近年来，人工智能技术在医学领域快速发展，并在多个领域取得了显著成就。人工评估结肠镜质量不仅浪费时间还存在主观偏差和错误，因此很难进一步提高腺瘤检出率，导致结直肠癌发生率仍然较高。人工智能技术在临床试验中表明，计算机辅助技术有助于客观评估结肠镜质量，提高病变检出率。本文就人工智能技术在结肠镜质量控制中的相关研究进行系统性阐述。
结直肠癌发病率和死亡率在西方国家所有癌症中位列第3位，而结肠镜检查是结直肠癌筛查最有效的方式［1］，且通过结肠镜检出和切除腺瘤等癌前病变，能够降低结直肠癌的发病率［2］。结肠镜筛选检查中，作为可能发展为结直肠癌的结直肠息肉，仍有近四分之一被遗漏［3‑4］。因此，提高内镜医师操作水平、控制结肠镜质量被认为是结肠镜检查筛查中提高病变检出率、降低癌变发生率的关键因素［5‑6］。
结肠镜检查质量控制目前仍主要基于人工统计，这不仅耗费时间、增加劳动力成本，还容易出现错误和主观偏差，因此自动实时结肠镜检查质量控制系统近年来已成为研究热点［7］。息肉识别技术、肠道准备、退镜速度、盲肠插管率均会影响结肠镜检查质量，本文旨在评估人工智能在结肠镜检查质量控制中上述方面的表现，以及目前的局限和未来的前景。
一、人工智能在结肠镜检查质量控制中的表现
（一）人工智能辅助息肉识别技术
息肉识别失败是导致结直肠肿瘤漏检的一个主要决定因素，在结肠镜检查中，高达27%的息肉由于各种原因而被遗漏，除医师视野之外，还有部分视野内的息肉未被发现［8‑10］。使用人工智能辅助检测系统，就可通过视觉报警，以提醒医师识别出现在视野而被忽视的结肠息肉或腺瘤［11］。
Wang等［12］率先进行了前瞻、非盲的随机对照试验，研究基于深度学习的自动息肉检测系统对息肉检出率和腺瘤检出率的影响，结果显示，实时自动息肉检测系统提供即时视觉通知和声音警报，帮助内镜医师提升腺瘤检出率至对照组的20.3%和计算机辅助检测（CADe）组的29.1%，平均每例结肠镜检出的腺瘤数量为对照组0.31个和CADe组0.53个。之后，为克服非盲试验的操作偏差，Wang等［13］改为双盲随机试验，结果显示，腺瘤检出率提升至对照组的28.0%和CADe组的34.0%，且平均每例结肠镜检出的腺瘤数量提升至对照组的0.38个和CADe组的0.58个。Wang等［14］继续进行前瞻性串联研究，比较CADe结肠镜与常规白光结肠镜的腺瘤漏检情况，结果显示，前者腺瘤漏检率在升结肠（6.67%比39.13%）、横结肠（16.33%比45.16%）、降结肠（12.50%比40.91%）和全结肠（13.89%比40.00%）均明显低于后者，前者息肉漏检率亦明显低于后者（12.98%比45.90%）。
Repici等［4］进行一项多中心随机试验，将深度学习系统用于CADe，该试验中CADe组腺瘤检出率明显高于对照组（54.8%比40.4%），CADe组每次结肠镜检查腺瘤检出数亦明显高于对照组［（1.07±1.54）个比（0.71±1.20）个］。
Becq等［15］通过前瞻性收集结肠镜视频，评估了基于深度学习算法在真实临床环境中辅助息肉检测的有效性，人工智能辅助检测息肉的敏感度为98.8%，阳性预测值为40.6%，人工智能辅助检测息肉检出率为82%，常规内镜检查的息肉检出率为62%。
人工智能的应用可以降低漏检腺瘤的可能性，但很少被批准使用于临床实践，因此Misawa等［16］开发了人工智能辅助息肉检测系统并通过设计为公共访问的大型结肠镜视频数据库来验证其性能。获得的1 405个视频被用于验证数据库，得到数据库共152 560帧，人工智能对框架分析的敏感度为90.5%，特异度为93.7%。检测所有息肉、小息肉、突出息肉和扁平息肉的敏感度分别为98.0%、98.3%、98.5%和97.0%。
此后，Jha等［17］进行了一项基于深度学习的结肠镜息肉实时检测、定位与分割的研究，在Kvasir‑SEG数据集上对深度学习方法进行了基准测试，预测对象类别并回归边界框进行定位，给出了定量和定性的结果，检测不同类型的息肉平均精度为0.851 3，该模型可帮助内镜医师发现息肉，降低息肉漏诊率。
Xu等［18］基于人工智能辅助结肠镜检查进行的前瞻性、多中心、随机对照试验，结果显示，息肉检出率人工智能组与常规结肠镜检查组相比无显著增加（38.8%比36.2%），但每例结肠镜检查中非第1次检出息肉数量显著升高（0.5个比0.4个）。此外，人工智能组小息肉检出率（76.0%比68.8%）和扁平息肉检出率（5.9%比3.3%）均较高。
视频的计算机分析可能会消除内镜下息肉观察者间差异性的障碍，并使“切除和丢弃”得到广泛接受。Byrne等［19］使用深度学习模型分析未改变的标准结肠镜视频，实时区分腺瘤性和增生性小结直肠息肉。该模型的准确度为94%，鉴别腺瘤的敏感度为98%，特异度为83%，阴性预测值为97%，阳性预测值为90%。
Ozawa等［20］构建了一个能够在结肠镜检查时利用存储的静态图像准确检测和分类结肠息肉的人工智能系统。训练后的卷积神经网络检测结肠息肉敏感度为92%，阳性预测值为86%。白光图像的灵敏度和阳性预测值分别为90%和83%，窄带图像的灵敏度和阳性预测值分别为97%和98%。在正确检测到的息肉中，83%的结肠息肉能通过图像准确被分类。在白光成像下，识别腺瘤的正确率高达97%，卷积神经网络显示了通过内镜图像检测和分类结肠息肉的潜力。
（二）肠道准备评估
不充分的肠道准备会导致腺瘤检出率降低、手术风险增加、经济成本增加等多个临床问题［21］。内镜医师应详细记录肠道准备质量并给出复查间隔建议，而目前临床中5%~20%的结肠镜检查报告缺乏肠道准备评估或建议早期复查的记录［22］，且临床中肠道准备评估难以反映病灶检出情况［23］，因此人工智能辅助评估肠道清洁度可以作为一种稳定、客观、准确评估肠道准备的自动化工具。
基于深度学习的图像分类建立计算机辅助肠道准备评估，Zhou等［1］根据波士顿肠道准备量表（BBPS）的定义开发了一个名为ENDOANGEL的深度学习系统。该系统可以连续显示不同BBPS评分的图像累积百分比，并提供30 s进行一次肠道准备评分。在人机竞赛中，ENDOANGEL的准确率达到了93.33%，优于内镜医师75.91%的准确率。在视频验证中，准确率可达89.04%。
Zhou等［24］基于深度学习的定量肠道准备系统进行了前瞻性观察性多步骤验证研究，该研究将结肠镜图像分为BBPS 0~1和BBPS 2~3，计算退镜期间BBPS 0~1的比例，建立肠道准备系统。每5%的比例作为一个间隔处理，对应于e‑BBPS评分（即0%~5%对应于e‑BBPS评分为1，5%~10%对应于e‑BBPS评分为2，以此类推）。e‑BBPS评分与腺瘤检出率呈显著负相关（Spearman评分-0.976，P<0.010）。e‑BBPS评分1~8分的腺瘤检出率分别为28.57%、28.68%、26.79%、19.19%、17.57%、17.07%、14.81%和0%。根据结肠镜筛查腺瘤检出率25%的标准，e‑BBPS评分为3分，以保证不良反应超过25%为阈值，保证内镜检查质量。评分>3分者腺瘤检出率明显低于<3分者（15.93%比28.03%，P<0.001）。
Lee等［25］使用通过结肠镜检查视频开发的卷积神经网络算法来客观评估肠道准备充分性，在验证集中该算法在检测肠道清洁度不足方面，曲线下面积为0.918，准确性为85.3%。在测试集1中，检测肠道准备不足的敏感度为100.0%，评分者与人工智能之间的一致性为76.7%~83.3%。在测试集2中，检测肠道准备不足的敏感度为100.0%，评分者与人工智能之间的一致性为68.9%~89.7%。
（三）实时退镜检查质量监控
结肠腺瘤检出率在不同内镜医师之间差异较大，其与结肠镜退镜时间及内镜操作等因素有关，退镜速度过快导致视野盲区，因此足够的检查时间是全面肠道黏膜检查的重要前提，如何监督内镜医师退镜时规范操作至关重要［26‑27］。
Gong等［28］进行的一项随机对照研究，利用深度卷积神经网络和感知哈希算法开发了一个实时质量改进系统，以监测实时退镜速度和结肠镜退镜时间，并提醒内镜医师注意内镜滑动引起的盲点。该系统实时监测退镜速度准确度为95.24%，灵敏度为76%，特异度为76%。该系统使腺瘤检出率从8%提高到16%（P<0.01）。
Su等［29］基于深度卷积神经网络开发了一套自动质量控制系统，计算退镜时间、监测退镜稳定性、评估肠道准备和检测结直肠息肉，并评估其是否能提高临床中息肉和腺瘤的检出率。自动质量控制系统显著增加了腺瘤检出率（0.289比0.165）和每例结肠镜检查的平均腺瘤检出数（0.367个比0.178个），息肉检出率（0.383比0.254）和每例结肠镜检查的平均息肉检出数（0.575个比0.305个）也显著增加。
（四）人工智能辅助监测盲肠插管抵达回盲部
肠镜抵达回盲部是保证结肠镜检查顺利完成的先决条件，可用于评估内镜医师的个人技术水平［30］。内镜医师进行结肠镜检查时，与人工数据提取相比，99%的盲肠插管失败可以使用自然语言处理进行光学字符识别［31］。
盲肠是决定结肠镜插入和退出阶段的转折点，Cho等［32］通过卷积神经网络深度学习方法分析结肠镜视频结肠镜运动的盲肠时间位置识别，将拐点作为盲肠候选点，总体准确度为95.6%。表明插入和退出在技术上是不同的动作，内镜操作动作可以被量化，并用来表达结肠镜医师特有的模式和评估熟练程度。
结肠镜检查完成会减少结肠镜检查患者患结直肠癌的发生率，Low等［33］实施人工智能来自动检测阑尾孔以保证质量，使用深度卷积神经网络自动检测不同肠道准备结肠镜检查中的盲肠插管率，该系统分类阑尾孔和非阑尾孔图像的准确率为94%，AUC曲线下面积为0.98，敏感度、特异度、阳性预测值和阴性预测值分别为0.96、0.92、0.92和0.96。
二、人工智能的局限和未来方向
人工智能在消化内镜领域已取得巨大的进展，未来有望成为确保结肠镜检查质量控制的有力工具。虽然一些相关技术及其支持证据逐步增多，但支持人工智能辅助系统在结肠镜检查中的有效性的证据依然比较薄弱，因此在临床实践工作中运用模型仍存在挑战。结肠镜检查质量控制中人工智能的研究，大多缺乏大规模的多中心研究以及没有公认的人工智能辅助系统在结肠镜检查的临床设置中实施，难以证明其实际用途，故须在未来进行高质量的临床试验以积累证据，获得监管部门的批准，以便更广泛地临床应用。
人工智能辅助诊断有望提高其自动息肉检测和预测息肉病理的质量，它不仅可以帮助内镜医师避免遗漏息肉，还能为被发现息肉的患者提供精确的光学诊断。因此，计算机辅助诊断可以提高腺瘤检出率，降低增生性息肉切除的成本。现有研究中使用的数据大多来自单中心和小样本，数据选择存在偏差，未来可以在国际多中心环境下进行研究，以确保结果的可重复性。并且目前只能通过人工智能辅助内镜医师检测视野范围内的息肉，而医师视野外的息肉还没有好的解决办法，仍需更深入的研究，以进一步降低息肉漏检率。
自动肠道准备情况的自动评估，虽然该模型在人机大赛和观察性研究中取得了良好的效果，但在临床应用中还需随机对照研究来验证。此外，人工智能技术在临床应用还面临以下问题：（1）实时质量监测技术延长了退镜时间，导致额外的工作量。（2）尽管这种干预措施使腺瘤检出率有所提高，但主要提高的是小型腺瘤的检出率，而小型腺瘤进展为恶性肿瘤的风险较低，需进一步研究应用该技术的成本效益［12］。（3）对于回盲部自动识别技术，虽然目前的研究表明，在结肠镜进入和退出肠道前后移动时，人工智能自动识别盲肠的准确率较高，但在临床实际应用中，还需进一步研究能够识别左右方向移动的技术，从而推断检查过程中结肠镜的实时位置。
总之，人工智能技术在结肠镜检查质量控制中的临床应用不多，多数研究尚在探索中，如研究退镜技术对于腺瘤检出率的影响等。相信该技术在结肠镜的应用，将会极大提高肠道腺瘤、息肉检出率，有助于病变早发现、早诊断、早治疗，从而提高患者的生活质量。
引用本文
龚容容,姚理文,于红刚.基于人工智能的结肠镜质量控制研究进展[J].中华消化内镜杂志, 2023, 40(4): 329-332.
Gong Rongrong, Yao Liwen, Yu Honggang. Research progress in artificial intelligence‑based quality control of colonoscopy[J]. Chin J Dig Endosc, 2023, 40(4):329-332.
DOI：10.3760/cma.j.cn321463-20221018-00776
