2022年4月，消化内科胡兵教授团队与四川大学智能医学中心章毅教授团队在内镜领域期刊Endoscopy（影响因子：10.093）发表医工结合研究论文“Artificial intelligence-based assessments of colonoscopic withdrawal technique: a new method for measuring and enhancing the quality of fold examination”。该合作团队构建了基于人工智能的结肠镜检查质量控制体系，通过人工智能辅助评价结肠镜筛查质量，为进一步提升结肠镜筛查质量提供了一种有前景的智能辅助策略。

华西医院消化内科专职博士后刘伟与四川大学计算机学院吴雨博士为本文共同第一作者。计算机学院章毅教授为该研究重要指导专家，我院消化内科胡兵教授为通讯作者，四川大学华西医院为第一作者单位。

随着结肠镜诊疗技术临床应用与普及，结肠镜检查已成为筛查结直肠息肉等病变的金标准。由于结肠镜检查质量影响因素众多，不同程度影响了结肠镜筛查质量；同时，由于缺乏有效的结肠镜质量控制实时评价反馈体系，结肠镜质量控制指标执行并不理想。研究表明，结直肠息肉的漏诊率可高达9%-26%，结肠镜筛查质量堪忧，给结直肠息肉甚至早期结直肠癌的检出带来严峻考验。近年来，人工智能（Artificial intelligence, AI）在医学辅助诊断领域飞速发展，但主要聚焦于消化内镜领域的疾病诊断，结肠镜检查质量控制方面仍属于探索阶段，与结肠镜检查质量控制的复杂性及挑战性均有一定关系。基于上述背景，如何提升筛查质量是结直肠癌防治工作中亟待解决的问题。

随着消化内镜与人工智能领域的交叉融合，深度卷积神经网络可以通过不同网络层提取图像关键特征，并能够同时对大量内镜图像进行处理等明显优势，为提高规范化结肠镜筛查水平、减少视野盲区、提高息肉等病变的检出率提供了解决问题的方法与途径。本研究中提出了通过对内镜医生退镜旋镜观察肠道粘膜皱褶的仔细程度作为质量控制的重要参考指标，采用分析结肠镜退镜视频中局部粘膜图像在视频流中的比例，结合专家对视频中粘膜观察仔细程度的评价的方法研究AI在评价医生退镜观察的局部粘膜的仔细程度的价值（结肠粘膜皱褶检查质量，Fold examination quality, FEQ）。质量控制体系建模思路为，首先采用DCCN1将退镜视频中的有效视野（informative frames）加以识别，同时在识别有效视野的基础上，采用DCCN2对有效视野中局部粘膜的视野（wall view）进行统计并反馈（图1，图2）。图像测试表明模型识别具有较高的敏感性和特异性。同时采用专家在退镜视频中对粘膜观察的仔细程度进行评分。研究共纳入来自于11个医生操作的103个结肠镜退镜视频，结果表明AI对视频流的评价与专家对视频的评价具有高度相关性，Pearson相关性分析得出r=0.706，同时经线性混合效应模型分析得到同样类似的结果（图3）。针对单个操作医生进行分析发现，AI对视频的评价结果与单个医生的专家得分，以及视频平均退镜时间、腺瘤检出率显著相关。最后进行了临床测试显示AI可以辅助提升医生对粘膜观察仔细程度（图4）。

图1 质量控制体系模型架构包括DCNN1和DCNN2模型

图2 DCNN1和DCNN2的主要结构

图3人工智能系统的评价与全结肠粘膜皱褶检查质量显著相关

图4.人工智能系统辅助提升医生结肠粘膜皱褶检查质量

综上所述，该研究成果进一步表明人工智能辅助的方法为结肠镜筛查质量控制提供了新的机会，有望成为提升结肠镜检查质量重要发展方向，对预防结直肠癌的发生并改善结直肠癌患者的生存预后具有重要的临床意义。

原文链接：https://www.thieme-connect.com/products/ejournals/abstract/10.1055/a-1799-8297