本期我们介绍AI辅助白光内镜下识别结肠息肉采样，涉及一些专业术语，小编尽量给出易懂的解释。
摘要：人工智能（AI）对肿瘤的检测、表征和监测方面具有不可否认的价值。然而，目前将其运用到内镜领域仍有一定的局限性，大多数人工智能产品都是基于单中心研究（SCS），导致数据稀缺、冗余以及岛屿效应，从而进一步导致AI在内镜应用方面上受限。我们研究了总结了收集图像的缺点，发现这些缺点可能会影响人工智能的检测及检测的准确度。该研究医院收集了总共个内镜图片样本，让机器人进行了深度学习。发现几项不利于AI识别的因素，例如：胃肠道未彻底清理；拍摄角度（从左至右和息肉顶部未清晰曝光）；拍摄距离（太近或太远导致肿块不清晰）；拍摄光线不足或曝光过度；摄过程不稳定等导致图像质量差。因此我们制定了用于省，市，县三级医疗机构的多中心合作标准，以提高识别的准确性以及诊断和治疗的效率。
关键词：人工智能（AI），大肠癌（CRC），大肠息肉，深度学习
背景：据年全球癌症研究中心（GCRC）统计的个国家和地区共36种癌症的发病率和死亡率中，大肠癌的发病率和死亡率分别为10.2％和9.2％，发病率排名第三，其死亡率排名第二。早期的筛查、预防及治疗是非常必要的。据国外研究报道，早期结肠镜筛查中，近四分之一漏诊，而在最近的研究中，这一比例高达40％。腺瘤漏诊是多种因素导致的结果，例如肠道准备不佳；结肠镜检查退镜时间过短；医生经验缺乏；息肉多发。随着基于大数据的人工智能（AI）技术的发展，人工智能应用于肺癌，脑癌，乳腺癌和前列腺癌的诊断中，对肿瘤的检测，表征和监测具有不可否认的价值。人工智能目前也被用于大肠癌。医院已经成功开发出倍内窥镜，该镜结合了AI技术，可以在0.3秒内识别出癌性息肉。参考系统会实时判断息肉的好坏，临床医生可以现场进行EMR或ESD。该系统数据库的医院的3,多个诊断病例的60,多个肿瘤内镜图像。通过对图像数据库中的肿瘤图像进行深度学习分析，可以形成自动癌症识别功能。AI通过定义病灶的形状、体积和表面纹理来检测病灶的异常情况，可以准确地测量息肉的大小，这将为选择息肉切除方法提供客观依据。可通过识别组织病理学特征以评估疾病阶段，或分析频谱以指示可疑病变，也可监测癌症分期及推测治疗预后或对治疗的反应。它大大缩短了筛选时间，降低了人为判断的主观性，大大提高肿瘤的诊断效率和预后准确性。此外，它降低了内镜医师经验要求，从而降低初级医生的误诊率。有利于在中、医院普及内镜技术。
虽然AI可以帮助临床医生快速识别和诊断癌症，但目前仍有一定的局限性，AI诊断的前提是深度学习，深度学习需要大量可靠且高质量的的临床资料。然而，由于医生诊医院医疗资源的分布不均，人工智能特征提取的准确性受到图片质量的影响，尤其目前AI辅助消化内镜相关研究尚未系统地规划，缺乏标准化的数据收集方法，并且大多数数据都基于单中心，因此数据异质性很高。最重要的是，数据稀缺和孤岛效应是AI普及的主要问题，其导致在AI诊断中缺乏鲁棒性和可扩展性。因此迫切需要为专门的AI机器人制定采样标准，以提高识别精度以及诊断和治疗效率。
材料与方法
研究设计和参与者
该研究示一项多中心临床诊断研究。涵盖了来自中国三个省（包括福医院，医院，医院，医院，医院）五家不同医疗水平的年1月至年7月的例患者约万例息肉和腺瘤图像。然后，我们随机生成了一个张图像的样本用于AI识别。发现其中有张图像不符合BBPS（BBPS在6分以下）和肉眼观察标准，经过严格筛选，将采集到的图像调整为合适的缩放尺寸和进行RGB通道归一化，然后分割以及图像的多标签分类。最后，将它们输入到深度学习网络中。
内窥镜和图像数据库建立
使用内窥镜机型为ECWM，EC-WM，EC-LZ（日本埼玉县富士通公司）V-70；PCF-HAZI，CF-HAI，CF-HI，CF-HQI（奥林巴斯医疗系统，日本东京）；EC34-i10M，EGZI（宾得医疗，日本东京）。根据解剖位置对息肉和腺瘤患者的每张图像进行筛查，由内窥镜医师进行筛查（两名具有10年以上临床经验的高级内镜医师，四名住院医师和两名研究生均进行了盲法图像选择和标记）。
图像调整大小和标签
该过程分为五个步骤：（1）输入图像并提取特征，然后将图像调整为KB并扩展相应的背景或前景区域；（2）利用卷积神经网络在逐层特征的基础上对图像进行特征描述，我们可以根据测试数据和训练数据建立标签。使用经过训练的分类器模型对测试图像进行分类以使其可视化；（3）聚类由中心和形状定义，然后将观测值分配给最近的中心点。然后，将聚类中心点修改为分配给原始中心点观测值的平均值，并重复两个步骤，直到所有收敛为止。（4）应用阈值来确定哪些区域是前景，并且离背景区域的边界越远，则它更可能属于前景。息肉和腺瘤可通过将图像区域的前景色和背景色与邻域像素进行比较来显示。通过使用相邻像素之间的相似性和算法的固有并行性，并与GPU编程相结合，每个像素都将连接到前景或背景节点。如果这些节点不属于同一终端（两个相邻节点，一个节点属于前景，一个节点属于背景），则它们之间的边缘将被切除，从而划分图像的各个部分；（5）我们计算分割区域中分别属于腺瘤和息肉标签的像素的比例，然后将很大比例作为区域的类别，并进行直观显示。
算法的构建与优化
下一步是机器学习系统。我们选择了卷积神经网络（CNN），这是图像分析的黄金标准。
所有CNN基因的全域都称为CNN基因组，通过一串CNN基因定义的CNN“程序”，可以轻松实现图像处理，模式识别和脑科学的许多应用称为CNN染色体，它利用图像中的局部结构关系，逐层创建越来越复杂的抽象表示，与其他算法相比，CNN的预处理很少，并且可以学习以前的滤镜用更传统的算法进行人工设计，本研究使用CNN模型，特征提取的总体工作流程如下图所示。
数据统计
张图像不符合BBPS（BBPS在6分以下）和肉眼观察的标准。
结果
诊断标准
我们的研究医院中随机选择了总共张胃肠镜图像。发现影响AI识别的因素普遍存在，例如，胃肠道未完全清理干净，照片质量低下。在同一水平上客观一致地评估AI诊断效率很困难。目前，已经在省，市，县三级医疗机构之间建立了多中心合作，建议应采用同一套标准。
一、拍摄角度要求
要从息肉的多个角度拍摄照片，请充分暴露（1）息肉的根部；（2）息肉的底部和顶部；以及（3）腺管。至少必须有五张图片，其中从左到右四张，顶部一张。
二、结肠息肉图像的清晰度要求
息肉表面彻底清洁，避免粪便水，粪便残留物和气泡的影响和干扰，并严格按照指南指导患者做检查前准备：（a）首先，在手术前一天进行流质饮食；（b）然后在手术前4-6小时，每10分钟服用2L至3L，ml的聚乙二醇等渗溶液，要求2小时内服用完，以确保波士顿肠道准备量（BBPS）高于6分（11）。
为了有效去除肠内制备过程中产生的气泡，检查前服用-mg（3-6ml）二甲基硅油或45ml聚乙二醇。下图中提供了不合格肠道准备的说明示例。
三、光线要求
调整拍摄光线，避免反射，光线不足或曝光过度。错误情况如图所示。
四、拍摄距离要求
避免由于息肉太近或太远而导致部分暴露。一般来说，当距离小于0.5厘米时，镜头会太靠近聚焦，如果距离大于3厘米，则会使镜头模糊。具体距离取决于息肉的大小和形状。错误情况如图所示。
五、有关照相设备和技术的要求
首先使用高分辨率的结肠镜检查进行检查，然后使用主机进行拍摄。确保拍摄过程稳定，以防止在晃动下图像模糊。
根据上述要求，我们收集了一些图片供AI识别。事实证明，人工智能识别需要一套标准。
六、图片数量要求
AI识别应基于更多图片的质量和数量。尽可能地通常至少或更多。
训练标准
一、拍摄角度要求
从息肉的多个角度拍摄照片，充分暴露（1）息肉或肿块的根部;（2）息肉的底部和顶部;（3）腺管。至少有五张图片，其中从左到右四张，从顶部到一张。
二、结肠息肉图像的清晰度要求
确保息肉表面清洁，并避免粪便水，粪便残留物和气泡的影响和干扰。
三、光线要求
调整拍摄光线，避免反射，观察光线不足或曝光过度。
四、拍摄距离要求
避免局部暴露。
五、图片数量
AI识别应基于更多图片的质量和数量。尽可能地通常至少或更多。
六、有关照相设备和技术的要求
首先使用高分辨率的结肠镜检查进行检查，然后使用主机进行拍摄。确保拍摄过程稳定，以防止在晃动下图像模糊。
讨论
为了使数据有用，必须对它们进行适当的预处理，然后才能将其用于训练机器学习方法。这一步是机器学习模型构建的基础，模型的准确性高度依赖于数据的可靠性。无论在改进算法上投入多少精力，数据的任何不准确性都会严重限制机器学习算法可达到的精度。因此，为了准确地识别，技术人员和临床医生通常会花费大量时间和精力来确保其数据的可靠性，然后再着手进行模型构建。
该结果表明，通过建立改善图像质量的标准，可以更加准确识别息肉和腺瘤。从左至右和从顶部至少需要五张照片才能完全暴露息肉，以确保周围的病变没有遗漏。根据统计，息肉顶部的癌变率较高，因此息肉顶部是必需的。由于粪便和异物的掩盖，对息肉的AI识别将是有缺陷的，因此对于正确准备胃肠道和详细记录病史至关重要。具有高质量和经验丰富的操作员的图像采集机可以提高图像质量。另外，拍摄光线和距离至关重要。中小型腺瘤可以完全捕获并识别。较大的腺瘤应通过调整身体的位置和机器的拍摄角度完全暴露，因为内窥镜镜头受远景图像的限制。
该研究是中国第一个为AI识别制定法规的机构，可以更好地用于识别和提高诊断效率。它将为AI的数字病理学奠定基础，并促进病理学诊断、基因检测、免疫力诊断、微生物诊断以及药物功效测试的发展，这将有利于精准肿瘤学并为患者制定个性化的护理计划）。
此外，医学产品的研发需要强调伦理道德及数据安全，我们要强调对数据的监督，如出现错误时需要组织专家一起讨论错误产生来源，并且当机器学习算法或设计使用这些工具的机器人系统出错时，确定该由谁负责。最终用户（医院）是否始终负责，或者故障是否归类为设备故障导致的产品责任，需要明确规定如何使用和共享数据，目前可通过机构审查委员会（IRB）和机构中的道德委员会来帮助指导流程。由于IRB的制衡功医院都可用，因此我们可能需要法律来规范医疗保健应用程序（例如通用数据保护）中个人数据的使用，以确保公司和个人始终了解患者的隐私。
结论
要提高了AI对息肉和腺瘤的识别精度，要求（1）从左到右以及息肉的顶部至少要完全暴露五张照片；（2）肠道准备要求BBPS高于6分。（3）拍摄的光线应避免反射、光线不足或曝光过度。（4）对拍摄距离的要求应避免过近或过远，避免局部暴露（5）使用高分辨率的结肠镜检查以确保稳定的拍摄过程，以防止晃动下图像模糊。建议制定这些标准以促进结肠癌诊断的发展。我们正在呼吁更多的机构建立医疗AI的多中心合作伙伴关系。我们希望有越来越多的专家来阐明和讨论AI在消化内镜中的应用，以便使该技术更加标准化，以促进该行业的发展，人工智能可以使患者和医生真正受益。
往期精彩：
基因表达与GWAS
medRxiv:维生素D是影响新冠肺炎重症的重要因素！
借助人工智能可能会减少罕见遗传疾病
跨组织的基因调控作用
美国新冠死亡超6万，疫苗“曼哈顿计划”启动将生产3亿支！盘点全球疫苗最新进展
从两篇文章看GTEx数据浅谈CommonMindConsortium
有生存感的AI
哈佛大学:约会软件App基于遗传匹配而不是优生学
类人类骨骼结构3D打印建筑材料
前沿
复旦大学发现抗新冠全人源纳米抗体！
柔软性机械昆虫：被苍蝇拍压扁仍可生存！
中国学者筛选出迄今活性最强的新冠病毒中和抗体，极具应用前景
无代码高效绘制富集分析气泡图
Science：77位美国诺奖得主和31个科学团体联名要求NIH复审终止冠状病毒拨款的决定
Cell
免疫信息的多代传递决定肠道调节性T细胞的命运
在真空中移动热量新方法！
如果您有相关领域的科技前沿需要报道、投稿，请联系我们，或者
推荐文章
热点文章
