AI辅助内镜 胃肿瘤漏检风险降低近八成！

胃癌是全球高发的恶性肿瘤之一，在东亚尤其常见。早期诊断对于胃癌生存率至关重要，全球大多地区的胃癌5年生存率约为20%，而早期胃癌的5年生存率可达90%。

内镜及内镜下活检是目前诊断胃癌的金标准，内镜检查也是检测早期胃癌和癌前病变的推荐策略。其中，白光内镜是检测胃肿瘤的关键一线工具，然而其对早期胃癌的敏感性和特异性并不高。由于病变性质判断有挑战，同时不同内镜医生的技能有所差异，早期胃癌的漏诊率可能高达20%-40%。

人工智能（AI）的辅助有望进一步提高检出率。武汉大学人民医院消化内科主任于红刚教授团队在《柳叶刀-胃肠病学和肝病学》（The Lancet Gastroenterology & Hepatology）最新发表研究，通过随机试验表明，旨在检测局灶性病变和诊断胃肿瘤的AI系统，结合上消化道内镜检查可以显著降低胃肿瘤漏检率。

此前，武汉大学人民医院消化内科团队研发了一款AI监测系统ENDOANGEL（“内镜精灵”），带有胃癌检测模块，经过多中心临床试验初步评估，有助于改善消化道内镜检查质量。此后，研究团队进一步调整、改进模型以更好识别胃肿瘤，更新后的系统更名为ENDOANGEL-LD（“内镜精灵-病变检测”）。此次发表的成果，正是对“内镜精灵-病变检测”改善胃肿瘤漏诊率效果的评估。

这项单中心、随机对照、串联试验在中国武汉大学人民医院进行，招募了接受常规上消化道内镜检查以筛查、监测或查明症状的≥18岁患者。

患者在试验当天进行串联上消化道内镜检查。患者1:1随机分组，先接受AI辅助检查、再接受常规白光内镜检查（AI检查优先组），或先白光内镜后AI辅助检查（常规检查优先组）。

在AI辅助检查中，系统会在白光内镜检查时蓝框标记提示胃局灶性病变、红框标记提示可疑肿瘤；对于明显的假阳性误报，内镜医生非常确定不是肿瘤的病变，可以根据自己的判断选择跳过活检。

在常规检查中，则依赖内镜医生识别符合相关标准的高危病变。

研究助理会协助在两次检查之间打开或关闭AI系统的病变检测功能。在第二次检查结束时对所有检测到的目标病变进行活检。患者和病理医生不知晓检查顺序，内窥镜医生则知晓分组情况。研究主要终点是胃肿瘤的漏检率。

为了控制内镜质量，参与研究的内镜医生包括两名低年资医生师（1年经验，超过2000次内镜检查）和四名资深医生（3-5年经验，超过5000次内镜检查），并且他们都在研究前再次接受了相关培训。

2020年7月6日至2020年12月11日期间，907名患者被随机分配到AI检查优先组，905名患者被随机分配到常规白光内镜检查优先组。

结果显示：

AI检查优先组在两轮串联检查中共检出49个肿瘤（47例患者），其中AI辅助检查时发现46个，即漏检3个肿瘤；

常规检查优先组在两轮串联检查中共检出44个肿瘤（43例患者），其中常规检查时发现32个，即漏检12个肿瘤。

上述数据表明，在优先进行的第一轮检查中，AI检查的胃肿瘤漏检率显著低于常规检查（6.1% vs 27.3%），漏检相对风险降低77.6%（HR 0.224，95% CI 0.068-0.744；p=0.015）。

而且，在第一轮检查中，AI检查组的活检率（25.0%，46肿瘤/184病变）明显低于常规检查（8.4%，32肿瘤/138病变），这意味着AI检查的阳性预测值更高。两组第一轮检查的耗时没有明显差距。

比较漏诊胃肿瘤的特征，研究团队发现，AI辅助检查对胃窦或幽门肿瘤漏诊率显著更低。论文讨论部分指出，常规白光内镜检查对胃窦或幽门肿瘤漏诊率高的一个原因可能是此处常见病变是糜烂，从而内镜医生可能容易疏忽，将高危病变误诊为普通糜烂病变。

此外，AI辅助检查更不容易漏诊小的胃肿瘤（≤10mm）。AI检查未漏诊浅表凹陷型或浅表隆起凹陷型胃肿瘤，而常规检查则分别漏诊了57.1%和40.0%。浅凹陷病灶和小病灶由于内镜特征不明显，在常规检查中更容易漏诊。

AI辅助检查对低级别肿瘤的漏检率更低。论文强调，对低级别病变的识别临床实践中同样具有重要意义。有证据表明，在活检诊断为低级别不典型增生的病变，有超过30%在切除后的病理识别中被发现实则为高级别不典型增生或胃癌。MAPS II指南建议在内镜下切除任何肿瘤性病变，如不切除低级别不典型增生，则需要采取更严格的随访策略。

论文还指出，尽管有一些短暂的误报（通常持续<1秒），这种假阳性可能会导致内镜医生检查相关区域，但研究团队预计此类误报不会影响内镜医师对病变性质的判断。

安全性方面，两组均未观察到严重不良事件。唯一报告的1例不良事件是活检后目标病变出血，并给予了止血治疗。

基于这些发现，论文总结指出，ENDOANGEL-LD AI辅助内镜检查有望提高内镜医生对胃肿瘤的检出率，并在不增加手术时间的情况下最大限度地减少不必要的活检。

注：原文有删减

参考资料

[1] Lianlian Wu, et al., (2021). Effect of a deep learning-based system on the miss rate of gastric neoplasms during upper gastrointestinal endoscopy: a single-centre, tandem, randomised controlled trial. The Lancet Gastroenterology & Hepatology, DOI: https://doi.org/10.1016/S2468-1253(21)00216-8