步骤。近年来机器学习技术较传统的图像处理方法表现出明显优越性。Xu等［14］提出了一种基于深度神经网络的方法，对大型组织病理图像进行分类、分割和可视化，用于对良性和恶性CRC组织中的腺体进行分割和分类。该系统使用两个不同的深度卷积神经网络（CNN）对苏木精-伊红染色图像进行像素级分类。当第一个分类器从背景中分离腺体时，第二个分类器识别腺体分离结构。在接下来的步骤中，基于加权总变异的图形-背景分割通过对CNN预测进行正则化得到最终的分割结果。结果表明利用系统固有的区分CRC良、恶性组织的能力，实现了98%和95%的组织分类准确率。Graham等［15］提出了一种FCN，它通过在网络中的多个点重新引入原始图像来弥补最大池所造成的信息丢失。该系统在Glas挑战数据集和第二个独立的结直肠腺癌数据集上实现了目前最先进的性能。同时引入了MILD-Net+来同时分割腺体和管腔，以提高网络的诊断能力。Gupta等［16］基于机器学习的随机森林模型利用4021例CRC病人的组织病理学数据开展5年无病存活率（disease-free survival，DFS）为基础进行预测研究。结果显示随机森林模型的F值为0.89，随机森林算法的预测效果优于其他所有算法，其预测5年DFS的准确率约为84%，曲线下面积（AUC）为（0.82±0.10）。Kather等［17］基于苏木精-伊红（HE）染色的CRC组织利用CNN自动提取预后相关因子，该研究对500例Ⅰ~Ⅳ 期CRC病人的862张HE载玻片中的代表性多组织图像进行了自动组织分解。证明了CNN可以直接从组织病理学图像评估人类肿瘤微环境并预测预后。

        同时，研究证实CD3和CD8浸润与局部CRC的预后密切相关。肿瘤浸润免疫细胞定量分析优于肿瘤内在预后变量。相关研究证实使用AI工具可以在病理切片上检测到额外的预后标记物。

        Reichling等［18］进行的一项基于1018例病人CD3和CD8染色的病理玻片开展的前瞻性研究，设计了一个新的AI软件（ColoClass），采用机器学习的随机分类32模型及VSURF算法，用于研究Ⅲ期CRC的肿瘤内在预后变量CD3和CD8免疫浸润，实现了肿瘤核心区和浸润边缘区的淋巴细胞密度和表面积自动定量（AUC=0.56）。证明AI可以帮助病理学医生更好地确定Ⅲ期结肠癌病人的预后。

        上述研究表明AI深度学习方法用于病理学生物医学图像分析，可产生高精度和可重复的结果，具有显著提高病理学诊断的质量和效率的潜力。

        AI现已与医疗领域多个方面相结合，且均取得了良好的成果，大大减少了临床医生的工作负担，提高了医生的工作效率，提高了术前评估、术中指导、术后预测的准确性，可为病人提供更加精准的医疗服务。

4    目前AI在CRC诊疗中应用存在的问题及对策

虽然在过去的7-8年中，AI技术在CRC的诊疗中已显示出了新的希望、表现出了强劲的生命力，但文献报道中的相关AI技术应用的敏感度、特异度和准确率依然存在显著差异。因此，为了提高AI系统的有效性和特异性，需要在大型多中心试验中对报道的结果进行验证［19］。

        目前创建AI系统的训练集所建立的数据大多局限于单个医疗机构的数据，而各个医疗机构因采用设备不同导致其产生的医学数据格式不同，因此，建立的模型在更广泛的范围内应用时可能不完全适用，须进一步完善算法，将数据进行统一化处理。

        鉴于医疗领域AI应用场景更为复杂，为了实现医疗AI由点到面的突破，必须要有高质量的医疗数据的支持。因此，前期所建立的训练集数据库须由经验丰富的专业医师对数据进行标注处理。而各个医疗机构进行数据标注时选取的医师仍然存在临床经验的差别，造成标注结果的不确定性，导致训练数据集的标注结果受到标注医师主观因素影响。目前尚无严格意义的统一的评估体系与标准，因此，难以保证各个模型的有效性。

        此外，临床AI系统的建立需要提供病人大量的临床数据信息。相较于其他方向的研究，医学数据的应用还涉及病人隐私保护及伦理方面的问题，一旦造成信息泄露很可能造成无法预料的后果。当AI大行其道的同时关于医学数据的安全管理也应成为重点关注的问题［20］。

5    结语

随着AI的发展，以深度学习技术为代表的AI在结直肠外科领域的应用不断深入，在提高人工诊疗效率的同时，有望不断提高CRC诊断的准确率，突破目前CRC临床分期和疗效评估的瓶颈，更大程度上推动结直肠学科的进步与发展。