人工智能在肛腸疾病診治中的研究進展

張怡雯 ，王錫銘 ，李子龍 ，張新章 ，陳昌賢 ，劉為軍 ，張振勇

（1）昆明理工大學附屬醫院，云南省第一人民醫院肛腸科，云南 昆明 650032;2）昆明理工大學醫學院，云南 昆明 650500）

肛腸疾病是指發生在肛門，大腸等的疾病。其主要包括痔瘡、肛瘺、肛周膿腫、直腸息肉、肛管直腸狹窄、結直腸腫瘤及肛裂等[1]。近年來，隨著人們生活飲食習慣的改變，各種肛腸疾病的發病率有明顯升高趨勢[2-3]，越來越多的人飽受肛腸疾病的困擾。目前，肛腸疾病主要采取手術治療方式，而術前直腸指檢、內鏡檢查、以及CT、MRI 和B 超等影像學檢查對于制定手術方案以及指導圍手術期治療等方面至關重要。但是，這些檢查方法均具有一定的局限性[4]，特別是在評估高位復雜性肛瘺瘺管、瘺管分支和高位肛周膿腫及痔瘡具體分型等方面的能力有限。

人工智能（artificial intelligence，AI）指的是計算機算法模仿人腦并執行學習和解決問題等任務的能力[5-6]。AI 包括機器學習（machine learning，ML）和深度學習（deep learning，DL）[7]。ML 致力于提供更多數據以連續更新給定任務的計算機或軟件性能，這意味著計算機軟件在數據中學習，并通過經驗改進其性能。DL 是ML 的子集，指的是使用算法的分層結構，即深度神經網絡（DNN）來模仿人腦在從輸入數據中識別特征的能力[5]。一個完整的AI 算法包括檢測、分割、分析和分類，但檢測和分割等步驟通常是由人工完成的，到目前為止大多數AI 研究只關注這個過程的其中一個步驟[8]。最近，AI 越來越多的應用于醫學領域，特別是在器官的識別分割及部分疾病分類等方面取得了較好性能[9-10]。AI 在肛腸疾病方面的應用，主要在于幫助醫生明確診斷，提高診斷效能的同時，也有助于規避手術風險、減少并發癥的發生，從而達到更好的治療效果。

1 AI 在肛瘺中的應用

肛瘺是肛管或直腸與會陰皮膚間形成的慢性、炎癥性通道。最常見的為腺源性肛瘺，由肛門腺隱窩感染所引起，其他多由嚴重腸道疾病導致，其中較常見的為克羅恩?。–rohn’s disease，CD）所引起的肛瘺[11-13]。

1.1 AI 在腺源性肛瘺中的應用

腺源性肛瘺在肛瘺中占比約80%～90%[14]。影像學檢查可以幫助其在術前明確診斷及準確尋找內外口。目前臨床上常用的影像學檢查主要為CT、MRI。而CT 對軟組織（如盆腔組織和肛門括約?。┑姆直媛瘦^低，準確率僅為24%～60%[15]，因此，提高CT 在肛瘺疾病中診斷的準確率成為了亟待解決的問題。Han 等[16]利用DL 中的卷積神經網絡（convolutional neural network，CNN）算法優化肛瘺患者CT 圖像，以期為該病的臨床診治提供指導。該研究共選取了57 例患者作為研究對象，所有患者均行CT 檢查，將其中34 例患者的CT 圖像采用CNN 處理，定義為試驗組，其余23例未處理者為對照組。然后將影像學檢查所發現的內外口，瘺管直徑及其在肌肉中走形與手術期間觀察到的結果進行對比，同時收集2 組患者手術治療后肛門失禁評分及肛門直腸測壓評分以評價術后肛門恢復情況。結果發現，試驗組CT 影像學檢查結果與手術期間觀察結果更一致，圖像更清晰。此外，實驗組肛門功能恢復情況也更好。

肛瘺內口大多位于齒狀線附近。術前磁共振檢查能夠有助于快速診斷內口，明確瘺管解剖結構，但內口有時會被周圍組織因水腫等擠壓變形，加上磁共振成像數據量大，診斷可能存在誤差[17-18]。因此，依據術前相關影像學檢查，快速且準確的找到內口并于術中妥善處理，是肛瘺成功治愈、減少復發的關健。袁軍等[18]在一項回顧性研究中將103 例研究對象的磁共振T1 增強序列圖像經過處理后，使用端對端學習和遷移學習兩種方式進行學習和測試，以評價不同人工智能算法在MRI 的T1 增強成像中對肛瘺內口診斷的準確性。最后以受試者操作特征（receiver operator characteristic，ROC）曲線對比分析發現效果最好的是基于遷移學習的ResNet-34 模型，其曲線下面積（area under the curve，AUC）、靈敏度、特異度分別為0.96、96.97% 和94.94%，且漏診率和誤診率均較低。

1.2 AI 在CD 肛瘺中的應用

CD 是一種病因和發病機制尚不明確的慢性非特異性炎癥性疾病，肛瘺是其最難治療且常見的并發癥[19-20]。CD 肛瘺患者通常需要三維（threedimensional，3D）超聲或MRI 來識別瘺管和隱匿性膿腫[21]。然而，盡管MRI 由于其高敏感性而成為診斷肛瘺和膿腫的金標準，但它缺乏高特異性[22-23]。這就需要更好的診斷模型，例如使用AI 算法的3D 圖像處理和重建（3D image processing and reconstruction，3D-IPR）。McFarlane 等[24]根據3 個回顧性案例開發出了一套人工智能算法，然后通過一項前瞻性研究來評估3D-IPR 在術中及術后的治療應用情況。3D-IPR 首先通過MRI來構建骨盆的視覺圖像，再使用深度卷積神經網絡（deep convolutional neural network，DCNN）算法來分析和診斷。此外3D-IPR 通過MRI 進行預處理，使用“偏差場校正”算法和圖像的各向異性擴散過濾。該研究評估了該模型在4 名克羅恩肛瘺患者中的效用，發現在CD 肛瘺的治療中，該模型能更直觀的表示出瘺管的解剖、更清晰的定位出瘺管的內口，從而達到更好的治療效果。

此外，李蘭蘭等[25]回顧性分析了初診CD 肛瘺和腺源性肛瘺的患者各200 例，并將2 組患者按8∶1∶1 的比例隨機分配至訓練集、驗證集和測試集。所有入組患者均行肛管MRI 檢查并收集圖像后增強圖像質量?；? 種DCNN，使用Pytorch 深度學習框架和Windows10 計算機操作系統來構建模型，用于鑒別CD 肛瘺和腺源性肛瘺。每種模型又分為遷移學習型和非遷移學習型。結果顯示結合遷移學習策略的4 種模型AUC 分別為0.943、0.935、0.920、0.929，均獲得較高的準確率，其與高年資放射科醫生無明顯差異，但均高于低年資放射科醫生。該研究探索并初步證實了DCNN 結合高分辨率肛瘺MRI 構建CD 肛瘺診斷模型的可行性，為CD 肛瘺的早期診斷和整體治療提供重要參考。

2 AI 在肛周膿腫中的應用

2.1 AI 在肛周膿腫病灶分割中的應用

肛周膿腫是肛周間隙急、慢性感染引起的膿腫，表現為肛門周圍皮膚紅、痛、腫脹、結塊，并伴有不同程度的全身癥狀[26-27]。以往對肛周膿腫的綜合診斷主要依靠外科直腸指檢、臨床癥狀等[28]，無法直接判斷病變部位和范圍，導致診斷和治療盲目性較高。因此，肛周膿腫術前必須明確診斷并做出準確定位，從而提高手術的安全性。CT 可掃描出肛周膿腫的病變部位及其周圍的組織結構，有助于提高肛門疾病的臨床診斷水平。而基于DL 的分割算法可以有條不紊地整理大量數據，提取圖像特征，高效處理復雜問題[29-30]。Han 等[31]研究了基于深度學習全卷積神經網絡（deep learning fully convolutional neural network，DLFCNN）算法的CT 圖像在肛周膿腫組織檢測和診斷中的性能特點。該研究納入診斷為肛周膿腫的患者及健康志愿者各60 例，均使用多層螺旋計算機斷層掃描（multislice spiral computed tomography，MSCT）獲取圖像。然后將DLFCNN 算法與CNN算法進行對比，并應用于肛周膿腫患者CT 圖像的分割訓練。通過提取感興趣區域來比較Jaccard、Dice 系數、準確率和召回率等分割指標。結果表明，CNN 容易出現過度分割和缺失分割的情況，而DLFCNN 具有良好的穩定性和良好的分割效果。

2.2 AI 在肛周膿腫病灶檢測中的應用

目前，MRI 已被發達國家學者作為肛瘺評估和分類的金標準。但肛周膿腫的術前MRI 檢查尚未引起人們的重視。DL 在肛腸MRI 領域已超越了傳統的醫學圖像分析方法并取得了長足的進步[32]。Yang 等[32]基于多模態特征融合算法的MRI 對肛周膿腫、肛瘺的診斷和預后效果展開了研究。該研究應用視覺幾何組網絡的第2～5 卷積塊以遷移學習的方式提取深度特征，構建多模式特征融合算法。通過最大化特征層的能量比例來訓練整個網絡，并將其與FCN 算法進行比較。然后采用該算法對該院收治的50 例肛門直腸疾病患者進行影像學診斷，將所有患者隨機分為觀察組和對照組。觀察組采用基于深度學習算法的MRI 診斷，對照組采用常規MRI 診斷。發現改進DL 算法的相似系數（85.37%）、準確率（80.02%）和召回率（79.38%）明顯高于FCN 算法（70.18%、67.82%和66.92%）。隨著卷積層數的增加，CNN 算法的分割精度也得到了提高。此外，觀察組膿腫位置檢測準確率（84%）明顯優于對照組（60%）。因此，基于多模態特征融合算法的性能更好，對提高檢出率、檢出準確率和疾病分類具有積極作用。

以上研究將DL 對影像圖像的分析應用到對肛周膿腫組織的分割和病灶檢測中，且均得到較好的結果。AI 在肛周膿腫中的應用可極大的提高該疾病的檢出率，有效降低病灶遺漏發生率。肛周膿腫作為一種常見病，手術是其最常使用的治療方法，而AI 的應用可以使臨床醫生在術前更充分的認識該疾病，為手術方案提供參考依據，在提高手術質量的同時減少疾病的復發。

3 AI 在痔瘡中的應用

3.1 AI 在內痔診斷和危險分級中的應用

根據流行病學調查顯示，我國超過一半的成年人患有肛腸疾病，其中有痔瘡癥狀的更是高達98%[33]。而在所有痔瘡患者中，內痔占比60%[34]。陸建英等[35]開發了DL 模型用于內鏡下診斷內痔并進行危險分級，同時探討了AI 在其中的可行性。該研究回顧性收集肛齒狀線上倒鏡圖片，任務A將上述圖片分為內痔組和正常組 ;任務B 根據LDRf 分類[34]的危險因素，將內痔組進一步分為Rf0 組、Rf1 組和Rf2 組?；贑NN 和Transformer框架建立深度學習模型，然后對比分析深度學習模型的讀片效能。結果發現5 種深度學習模型在A 與B 任務測試集中皆展現出較好的準確性。A任務中的ConvMixer 模型在驗證集上準確性最高（0.961），且其召回率（0.955）、精確度（0.914）以及F1 值（0.934）均最優。ConvMixe 在B 任務中準確率也最高（0.911）。該模型在A、B 任務中的準確率均優于高年資內鏡醫生（0.952 和0.881）和低年資內鏡醫生（0.913 和0.832）。同時，所有DL 模型在驗證集中讀片用時均<10 s，而內鏡醫生所需時間均>300 s。因此，基于DL 的計算機視覺模型可輔助內鏡醫師進行內痔診斷和分級，同時可以極大的縮短內鏡醫生的診斷用時。

3.2 AI 的可解釋性模型在內鏡下內痔評估中的應用

傳統AI 模型具有黑盒不可解釋的缺點，而在醫學研究中，無論是傳統醫學研究還是新興的人工智能的應用，“可解釋性”為醫學研究者追求的目標。近年來，尋求AI 模型算法的可解釋性成為亟待解決的問題。劉璐等[36]收集患有內痔的患者和正常人的肛齒狀線上倒鏡圖片，并根據LDRf 分級標準，對內痔患者進一步分級為Rf0、Rfl 及Rf2 3 組，構建了基于ResNet50V2 算法的可解釋化計算機視覺模型，并進行外部驗證。結果發現ResNet 可解釋化模型在判斷正常圖片與內痔圖片，及在進一步對內痔分型方面均表現出良好的效能，其準確性高于黑盒模型、高年資內鏡醫生及低年資醫生。提示該模型在未來臨床內鏡診療中具有良好應用前景。

內痔作為發病率極高的一種疾病，內鏡檢查作為其確診的重要參考，對于其確診及分類均不可或缺，但行內鏡檢查時，可能會受到鏡下視野不佳、患者配合度差及內鏡醫生的診斷水平影響而導致漏診或被錯誤分類。AI 不僅能識別人眼難以識別的低質量圖像，對其進行正確診斷及準確分類，且其診斷速度較快，可明顯提高醫生工作效率，大大減輕工作量，在臨床應用方面展現出了較大前景。

4 AI 在其他肛腸疾病中的應用

目前，已有一些研究將AI 應用于腸息肉、結直腸癌等其他肛腸疾病中。特別是計算機輔助診斷（computer-aideddiagnosis，CAD）和影像組學正在成為診斷人類疾病的下一代工具。Komeda 等[37]開發設計了CNN-CAD 系統，對1 200 張結腸鏡檢查圖像進行了深度學習，并對腸息肉進行診斷和分類。最后認為CNN-CAD 系統有助于結直腸息肉的快速診斷及分類。Chen 等[38]收集1 476 張腫瘤性息肉和681 張增生性息肉圖像，并使用病理結果作參考標準，測試DNN-CAD 的診斷能力。其認為DNN-CAD 可用來識別小于5 mm 的腫瘤性或增生性結直腸息肉，且較內窺鏡醫生診斷所需的時間更短。結直腸癌相關的研究較多，主要集中在影像組學預測結直腸癌病理分級、病灶轉移、放化療的敏感性及治療預后，還包括深度學習算法對結直腸癌的識別及分類等[39-43]。

5 小結和展望

目前人工智能在肛腸疾病中的應用還比較局限，僅有少部分研究將其應用在如肛瘺影像圖像的處理和優化，對肛瘺內口的診斷和定位，對肛周膿腫影像圖像的分割和檢測及對內痔的診斷、分型以及危險分級中，但均取得了理想的效果。因此，人工智能在輔助解決肛腸領域方面的疾病還存在極大的研究空間和研究價值。

隨著人工智能的穩步發展及其與醫療行業的深度融合，人工智能在醫療健康領域的前景也越來越廣闊。從廣義上來講，人工智能與醫療的緊密結合，可以解決醫療資源供給不足、分布不均、醫療效率低下等問題。而具體到診治方面，其又可以促進診斷、優化治療、改善患者預后。目前，AI在肛腸疾病中的應用仍處于初期探索性階段，研究相對較少且多為單中心、小樣本，這可能會導致研究結果存在偏差。因此未來還需要醫務工作者和計算機專家開展更深層次的合作，以開發出更多的智能應用，并探索其在肛腸疾病手術應用中的新方向，從而為患者提供更高質量的醫療服務。