DOI：10.3760/cma.j.cn311367-20200706-00428

消化道疾病是人类的常见疾病，由于消化内镜能够直观地观察消化道的诸多病变，已成为诊断消化道疾病的临床常用基本检查方法。虽然消化内镜的使用在我国各级医院已经比较普及，但不同级别医院消化内镜诊治水平参差不齐，很多患者因此经历多次内镜检查，增加了患者心理负担和相关检查风险，浪费了宝贵的医疗资源。提高消化内镜技术水平已成为各医院、学术组织和政府职能部门等多年努力践行的工作，但现状仍不尽人意，如不同级别医院消化内镜诊治水平仍存在较大差别、消化内镜工作质与量间依然存在矛盾。克服这些困难，需要借助先进的科学技术来推动。

近年来，伴随大数据时代的到来，海量的医疗资料和数据促使人工智能（artificial intelligence）技术突飞猛进^［1］。影像和病理资料积累的数据经过人工智能技术有效处理后，对一些简单的病变可迅速做出诊断，帮助临床医师缩短阅片时间，克服临床医师受培训、经验和精力不足的缺点，助力提高医疗效率和诊疗质量。人工智能是个较宽泛的观念，涉及到一些执行与人类智能有关功能的计算机程序，例如学习和解决问题，其中机器学习（machine learning）^［2］和深度学习（deep learning）相互重叠^［3］。机器学习涉及计算机科学和统计学的巨大领域，在此领域中，机器执行模型的重复迭代，逐步提高特定任务的性能，建立分析数据、学习描述和预测模型的算法。数据大多以表格的形式出现，以对象或个体作为行，以变量（数值或分类）作为列。机器学习主要分为监督学习和无监督学习方法，后者学习目的是根据共性来识别数据中的计算单元，但对计算单元的数量及其重要性缺乏知识。当训练数据包含有输入-输出对时，就需要督导学习模型，旨在将新的输入映射到输出^［2］。

近年发展的卷积神经网络（convolutional neural network，CNN）是深度学习的代表算法之一，是受到大脑神经解剖学启发而获得的设计灵感，可以进行监督学习和无监督学习^［4］。每个神经元都是一个计算单元，所有的神经元相互连接，构成一个网络。信号从第1层（输入）传输到最后一层（输出），通常要经过多个隐层。训练CNN的数据集有助于定义网络的结构，找出节点之间的各种权重，然后用一个测试集来评估CNN预测期望输出的能力。在训练过程中，调整神经元间连接的权重，优化分类体现了不同CNN系统的个性。为了获得更高的性能，神经网络结构变得越来越复杂，从而产生了深度学习的概念^［3-4］。开发一款基于CNN的内镜人工智能系统，需要大量带标记的训练数据集，通过结合深度学习和强化学习原理才能获得良好的性能。由此可见，人工智能技术固然要依赖大数据，更需要优质的大数据。已有较多关于人工智能在医疗影像相关学科尤其是在CT、MRI方面的研究。然而，全球范围内关于消化内镜人工智能技术的研究相对较缓，这与消化内镜图像的标准化程度低、数据均一性差有关。消化内镜提供大数据并不难，而难点在于提供优质数据，因此消化内镜人工智能整体技术门槛相对其他领域也就较高。《中华消化杂志》本期人工智能专题汇集了来自四川大学华西医院、山东大学齐鲁医院、海军军医大学长海医院和华中科技大学同济医学院附属协和医院新近在消化内镜人工智能技术研发方面的结果，从大量带标记的训练数据集可以看出，4项人工智能系统研发包含消化专科医师和人工智能工程师的大量人工，真有“前人栽树、后人歇凉”的感慨。了解人工智能技术的原理、长处与短板，有助于对消化内镜人工智能技术研发方向和应用产生合理的期望。

目前根据专业需求，消化内镜人工智能技术的应用较多集中在消化道早癌和癌前病变的识别，如食管和胃早癌识别技术、结肠息肉的检出等^［5-7］。基于这些病变的黏膜表面腺管开口和血管新生状况，结合高清白光内镜、窄带成像技术、放大内镜等内镜图像参数，已有多种识别消化道早癌的人工智能系统见诸于重要学术刊物上^［8-10］。本期专题的一项研究结果显示，用高清白光内镜和窄带成像技术建立的人工智能辅助结直肠息肉性质鉴别系统，准确度分别为76.3%和82.9%^［11］。改善这些系统的后续研发固然必要，但这些系统都是针对已知病变设计的。在消化内镜检查的实际工作中，面对的是未知病变，人工智能的任务应首先是帮助医师找出病变，防止漏检病变。本期专题的研究工作从以下2个角度助力消化内镜医师。①随着内镜插入或退镜时，实时报告所有的隆起型病变（内镜下最常见的病变），前瞻性、单中心、盲法、平行对照临床研究表明人工智能辅助消化内镜的准确度接近90%^［12］。这是我国消化内镜人工智能领域获得国家器械证书的首款产品，对于避免隆起型病变的漏检具有重要的意义。②从质量控制的角度，减少内镜医师检查盲区，提高胃黏膜可视度。可以认为，合格的内镜医师在辨别可疑的癌前病变时，完全可以胜过人工智能，这决定了人工智能在内镜下病变识别上，永远只是辅助角色。胶囊内镜是小肠病变检出的首选工具，其中不明原因消化道出血为最常见的检查适应证，但阅读大量内镜图像，耗费医师大量时间和精力，本期专题报道了基于深度卷积神经网络的小肠胶囊内镜智能辅助系统识别小肠出血，在回顾性阅片测试中灵敏度达99.00%^［13］。此外，本期专题简要介绍了人工智能云计算的消化内镜质控平台^［14］，试想消化内镜人工智能技术如果能搭上最新的5G快车，将极大改变传统的消化内镜检测和报告模式。相信所有的畅想最终都将落实在科学技术一步一个脚印的探索中。

消化内镜人工智能系统建立后，需要大样本、多中心临床研究提供一个测试集来评估CNN预测期望输出的能力，经历了这样的严格评估，消化内镜人工智能系统才可能由研发成为产品，达到医工跨界结合的最佳目标。人工智能是最有希望全面提高消化内镜诊断水平不足、效率低下、各医院内镜诊断质量参差不齐的先进技术，由此能做出产品不易，产品的诞生、迭代和质量控制都需要相应的国家级、世界级行业标准。目前人工智能技术已渗透至各行业，未来将在全球助力各行业的趋势下，由消化病学专家共同参与制定消化内镜人工智能的行业标准，消化内科医师除了在消化病学方面需要继续钻研，更要能够勇于跨界至陌生的人工智能领域，这既是一种学术时尚，亦是未来的使命担当。