人工智能?(AI)?是一項劃時代的技術，其中最先進的組成部分是機器學習?(Machine Learning, ML)?及其進一步發展出的深度學習?(Deep Learning, DL)?算法。

AI已部分應用于輔助超聲內鏡(EUS)?診斷。據報道，AI輔助的EUS診斷在胰腺腫瘤和慢性胰腺炎、胃腸道間質瘤、食管早癌、膽道及肝臟病變的診斷中具有重要價值。AI在EUS診斷中的應用仍存在一些亟待解決的問題。

首先，開發靈敏的AI診斷工具需要大量高質量的訓練數據。

其次，當前的AI算法存在過擬合和偏倚問題，導致診斷可靠性不佳。

第三，AI的價值仍需在前瞻性研究中確定。第四，AI的倫理風險需要被考慮和規避。

引言
人工智能?(AI)?最早由計算機科學和AI之父圖靈?(Turing)?在1950年一篇題為《計算機器與智能》(Computational machinery and intelligence)?的文章中提出。在那篇文章中，他提出了一個經典問題：“機器能思考嗎？”[1]?隨后，在1956年，幾位計算機科學家在達特茅斯會議上聚集，提出了“AI”的概念，他們夢想利用當時剛剛出現的計算機來構建具有人類智能本質特性的復雜機器。

在隨后的幾十年里，AI在許多頂級學術會議上被提及，并不斷用于研究實驗室。然而，在AI的早期階段，由于算法理論不完善和硬件計算能力有限，AI的發展非常緩慢。近十年來，得益于數據量的增加、計算能力的提升以及新機器學習算法（深度學習）的出現，AI研究開始取得爆炸性進展，此后，AI被廣泛應用于許多領域，尤其是在醫學領域。[2–6]

超聲內鏡最早由?Wild?和?Reid?于1957年引入，當時使用了一種盲法機械徑向掃描探頭置入直腸。[7]?超聲內鏡經歷了多次改進，例如實現了360度掃描視野，以及超聲頻率和分辨率的逐步提高。在20世紀80年代中后期，EUS不僅將解剖壁層與超聲聯系起來，還能記錄腫瘤穿透的深度（T分期）和局部淋巴結轉移（N分期）。與其他成像方式（如計算機斷層掃描和磁共振成像）相比，超聲內鏡明確證明了其在胃腸道內部及附近病變診斷中的優越性。

然而，EUS無法區分癌性病變與良性病變（例如區分胰腺癌與胰腺炎，或區分炎性淋巴結與轉移性淋巴結[8]）。

為解決此問題，某公司開發了配備活檢通道的EUS，并于1991年成功實現了胰腺病變的EUS引導下細針抽吸術?(EUS-FNA) [9]。

為解決EUS-FNA穿刺組織獲取量少的問題，一些學者設計了活檢針（EUS-FNB）的側切和前切針，并驗證了后者能獲取顯著更多的組織。

[10–12]?此外，針式共聚焦激光顯微內鏡?(needle-based confocal laser microscopy)?可作為顯微活檢的替代方法，實現組織表面的實時活體內顯微成像。[13–17]?再者，對于胰周積液的處理，EUS引導下的操作在發病率、住院時間和費用方面均被證明優于經皮技術和手術技術。[18]

然而，EUS受限于超聲成像的內在特性和對內鏡醫師要求的提高，初學者或經驗不足的操作者的診斷率可能會下降。并且，EUS確實存在一定的、雖小但真實的胰腺炎、感染、胰管滲漏、惡性種植轉移、出血甚至死亡的風險。[19]?此外，資深EUS專家通常集中在大型醫療中心。因此，在經驗較少的EUS醫師操作下，EUS可能導致病變檢出不足或誤診。即使由專家操作，疲勞和疏忽有時也會導致腫瘤的誤診。[20]?由此可見，EUS在臨床應用中仍存在諸多局限，而數據分析意味著處理大數據，這使得迫切需要通過AI來輔助超聲內鏡醫師進行診療。

隨著EUS在臨床上的廣泛應用以及AI的不斷發展，越來越多的研究者正在研究如何更好地將AI技術應用于EUS，以診斷相關消化道疾病。[21–24]?本綜述主要介紹人工智能在EUS診斷中的應用及前沿研究領域。

人工智能的概念與應用
AI?被描述為“計算機科學的一個分支，旨在創建能夠分析信息并處理廣泛應用領域中復雜性的系統或方法”。[25]?換句話說，AI?是一項新技術，研究者設計并創建相關算法，在沒有人工協助的情況下處理相關數據，并得出相應結論。

輔助診斷與圖像識別
人工智能可以輔助醫生進行臨床診斷和圖像識別。例如，據報道，基于深度學習的AI模型在皮膚癌分類方面具有與皮膚科醫生相似的性能。[26]?或者，深度學習可以利用肺[27]、前列腺[28]、腦[29]腫瘤的圖像來預測患者生存期和腫瘤突變。其他研究指出AI在識別乳腺癌篩查效果中扮演重要角色。[30]

個性化醫療與治療
人工智能可以通過分析患者的基因組信息、生理指標和病史信息，實現精準醫療[4]和制定治療方案。[31–33]?不同的醫生和護士有不同的診斷和治療方案，可能對同一種疾病沒有相同的治療計劃，而不同的患者需要制定個性化的治療方案。借助AI提供的機遇，AI輔助的醫療安全系統將使所有醫生都能在等同于最佳醫生團隊的專業水平上實踐，并能在不同醫療平臺上共享除患者隱私風險以外的其他數據，使醫護人員和患者都能取得最佳結果。[34]

然而，那些因需要情商而機器無法完成的任務，例如通過仔細詢問患者以發現更細微的癥狀，以及通過建立個人關系、運用人類直覺來建立信任，仍然是醫生的獨特資質。這些方面可以指導未來優化計算的診療方案的實施。[35]

醫療管理與數據分析
人工智能可以處理大量醫療數據，并利用機器學習算法進行數據分析，以支持醫療決策和管理。一些學者認為，通過建立一個龐大的系統，并將糖尿病患者的個體信息與大數據相結合，醫護人員和醫療系統可以利用AI通過數據處理為糖尿病患者提供精準護理。[36]

美國食品藥品監督管理局?(FDA)?已批準?IDx-DR，這是一種利用AI算法分析數字視網膜圖像以幫助早期檢測視網膜病變的設備。[37,38]?美國糖尿病協會已批準使用自主AI檢測糖尿病視網膜病變和黃斑水腫。[39]

機器人輔助手術
機器人手術技術是基于AI的輔助手術技術。[40]?與公眾預期不同的是，自主機器人在醫療干預中的開發和應用要慢得多。幾十年來，機器人手術一直是機器人輔助手術的代名詞，它促進了手術操作，使運動比人類所能及的運動更平滑，但仍需由外科醫生控制運動。[41]

例如，在美國FDA批準的用于微創手術的達芬奇手術系統中，外科醫生通過控制臺操作機器人。[42]?此類系統旨在將外科醫生的手部動作轉化為患者體內器械的運動，因此并非自主的。然而，外科醫生也取得了突破。縫合是手術中最常見的操作之一，因此開發了自主打結機器人。[41]?在實驗室環境下，用于縫合腸道吻合口的監督下自主機器人系統，其體內縫合質量優于外科醫生。[43,44]

隨著預編程、圖像引導和遠程操作手術機器人的持續發展，預計更多機器人輔助或自動化的干預方法將被納入外科實踐。[45–47]?需要在患者權利、商業價值以及AI研究人員為構建作為自主機器人前身的深度學習模型所需的大數據之間取得平衡。[23]?人工智能研究人員預測，到2053年，AI驅動的技術將在外科手術方面超越人類。[35]

總而言之，AI在醫療領域的應用可以為醫生提供更精準、高效和安全的診療解決方案，并為患者提供更好的醫療體驗和治療效果。隨著AI技術的不斷發展和創新，相信它將為醫療領域帶來更多機遇和挑戰。

人工智能算法介紹
機器學習最基本的實踐是利用算法解析數據、從中學習，然后對現實世界的事件做出決策和預測。[48]?與解決特定任務的傳統硬編碼軟件程序不同，機器學習使用大量數據進行“訓練”，并通過各種算法從數據中學習如何完成任務。

機器學習直接起源于AI早期領域，包含多種技術，如支持向量機?(Support Vector Machines, SVMs)、決策樹(Decision Trees)、因子機?(Factor Machines)、邏輯回歸分析?(Logistic Regression Analysis)?和神經網絡(Neural Networks)。[48,49]?神經網絡是一種基于多個神經元應用的機器學習技術。[50]?每個神經元通過對輸入數據應用權重（從而添加偏置）并將其傳遞給激活函數，將輸入數據轉換為輸出數據。神經元可以串聯或并聯連接，神經網絡由輸入層、若干隱藏層和輸出層組成[圖1]。

圖1：神經網絡原理：神經元串聯或并聯連接，神經網絡由輸入層、若干隱藏層和輸出層組成。

考慮到統計學和機器學習技術之間的共性，兩者之間的界限可能看似模糊或定義不清。描述這些方法的一種方式是考慮它們的主要目標。兩者都用于推斷結果，但與統計學旨在理解變量間關系不同，機器學習的目標是預測所有變量的結果，即使是非線性回歸，變量間的關系并不重要。其中，機器學習可簡單分為監督式（標記數據）和非監督式（未標記數據）學習技術。監督式學習是指在已知結果的一系列輸入（或特征）上訓練模型的技術；而非監督技術則是探索性的，旨在發現數據集中未定義的模式或聚類，不涉及預定義的結果。[51]

人工神經網絡是一組用于機器學習的算法。它的出現未能掀起AI研究的巨浪；直到近年來，它又以一個新名稱——深度人工網絡?(Deep Artificial Networks, Deep Learning)重新回到公眾視野，人們才重新認識并重視它。深度學習的一些最大成功出現在計算機視覺領域。計算機視覺專注于圖像和視頻理解，處理諸如目標分類、檢測和分割等任務。總體而言，機器學習是實現AI的一種方式，而深度學習是實現機器學習的一種技術。AI、機器學習、深度學習等算法之間的關系如圖2所示。

圖2：人工智能、機器學習、深度學習算法之間的關系。AI：人工智能。

卷積神經網絡(Convolutional Neural Networks, CNNs)?是一種專為處理圖像而設計的深度學習算法，已成為該領域的核心。

CNN?可以訓練用于圖像分類、分割感興趣區域，甚至檢測特定特征（如腫瘤或病變）。基于CNN的醫學圖像分析算法的一個例子是?DeepLesion。[52,53]?這是一個利用CNN在計算機斷層掃描?(CT)?上檢測和定位病變的數據集，其準確率達81.1%，可用于病變檢測、病變分類、病變分割、病變檢索和病變增長分析。[54]

循環神經網絡(Recurrent Neural Network, RNN)?是另一種可用于醫學圖像分析的深度學習算法。RNN?非常適合處理序列數據，如時間序列或序列圖像。在醫學成像中，RNN?可用于分析視頻序列或多幀圖像，其中前一幀的信息對當前幀的分析很重要。基于RNN的醫學圖像分析算法的一個例子是卷積LSTM網絡?(Convolutional LSTM Network, ConvLSTM)。ConvLSTM是一種將CNN的空間處理與RNN的時間處理相結合的深度學習架構。它已被用于醫學成像中的視頻分割和疾病診斷。[55–58]

此外，還有許多其他類型的機器學習算法。例如，支持向量機?(SVMs) [59,60]?是一種可用于醫學圖像分析的機器學習算法。支持向量機是二元分類器，可學習兩類數據之間的決策邊界。在醫學成像中，SVMs?可以訓練用于區分健康組織與病變組織，或檢測特定特征（如腫瘤或病變）。基于SVMs的醫學圖像分析算法的一個例子是帶有徑向基函數?(SVM-RBF)?的SVM分類器。[61]

該算法已應用于基于乳腺腫塊中采集的細胞核圖像進行乳腺癌診斷，其性能顯著優于使用廣義線性模型和人工神經網絡的正則化回歸。[51]

總之，AI輔助的醫學圖像診斷是一個快速發展的領域，具有顯著改善醫療保健的潛力。本文提到的算法總結在表1中。這些算法可以幫助醫生做出更準確的診斷，從而改善患者治療。隨著AI技術的不斷改進，我們期待看到更先進算法的出現，以輔助醫生更有效、更準確地診斷包括EUS圖像在內的大量醫學圖像。

表1 - AI算法總結。

AI在胰腺病變超聲內鏡診斷中的應用
人工智能首次在超聲內鏡領域的應用是在癌癥診斷中。先前已有多個關于AI診斷胰腺導管腺癌的研究報道。

例如，張等人[62]使用機器學習中的SVM算法區分胰腺導管腺癌（PDAC）與正常組織，結合EUS圖像識別了29個特征，然后建立預測模型并反復訓練，最終得到99.07%的分類準確率和97.98%的靈敏度。

在存在慢性胰腺炎（CP）的情況下，由于腫瘤和炎性改變通常具有相似的圖像改變，使得EUS和EUS-FNA/B的診斷準確性顯著降低。

同時，EUS-FNA/B也高度依賴于基于EUS圖像解讀對感興趣區域的準確定位，即使由經驗豐富的內鏡醫師主觀評估，其診斷率也較低。Das等人[63]回顧性納入了22例胰腺EUS-FNA穿刺術后健康患者、12例CP患者和22例胰腺癌患者。基于從EUS圖像中提取的11個特征，使用機器學習算法區分胰腺癌、CP和正常胰腺組織，該診斷模型的敏感度為93%，特異度為92%。因此，研究人員提出AI輔助EUS診斷的性能特征可與EUS-FNA相媲美，未來可能實現非侵入性診斷。

S?ftoiu等人[64]前瞻性納入了內鏡下發現胰腺結節的患者，包括112例胰腺癌和55例CP患者，使用深度學習中的CNN算法對胰腺導管癌和局灶性CP進行鑒別診斷。該研究的架構中，深度學習分兩個階段實施，即特征提取階段和訓練階段。在第一階段，對胰腺腫瘤進行內鏡超聲檢查。對內鏡彈性成像圖像進行直方圖分析，提取若干特征。

在第二階段，將第一階段提取的幾個特征作為深度學習算法的輸入，用于判斷胰腺癌和CP。[65]?經過反復訓練，最終模型的靈敏度為94.64%，特異度為94.44%，陽性預測值97.24%，陰性預測值89.47%。因此，結合AI使用EUS圖像可以區分胰腺癌和CP病例，大大提高診斷準確性，減少誤診和漏診率。

胰腺病變主要包括腫瘤性病變[66,67]，如PDAC、胰腺腺鱗癌、腺泡細胞癌、轉移性胰腺癌、神經內分泌癌、神經內分泌腫瘤和實性假乳頭狀腫瘤，也包括一些非腫瘤性病變，如CP和自身免疫性胰腺炎。

將胰腺病變診斷為癌性或非癌性對于患者是否接受手術和進一步的治療方案選擇至關重要。最近，Kuwahara等人[23]利用先進的深度卷積生成對抗網絡?(Deep Convolution Generative Adversarial Network, DCGAN)?算法，對933例胰腺病變患者的EUS圖像進行了回顧性研究，建立了一個能夠基于EUS圖像判斷胰腺病變是癌性還是非癌性的深度學習模型。該研究分兩個階段進行。第一階段提取深度學習算法輸出的每張靜態EUS圖像的預測值，并在圖像層面評估深度學習模型的診斷性能。在第二階段，從視頻圖像中提取綜合連續圖像的預測值，在隊列中所有靜止圖像的中位值進行驗證，并在患者層面進行測試。然后評估該深度學習模型的診斷性能。最終結果顯示，該深度學習模型在圖像層面和患者層面的準確性均約為90%。使用DCGAN算法可以改善因輸入數據集不平衡導致的問題，最終使得結合EUS圖像的深度學習算法產生的診斷模型大大提高了腫瘤診斷的準確性。該深度學習模型使用了幾乎所有類型的胰腺腫塊EUS圖像，實現了對腫瘤或非腫瘤的可靠診斷。

此外，Tonozuka?等人[20]使用CNN開發了原始的計算機輔助診斷系統，報道了其對胰腺癌的檢測能力，并使用來自CP和壞死性胰腺炎患者的對照圖像作為初步研究，分析EUS-CNN算法模型能否正確識別胰腺腫塊。CNN算法輸入了139例患者（包括76例胰腺炎、34例CP和29例壞死性胰腺炎患者），共88,320張圖像，經過訓練和10倍交叉驗證以及獨立測試后，其靈敏度為92.4%，特異度為84.1%。

導管內乳頭狀粘液性腫瘤?(Intraductal Papillary Mucinous Neoplasm, IPMN)?是胰腺癌的前驅病變。[68,69]?因此，早期發現IPMN并預測其是否存在惡性風險升高至關重要。

在這一領域，Takamichi Kuwahara?等人[70]報道了206例通過手術確診的IPMN患者，使用基于內鏡的IPMN相關圖像作為深度學習算法的輸入數據。根據切除后的病理診斷，這些IPMN患者被分為良性IPMN（病理顯示低級別和中級別異型增生）和惡性IPMN（病理顯示高級別異型增生和浸潤性癌）。隨后，根據內鏡IPMN圖像進行預測，并與病理結果進行比較。

最終結果是惡性IPMN的靈敏度為95.7%、特異度為92.6%、準確率為94.0%，遠超人類診斷的準確率56.0%。該研究揭示，基于深度學習的AI算法可能是診斷IPMN惡性病變比人類診斷和傳統EUS特征更準確、更客觀的方法。

AI在胃腸道間質瘤EUS診斷中的應用
胃腸道間質瘤?(GISTs)?和胃腸道平滑肌瘤?(Gastrointestinal Leiomyomas, GILs)?是最常見的上皮下病變?(Subepithelial Lesions, SELs)。

胃腸道間質瘤最常發生于胃，約占病例的60%至70%，小腸GIST約占20%至30%，結直腸GIST約占5%，最少見部位<5%。[71]?然而，所有GIST都被認為具有不同程度的惡性潛能，因此早期診斷和及時治療非常重要。EUS有助于診斷SELs。

GISTs典型的EUS圖像特征是低回聲（暗區）表現，圓形或橢圓形，位于第四超聲壁層（相當于固有肌層）。雖然大的或惡性的間質瘤可顯示不規則輪廓，但腫瘤邊界通常光滑清晰，組織可以是異質或同質的，偶爾腫瘤可具有高回聲灶、囊性腔隙或潰瘍的特征。

[72]?胃腸道平滑肌瘤是分布在胃腸道的良性腫瘤，多數發生在食管、食管胃連接部和胃。其EUS圖像多為均勻的低回聲病變，常位于第二或第四超聲壁層。[73]?雖然可以通過使用細針抽吸活檢在病理水平診斷兩者，但由于穿刺的風險和不確定性以及對較小病變操作困難，EUS-FNA仍存在局限性。[74]?相關研究將AI技術與EUS結合，通過非侵入性方法區分和診斷GIST和GIL。Yang?等人[75]設計了一個基于GIST或GIL患者EUS圖像的AI系統。

他們通過從多個中心收集這些疾病患者的EUS圖像信息，進一步開發并回顧性評估了該AI系統。該系統在操作者判斷SELs為GISTs或GILs時使用。本研究使用來自752例GIST或GIL患者的10,439張EUS圖像開發了AI系統。最后，將該AI系統應用于一項多中心前瞻性診斷試驗，以探索內鏡醫師和AI系統的聯合診斷是否能區分臨床層面的GISTs和GILs。

最終發現，在前瞻性試驗中，508例連續受試者中有132例獲得組織學診斷（36例GISTs，44例GILs，52例其他類型的SELs）。通過聯合診斷（AI輔助內鏡醫師），內鏡醫師診斷80例GIST或GIL患者的準確率從73.8%提高到88.8%，總診斷準確率顯著提高。[75]

Kim?等[76]也開發了一種CNN輔助診斷系統，用于分析GIST的EUS圖像，以區分那些難以與良性腫瘤（如平滑肌瘤和神經鞘瘤）區分的GIST。

首先篩選胃GISTs、平滑肌瘤和神經鞘瘤的EUS圖像，這些病變已通過手術或內鏡下切除和/或EUS-FNB進行了組織病理學確認，排除了模糊和低質量的圖像。共篩選出179個胃腫瘤的587張圖像作為訓練圖像數據集，包括來自125例GIST的428張圖像、來自33例平滑肌瘤的91張圖像和來自21例神經鞘瘤的68張圖像。另外還整理了69個胃腫瘤的212張圖像作為獨立的測試數據集，包括32例GIST的106張圖像、23例平滑肌瘤的60張圖像和14例神經鞘瘤的46張圖像。

然后，構建了一個由5層組成的CNN算法模型。輸出層首先將腫瘤分為兩類：GISTs和非GISTs。在非GIST腫瘤組中，輸出層進一步細分為神經鞘瘤和平滑肌瘤。對于最終構建的CNN系統，區分GIST腫瘤的靈敏度為79.0%、特異度為78.0%、陽性預測值76.3%、陰性預測值80.5%、準確率為80.5%（原文此句表述有重復，根據原始文意推斷，其準確率應為“約80%”或指代其性能指標之一）；而在區分非GIST組內（神經鞘瘤與平滑肌瘤）時，靈敏度為89.3%、特異度為80.6%、陽性預測值82.1%、陰性預測值88.4%、準確率為85.0%。基于獲得的數據，研究者認為該CNN系統在EUS圖像上診斷GISTs將顯示出高準確性，可在當前的臨床實踐中輔助內鏡診斷GISTs。

Hirai?等人[24]收集了來自12家醫院的、經病理證實的上消化道SELs的EUS圖像，包括GISTs、平滑肌瘤、神經鞘瘤、神經內分泌腫瘤和異位胰腺。隨后，采用隨機抽樣方法將獲得的圖像按4:1的比例分為開發訓練數據集（用于開發和訓練設計的AI算法系統）和測試數據集（用于測試AI系統）。該研究共收集了來自631個病例的16,110張圖像用于這兩個數據集。最終結果顯示，該AI系統對GISTs、平滑肌瘤、神經鞘瘤、神經內分泌腫瘤和異位胰腺這五種類型診斷的準確率顯著高于所有內鏡醫師。同時，該研究中設計的AI系統用于識別GISTs和非GISTs的靈敏度為98.8%、特異度為67.6%、準確率為89.3%，也高于內鏡醫師。

AI在食管癌內鏡診斷中的應用
目前，常見的食管病變包括粘膜下腫瘤（包括平滑肌瘤、間質瘤和脂肪瘤）、癌前病變和食管癌。

其中，食管癌是最常見的癌癥之一，也是導致死亡的最常見原因之一。食管癌早期無明顯異常癥狀；晚期最重要的癥狀是進行性吞咽困難和體重減輕，這使得手術切除成為必要，且其預后往往較差。然而，隨著內鏡技術的逐步發展，越來越多的早期食管癌或食管癌前病變被發現，并通過內鏡下切除術，患者的預后也很滿意。[20,77,78]?因此，提高早期食管癌的檢出率和診斷率尤為重要，以使患者能在早期階段接受治療。[79]?先前的研究表明，EUS對原發腫瘤向食管壁及周圍組織浸潤深度的深入評估可輔助食管癌分期。[80,81]?然而，EUS圖像也存在一些問題，如分辨率低、模糊的圖像偽影和圖像質量欠佳。[82,83]

Wang?等研究人員[84]比較了傳統內鏡與AI算法結合的EUS。通過結合內鏡檢測和病理結果，比較實時診斷特征的內鏡和超聲圖像，他們評估了AI算法結合EUS對早期食管癌和癌前病變的診斷價值。

通過篩選，選擇了80例符合標準的患者，并隨機分為3組：2組基于AI算法的EUS圖像組（再分為級聯區域卷積神經網絡?Cascade Region-CNN, R-CNN?模型算法組和傳統卷積神經網絡模型算法組）和1組單純EUS組（對照組）。

該研究表明，超聲圖像的AI算法是有效的，其檢測性能優于內鏡檢查，并大大減少了檢測時間。研究計算出傳統CNN模型、級聯R-CNN模型和單純EUS的檢出率分別為56.3% (45/80)、88.8% (71/80)?和?44.1% (35/80)。級聯R-CNN模型的靈敏度、特異度、陽性預測值和陰性預測值均高于CNN模型和單純EUS，為上消化道早癌和其他消化道腫瘤的鑒別診斷提供了參考。

Liu?等人[85]同樣開發了一個用于自動識別食管病變浸潤深度和來源的CNN算法系統。該研究共收集了1670張EUS圖像用于訓練和驗證該CNN系統。該CNN系統的總體準確率為82.49%，靈敏度為80.23%，特異度為90.56%。該研究首次通過深度學習識別食管EUS圖像，并開發了一種可以自動識別食管粘膜下腫瘤浸潤深度和病變來源的CNN算法，并能對此類腫瘤進行分類以達到良好的準確性。

目前，Barrett相關食管腺癌的術前分期是確定后續治療策略的主要標準，而超聲內鏡檢查是術前分期的重要診斷方法。相關研究表明，AI可以輔助EUS的診斷和分期，并優化治療。Knabe?等人[86]開發了一種AI系統輔助超聲內鏡對Barrett相關食管腺癌進行分期。從577例Barrett腺癌患者中總共選取了1020張圖像（每個患者至少1張，最多3張）用于CNN訓練和內部驗證。共選取821張圖像訓練模型，最后使用199張圖像驗證模型。最終結果顯示，所開發的AI模型在識別良性Barrett粘膜病變、Barrett粘膜原位癌、早期Barrett食管進展癌和晚期Barrett進展癌方面具有較高的準確性、靈敏度和特異性。總體診斷準確率為73%。

AI在肝膽疾病內鏡診斷中的應用
EUS對于膽道相關疾病[87–89]（如膽總管結石、膽道梗阻、壺腹癌和膽管癌）的診斷具有重要意義，AI在輔助EUS膽管掃描診斷方面也有獨特價值。Yao?等研究人員[90]構建了一個名為?BP MASTER?的基于深度學習的系統，用于EUS中膽管的實時識別和標注。

該研究中的系統集成了4個深度卷積神經網絡?(DCNN)?算法模型，具有兩大功能：一是定位超聲探頭的位置，為醫生提供相應的操作指令；二是標注膽管并為內鏡醫師提供膽管直徑測量。

DCNN 1?用于過濾掉胃鏡圖像，并將超聲圖像輸入給?DCNN 2。DCNN 2?將超聲圖像分為標準和非標準類別，并將標準圖像輸入給?DCNN 3。DCNN 3?用于識別膽管位置，DCNN 4?用于膽管的分割和標注。

該研究應用了2000張普通胃鏡圖像和2000張EUS圖像，并通過嚴格測試獲得BP MASTER系統。DCNN 1?對胃鏡圖像和超聲圖像的分類準確率達100%。在標準和非標準圖像分類中，DCNN 2?達到了87.4%的準確率。而對于DCNN 3，識別膽管位置的準確率為93.3%。對于膽管的分割性能，DCNN 4?的分割準確率為77%。總之，該BP MASTER系統能夠識別膽管掃描的標準位置，提醒內鏡醫師遺漏的部分，并相應指導醫生操作。同時，該系統還能高精度地分割膽管，自動測量膽管直徑，簡化了內鏡醫師的操作，有助于評估擴張和狹窄的膽管。

膽囊息肉樣病變是膽囊壁向膽囊腔內異常隆起性病變，具有多種病理類型。目前認為，EUS在膽囊檢查中優于常規超聲，可以提高對膽囊新生物性息肉的鑒別能力，并有助于膽囊癌的分期。

Jae Hee Cho?研究團隊開發了一種具有ResNeT50結構的AI輔助內鏡診斷系統。使用1039張EUS圖像（包括836張膽囊息肉EUS圖像和203張膽結石EUS圖像）組成一個隊列，用于AI的訓練、內部驗證和測試。

最后，使用一個包含83例患者的外部驗證隊列驗證診斷性能，并與專業內鏡醫師的診斷性能進行比較。該研究發現，該AI系統的診斷準確率（65.3%）介于中級內鏡醫師（66.7%）和專家內鏡醫師（77.5%）之間。

該研究團隊新開發的結合AI診斷模型的EUS系統在膽囊新生物性息肉和膽囊腺癌的診斷中表現出良好性能，與內鏡醫師的診斷效果相當。本研究揭示了AI結合EUS技術在膽囊息肉類疾病診斷中的廣闊前景。然而，同時，相對不足的樣本量可能導致AI訓練不足，因此存在一些局限性。[91]

近年來，隨著EUS在肝臟病學診斷和治療中的新興應用，其作用變得更加重要。[92,93] EUS被認為是通過清晰、實時的肝臟成像來監測肝病及其并發癥的一個有價值的工具。[94,95]?在肝臟腫瘤領域，EUS已成為識別、表征和分期原發性和惡性肝臟腫瘤的重要工具。[96]?肝臟局灶性病變?(FLLs)?是肝臟疾病中的一個重要概念。

FLLs不僅包括惡性肝臟病變，也包括肝臟良性的實性和囊性病變，如肝血管瘤、局灶性結節性增生、肝腺瘤和肝囊腫。[97]?準確區分良惡性FLLs是優化處理可能患有原發性肝癌或肝臟轉移性腫瘤患者的關鍵。

在這一領域，Marya?等人[98]開發了一種基于EUS的新型CNN模型，用于識別和分類FLLs。該研究首先回顧了一個前瞻性的EUS數據庫，該庫包含通過EUS可視化和取樣的FLL病例。

提取了肝臟實質和FLL的相關靜態圖像和視頻。然后將患者數據隨機分配用于CNN模型的訓練和測試。最終模型創建后，進行了分析以評估基于EUS圖像的CNN模型獨立識別FLL的能力，以及該模型識別良性和惡性FLL的能力。該研究總共使用了來自256例患者的210,685張EUS圖像來訓練、驗證和測試CNN模型。通過分析該基于EUS的CNN模型，成功定位了92.0%的EUS數據集中的FLLs。

當評估從視頻或醫師捕獲圖像中提取的任何隨機靜止圖像時，該AI模型對惡性FLL分類的靈敏度為90%，特異度為71%。當使用該模型評估完整的視頻數據集時，其對惡性FLL分類的靈敏度為100%，特異度為80%。然而，超聲內鏡的一個缺陷是無法對肝臟右葉進行完整評估，因此肝臟右葉的FLL可能無法完全被觀察到。綜上所述，該研究證明了基于內鏡CNN模型訓練識別和分類FLL的準確性、簡便性和快速性。

討論
近年來，隨著AI技術的快速發展，AI輔助的超聲內鏡成像診斷方法顯示出蓬勃的生命力，將臨床超聲內鏡醫師從繁重的診斷工作中解放出來，并已頻繁應用于肝膽良惡性疾病、食管癌、胰腺良惡性疾病以及GISTs的鑒別診斷中。隨著AI算法和介入超聲技術的發展，未來AI可以進一步與其他檢查手段結合，精準識別病灶性質進而提供治療策略。人工智能也有望提供精準的引導或內鏡超聲介入治療。本文提到的AI內鏡應用實例總結在表2中。

表2 -?人工智能在超聲內鏡(EUS)?中的應用總結

盡管基于AI的計算機輔助在分析胰腺病變的EUS圖像方面似乎很有前景，但目前的數據需要謹慎解讀，并需要認識到機器學習的以下局限性[99]：AI在EUS中的應用仍處于早期階段，要充分實現其潛力，必須解決幾個挑戰。

主要挑戰之一是需要大量高質量的訓練數據。開發用于內鏡診斷的AI算法需要帶有標注的內鏡圖像和臨床數據的大型數據集，這些數據的獲取耗時且成本高昂。其他挑戰是AI算法中存在過擬合和偏倚的可能性。

當AI算法在過小或過于同質的數據集上進行訓練時，會導致其在處理新數據時表現不佳（過擬合）。偏倚發生在AI算法在不能代表目標人群的數據集上訓練時，因此可能導致不準確或不公平的結果。

為了應對這些挑戰，未來的研究應側重于開發龐大且多樣化的EUS圖像及臨床數據集，以及開發更強大和透明的AI算法。同樣重要的是要注意到，關于AI在臨床結果診斷或預測方面的前瞻性研究非常少，以用戶為中心的算法則更少。只有通過在真實環境下反復驗證并進行嚴格論證和研究，AI技術才能順利嵌入臨床診療環節，實現AI與人工過程的完美結合。

一個更嚴重的問題是如何建立健全的AI醫療事故責任體系。人工智能技術無疑將改變傳統的醫患關系，這種改變的內在原因是醫生個人責任感的潛在轉移。例如，在預測消化道腫瘤性質方面，AI導致的誤判可能讓患者接受不必要的手術或延誤治療。責任來源是多方面的：醫生、軟件平臺供應商、構建算法的開發者以及訓練數據。建立完善的責任體系是消化內鏡臨床應用的重要環節，但如何劃分責任仍待厘清。

From：The application of artificial intelligence in EUS