人工智能在多種肝臟和胰腺疾病診斷中的作用

人工智能在多種肝臟和胰腺疾病診斷中的作用

【Summary】目的：總結(jié)人工智能技術(shù)在肝臟和胰腺疾病診斷中的發(fā)展現(xiàn)狀，探討其相較于傳統(tǒng)檢測(cè)方法的優(yōu)勢(shì)與劣勢(shì)，并分析了前人提出的不同人工智能算法對(duì)上述疾病的識(shí)別效果以供臨床醫(yī)生參考從而更清楚地判斷患者病情并做出更合理的決策。方法：通過(guò)對(duì)前人的一系列眾多工作進(jìn)行調(diào)研，結(jié)合AI網(wǎng)絡(luò)的診斷靈敏度/特異度/準(zhǔn)確度與臨床診斷進(jìn)行對(duì)比分析以判斷人工智能診斷的可靠性和適用性。結(jié)果：人工智能在肝硬化、靜脈曲張等診斷中的正確率已明顯超過(guò)傳統(tǒng)臨床分析手段。結(jié)論：人工智能在肝臟和胰腺疾病診斷中正確率大幅提高，能夠?yàn)榕R床實(shí)踐提供重要參考。同時(shí)，需要認(rèn)識(shí)到人工智能的局限性，目前仍然需要臨床醫(yī)生對(duì)患者進(jìn)行綜合判斷。Keys:人工智能；胰腺癌；肝纖維化；食管靜脈曲張；臨床診斷1胰腺疾病臨床上，約25%的胰腺局灶性病變患者需要通過(guò)超聲內(nèi)鏡()進(jìn)行檢查，一般而言，其炎癥與胰腺腫瘤結(jié)果類似，所以很容易造成誤判。是結(jié)果為二維圖像，因此可通過(guò)人工智能圖像分析的手段來(lái)對(duì)成像結(jié)果屬于炎癥還是腫瘤進(jìn)行鑒別。Dasetal(2006)將圖像分為正常胰腺組、慢性胰腺炎組、胰腺癌組三類，并建立人工神經(jīng)網(wǎng)絡(luò)模型，并以此為基礎(chǔ)對(duì)分類，其對(duì)胰腺癌的靈敏度/特異度/受試者工作特征曲線下面積的識(shí)別分別達(dá)93.0%/92.0%/0.93。Zhuetal(2018)分析了262例胰腺癌和126例慢性胰腺炎患者的圖像，篩選出了16個(gè)能夠進(jìn)行量化選擇的特征，并與支持向量機(jī)這一模型（）進(jìn)行結(jié)合進(jìn)行研究分析。其研究結(jié)果顯示，該模型對(duì)于胰腺癌的識(shí)別敏感度/特異度/準(zhǔn)確度顯著高于傳統(tǒng)方法，其量化性的數(shù)值達(dá)到0.916/0.95/0.942，這表明模型對(duì)胰腺癌診斷、確診的效果較優(yōu)。Sǎftoiuetal(2012)基于實(shí)時(shí)EUS成像利用模型將慢性胰腺炎和胰腺癌患者區(qū)分的靈敏度/特異度/準(zhǔn)確度分別達(dá)到87.6%/82.9%/84.3%，說(shuō)明模型結(jié)合成像具有一定效能。后續(xù)他對(duì)167例慢性胰腺炎或胰腺癌的患者展開(kāi)研究，發(fā)現(xiàn)在諧波造影增強(qiáng)EUS基礎(chǔ)上建立的模型識(shí)別胰腺癌的靈敏度/特異度/準(zhǔn)確度高達(dá)94.64%/94.44%/94.6%。Yangetal(2014)基于血清腫瘤標(biāo)志物建立模型，其預(yù)測(cè)胰腺癌的高達(dá)0.91，說(shuō)明該方案預(yù)測(cè)胰腺癌比較有效。Liuetal(2019)基于增強(qiáng)圖像利用模型對(duì)胰腺癌進(jìn)行識(shí)別，預(yù)測(cè)胰腺癌高達(dá)0.96，說(shuō)明網(wǎng)絡(luò)識(shí)別胰腺癌較為有效。Lietal(2018)基于圖像利用SVM－隨機(jī)森林聯(lián)合傳統(tǒng)模型雙閾值－主成分分析，對(duì)胰腺癌的靈敏度/特異度/準(zhǔn)確度的識(shí)別與鑒定達(dá)到95.2%/97.5%/96.5%，研究結(jié)果提示，該模型成功地將SVM和隨機(jī)森林二者的優(yōu)點(diǎn)進(jìn)行有效結(jié)合，其各項(xiàng)指標(biāo)值都和預(yù)期高度吻合，結(jié)果相對(duì)比較理想。Gaoetal(2019)基于增強(qiáng)結(jié)合深度學(xué)習(xí)模型預(yù)測(cè)胰腺癌的達(dá)0.90，表明該方法對(duì)于預(yù)測(cè)胰腺癌的效果較為準(zhǔn)確。表1AI在胰腺癌診斷中的應(yīng)用作者基礎(chǔ)診斷方法AI分類器診斷效能靈敏度(%)特異度(%)準(zhǔn)確度(%)AUCDas等EUSANN93.092.00.93Zhu等EUSSVM91.695.094.2Ozkan等EUSMLP83.393.387.5Sǎftoiu等MLP87.682.984.3Sǎftoiu等ANN94.694.494.6Yang等血清腫瘤標(biāo)志物ANN0.91Liu等增強(qiáng)CTCNN0.96Li等PET/CTSVM-RF+DT-PCA95.297.596.5Gao等增強(qiáng)MRICNN0.902肝臟疾病2.1肝纖維化肝纖維化是很多肝病的基礎(chǔ)。對(duì)于判斷病情和干預(yù)治療來(lái)說(shuō)，慢性肝纖維化程度是關(guān)鍵環(huán)節(jié)。近年來(lái)，越來(lái)越多研究者開(kāi)始通過(guò)影像學(xué)來(lái)診斷肝纖維化，但由于診斷準(zhǔn)確性所限尚且不能取締肝活檢。隨著AI的快速發(fā)展，利用人工智能提取影像學(xué)中肉眼難以識(shí)別的特征信號(hào)，為肝纖維化的非侵入性診斷提供了可能。Piscagliaetal(2006)創(chuàng)新地將模型與臨床血液學(xué)數(shù)據(jù)結(jié)合，對(duì)已在肝活檢中確診的慢性丙型肝炎()肝移植受者(訓(xùn)練組:414例，驗(yàn)證組:96例)進(jìn)行實(shí)證性的研究。在此研究中其診斷進(jìn)展期，肝纖維化(≥F3)的靈敏度/特異度/的量化性數(shù)值分別為100%/0.795/0.93，這些數(shù)值的結(jié)果表明，與單一的臨床數(shù)據(jù)模型相比較而言，它在識(shí)別層面的靈敏度、分別提高了約0.13、0.09(其中P＜0.05)。Hashemetal(2018)分別使用粒子群分類器、多元線性回歸、交替決策樹(shù)、遺傳分類器等一些模型工具，同血液學(xué)領(lǐng)域的各項(xiàng)指標(biāo)值進(jìn)行結(jié)合，對(duì)所研究的例患有肝纖維化人群進(jìn)行實(shí)地臨床調(diào)查取證研究。結(jié)果顯示，該模型對(duì)肝纖維化識(shí)別的靈敏度/特異度/準(zhǔn)確度的識(shí)別度，在量化性數(shù)值層面均有一定程度的提高與優(yōu)化。Wangetal(2010)利用模型，對(duì)臨床慢性乙型肝炎()肝纖維化患者的血液標(biāo)志物的指標(biāo)數(shù)值進(jìn)行研究分析。該研究結(jié)果表明，利用該模型對(duì)該疾病的識(shí)別的靈敏度/特異度/AUC分別達(dá)到0.833/0.85/0.92，使需要肝活檢才能確診的的患者的數(shù)量比例上至少減少47%。以上種種研究實(shí)驗(yàn)表明，如果我們只有常規(guī)、常見(jiàn)的臨床數(shù)據(jù)，但缺乏除臨床試驗(yàn)外的數(shù)據(jù)資料的話，改模型識(shí)別肝硬化的準(zhǔn)確度、靈敏度以及效果依然比模型更具備優(yōu)勢(shì)，對(duì)患者帶來(lái)的創(chuàng)傷也更小。除此之外，也有針對(duì)影像組學(xué)層面上的研究。Chenetal(2017)利用用、樸素貝葉斯()、及最近鄰分類器()，并與實(shí)時(shí)組織彈性成像數(shù)據(jù)進(jìn)行有機(jī)結(jié)合，對(duì)位肝纖維化患者的影像造影進(jìn)行臨床研究分析。研究結(jié)果表明，上述4種不同類型的分類器在診斷輕度肝纖維化(≥F1)的靈敏度/特異度/準(zhǔn)確度，均有顯著的提高。該研究結(jié)果同樣證實(shí)以上4種分類器較傳統(tǒng)的肝纖維化指數(shù)方法，在診斷該類型疾病層面效果更為明顯，并且針對(duì)診斷的準(zhǔn)確度而言，分類器最高。Wangetal(2019)采用模型，并首次將其應(yīng)用在剪切波彈性成像()的識(shí)別中,并對(duì)從最新的被命名為“深度學(xué)習(xí)的放射組學(xué)彈性成像”（）獲取的相關(guān)資料進(jìn)行研究分析。其研究結(jié)果表明，在診斷顯著肝纖維化、進(jìn)展期肝纖維化以及肝硬化層面上，其靈敏度/特異度/的數(shù)量化指標(biāo)上也有很大程度的提高，并且，診斷的準(zhǔn)確性以及靈敏度相較于、及有顯而易見(jiàn)的優(yōu)勢(shì)。2.2食管靜脈曲張(esophagealvarices，EV)食管靜脈曲張是肝硬化的一種潛在致死性臨床表現(xiàn)。目前在所有的臨床診斷一般都推薦做胃鏡篩查，然而實(shí)際上大多數(shù)患者只是輕度甚至無(wú)需進(jìn)行治療，否則反而有可能造成一些并發(fā)癥的出現(xiàn)。Hong等(2011)使用MLP模型對(duì)197例CHB肝硬化患者進(jìn)行研究，MLP模型預(yù)測(cè)食管靜脈曲張的敏感性/特異性/準(zhǔn)確性分別為93.8%/71.7%/87.8%，說(shuō)明MLP模型適用于CHB肝硬化患者食管靜脈曲張的發(fā)生。Dong等(2019)使用RF模型研究了238名肝硬化患者。通過(guò)分析與食管靜脈曲張相關(guān)的臨床資料，采用一種新的EVendo方法來(lái)識(shí)別靜脈曲張、需要治療的靜脈曲張的敏感性/特異性/AUC分別為92.3%/65.9%/0.82和100.0%/49.3%/0.75，可使30.5%的患者免于胃鏡檢查。因此，這種新的評(píng)分系統(tǒng)可以幫助低危VNT患者避免不必要的胃鏡檢查。3結(jié)論綜上，對(duì)于以上所述的肝臟類疾病，人工智能能夠以避免患者進(jìn)行肝活檢的方式，達(dá)到高精準(zhǔn)度預(yù)測(cè)肝纖維化風(fēng)險(xiǎn)的目標(biāo)，從而能夠盡最大可能地減小對(duì)患者身體帶來(lái)的創(chuàng)傷。對(duì)于胰腺疾病，相較于一些傳統(tǒng)檢查方法，人工智能對(duì)胰腺癌的診斷準(zhǔn)確性大幅提高。但人工智能目前仍然有待于進(jìn)一步提高，主要因?yàn)槟壳叭鄙購(gòu)V泛、公開(kāi)的高質(zhì)量醫(yī)學(xué)影像數(shù)據(jù)集，因此很多算法測(cè)試結(jié)果來(lái)自于各自的科學(xué)研究，并未用于臨床實(shí)踐，沒(méi)有在實(shí)際中驗(yàn)證其效果。并且，不同研究人員將不同的網(wǎng)絡(luò)模型應(yīng)用于醫(yī)學(xué)診斷，目前缺乏系統(tǒng)的對(duì)比研究對(duì)所有模型進(jìn)行測(cè)試以篩選出實(shí)用性最佳的網(wǎng)絡(luò)模型。最重要的，人工智能的輸入信息總是有限的，難以對(duì)患者進(jìn)行多角度、全方位的了解，診斷結(jié)果總是存在一定的不確定性，需要醫(yī)務(wù)人員結(jié)合患者實(shí)際情況進(jìn)行綜合判斷?！綬eference】[1]Yasaka,Koichiro,Akai,etal.DeeplearningforstagingliverfibrosisonCT:apilotstudy[J].EUROPEANRADIOLOGY,2018,28(11):4578-4585.[2]閆雯,李楠楠,張益肇,來(lái)茂德,許燕.人工智能時(shí)代的病理組學(xué)[J].臨床與實(shí)驗(yàn)病理學(xué)雜志,2018,34(06):661-664.DOI:10.13315/ki.cjcep.2018.06.017.[3]翁銘,鄭博,吳茂念,朱紹軍,孫元強(qiáng),劉云芳,馬子偉,蔣云良,劉勇,楊衛(wèi)華.基于深度學(xué)習(xí)的DR篩查