2020年1月，消化內(nèi)鏡界的頂級(jí)期刊GIE【IF=7.229】刊出了華西醫(yī)院胡兵教授團(tuán)隊(duì)和Wision A.I.關(guān)于食管鱗狀細(xì)胞癌（ESCC）的癌前病變AI檢測的預(yù)臨床驗(yàn)證論文【1】。從該論文披露的信息，我們看到了Wision A.I.自主研發(fā)的計(jì)算機(jī)輔助診斷系統(tǒng)（CAD）在對(duì)癌前病變及早期食道鱗狀細(xì)胞癌（ESCC）輔助診斷時(shí)表現(xiàn)出來的高敏感性和高特異性。

       根據(jù)預(yù)臨床論文數(shù)據(jù)，CAD通過內(nèi)窺鏡圖像和視頻數(shù)據(jù)集驗(yàn)證，在預(yù)臨床上最終達(dá)到了98.04%的敏感性和95.03%的特異性，在未來將有著巨大潛力去輔助內(nèi)窺鏡醫(yī)師進(jìn)行ESCC癌前病變診斷。

       這次預(yù)臨床不僅是Wision A.I.算法對(duì)食道癌前病變識(shí)別的性能驗(yàn)證，更是食道癌領(lǐng)域首次完全符合臨床診療路徑的AI驗(yàn)證。

       此前，對(duì)食管癌的CAD研究始終局限在白光內(nèi)窺鏡下對(duì)進(jìn)展期的癌癥進(jìn)行識(shí)別或分類。然而進(jìn)展期的食管癌即便是在普通白光內(nèi)窺鏡下，其視覺特征已是非常明顯，醫(yī)生錯(cuò)診、漏診的概率本就非常低，這也導(dǎo)致了該類CAD系統(tǒng)的臨床應(yīng)用價(jià)值非常有限。

       臨床上真正有挑戰(zhàn)的是如何發(fā)現(xiàn)食管癌的早期和癌前病變。根據(jù)日本的臨床指南，已經(jīng)證明食管癌癌前診斷只能依靠窄帶光放大內(nèi)鏡，但由于特征過于復(fù)雜和細(xì)微，不熟練的醫(yī)生漏診率接近50%【2】，所以Wision A.I.的技術(shù)要解決在窄帶光內(nèi)鏡下的癌前病變的AI輔助檢出。

       優(yōu)秀的預(yù)臨床研究：訓(xùn)練樣本、驗(yàn)證樣本相互獨(dú)立，隨機(jī)化樣本人群

       作為預(yù)臨床驗(yàn)證，旨在驗(yàn)證技術(shù)在每幀圖像上的敏感度和特異度，預(yù)臨床驗(yàn)證的結(jié)果優(yōu)劣以及測試方法的嚴(yán)謹(jǐn)程度，預(yù)示了這項(xiàng)技術(shù)是否能夠在真正的臨床應(yīng)用中取得良好的效果。

       而在學(xué)術(shù)界和工業(yè)界，一些機(jī)構(gòu)會(huì)嘗試通過將訓(xùn)練樣本和測試樣本的互不獨(dú)立，讓測試集僅有訓(xùn)練集的1/10或1/100，并選擇特殊人群作為測試樣本，以此來人為湊出擬合試驗(yàn)的結(jié)果，從而發(fā)布AI研究的預(yù)臨床驗(yàn)證論文，完全忽視了深度學(xué)習(xí)過擬合的風(fēng)險(xiǎn)。這種行為也從韓國學(xué)者做過的一項(xiàng)統(tǒng)計(jì)中得到了印證，統(tǒng)計(jì)顯示，從2018年1月至8月全網(wǎng)發(fā)表的516篇醫(yī)學(xué)影像人工智能研究論文中，訓(xùn)練樣本與測試樣本完全獨(dú)立的僅有6%【3】！

       從Wision A.I.發(fā)布的預(yù)臨床驗(yàn)證論文中可以看到，研究人員將訓(xùn)練樣本和驗(yàn)證樣本進(jìn)行了前瞻性獨(dú)立。訓(xùn)練樣本為包含癌前病變、早期ESCC及良性病變的6473張窄帶成像（NBI）圖片，由科研合作單位中國成都的華西醫(yī)院內(nèi)鏡中心（WCH）、印度密魯特的Jaswant Rai專科醫(yī)院等數(shù)家專業(yè)的醫(yī)療機(jī)構(gòu)提供。

       Wision A.I.的驗(yàn)證樣本分為了四個(gè)數(shù)據(jù)集，從圖像驗(yàn)證、視頻驗(yàn)證等多個(gè)維度對(duì)CAD系統(tǒng)進(jìn)行了驗(yàn)證，驗(yàn)證數(shù)據(jù)總共包括了175536張圖像和視頻幀，約是訓(xùn)練數(shù)據(jù)集的27倍。從該公司的驗(yàn)證結(jié)果可以看到，通過正確的訓(xùn)練數(shù)據(jù)和訓(xùn)練技巧，CAD系統(tǒng)以及它的功能在計(jì)算出食管癌前病變和ESCC的精確位置方面具有巨大潛力。

       在技術(shù)上，Wision A.I.采用了同一AI模型處理了普通窄帶光和放大窄帶光下的病灶識(shí)別。普通和放大的窄帶成像技術(shù)（NBI）對(duì)癌前病變和ESCC的診斷都有重要意義：普通窄帶成像技術(shù)下的褐色區(qū)是癌前病變和ESCC的主要特征，而放大窄帶成像技術(shù)下的主要特征是乳頭狀毛細(xì)血管袢（IPCLs）。Wision A.I.旨在開發(fā)的CAD能夠在普通和放大窄帶光情況下實(shí)現(xiàn)對(duì)癌前病變和早期ESCC的實(shí)時(shí)自動(dòng)診斷，且無須切換。

       預(yù)臨床驗(yàn)證的最終目的是將其落地成為臨床應(yīng)用，然而由于一些預(yù)臨床研究未能規(guī)避深度學(xué)習(xí)過擬合的風(fēng)險(xiǎn)，最終研究僅能停留在預(yù)臨床數(shù)據(jù)上。這樣的事情屢見不鮮：

       2016年，谷歌宣布了他們在糖尿病性視網(wǎng)膜病變（DR）方面的AI診斷預(yù)臨床研究【4】。預(yù)臨床論文顯示，使用谷歌自主研發(fā)的深度學(xué)習(xí)系統(tǒng)能夠自動(dòng)檢測到DR，避免數(shù)億糖尿病患者患上不可逆失明的風(fēng)險(xiǎn)。然而這項(xiàng)技術(shù)卻無法有效的進(jìn)入后續(xù)的臨床試驗(yàn)【5】。

       無獨(dú)有偶，2017年，斯坦福Nature論文宣布新突破，深度學(xué)習(xí)皮膚癌診斷達(dá)專家水平，該系統(tǒng)能夠?qū)颊哌M(jìn)行皮膚癌自動(dòng)診斷【6】。然而數(shù)年過去了，萬眾期待的皮膚癌自動(dòng)診斷下文卻遲遲未能登場，無疾而終。

       優(yōu)秀的預(yù)臨床研究才能為后續(xù)臨床應(yīng)用鋪好道路。Wision A.I.曾于2018年在頂級(jí)學(xué)術(shù)期刊《Nature》上發(fā)表了《對(duì)結(jié)腸鏡檢查中息肉檢測的深度學(xué)習(xí)算法的開發(fā)和驗(yàn)證》預(yù)臨床論文【7】，證明了一種機(jī)器學(xué)習(xí)算法可以高敏感性、高特異性地實(shí)時(shí)檢測臨床結(jié)腸鏡檢查中的息肉，目前該公司已經(jīng)完成了該系統(tǒng)的前瞻性隨機(jī)對(duì)照研究。

       在受訪中，Wision A.I.創(chuàng)始人劉敬家也表示，公司戰(zhàn)略中的重要一環(huán)便是針對(duì)產(chǎn)品性能開展嚴(yán)謹(jǐn)?shù)脑囼?yàn)，并讓這些研究發(fā)表于高分期刊上，成為全球公認(rèn)的優(yōu)質(zhì)臨床證據(jù)。只有堅(jiān)持嚴(yán)謹(jǐn)?shù)难C醫(yī)學(xué)思路，產(chǎn)品才能夠切實(shí)提高臨床核心指標(biāo)并被廣泛接受。

       食管鱗狀細(xì)胞癌（ESCC）癌前診斷的臨床價(jià)值與Wision的AI實(shí)力

       食管癌是全世界最常見的惡性腫瘤之一。食管鱗狀細(xì)胞癌（ESCC）作為食管癌的主要亞型，在中國占比食管癌總量的90%以上，其患者整體5年生存率小于20%。因此，癌前病變和ESCC的早期診斷對(duì)患者的良好預(yù)后至關(guān)重要。

       然而，ESCC的早期影像學(xué)特征又很難被識(shí)別，當(dāng)經(jīng)驗(yàn)不足的內(nèi)鏡醫(yī)師使用窄帶成像技術(shù)時(shí)，檢測ESCC的敏感性僅有53％。一項(xiàng)有關(guān)食管癌漏診的最新研究發(fā)現(xiàn)，6.4%的患者在診斷前3年內(nèi)內(nèi)鏡檢查結(jié)果呈陰性。由于缺乏訓(xùn)練有素的內(nèi)鏡醫(yī)師，特別是在農(nóng)村或不發(fā)達(dá)地區(qū)，使其具備檢測癌前病變和ESCC的能力是一項(xiàng)重大挑戰(zhàn)。

       近年來，利用人工智能（AI）系統(tǒng)進(jìn)行計(jì)算機(jī)輔助診斷（CAD）取得了顯著進(jìn)展。研究人員已經(jīng)使用CAD系統(tǒng)來改善各種胃腸道病變的診斷，如結(jié)直腸息肉、胃潰瘍、幽門螺桿菌感染和胃癌。而在利用CAD對(duì)ESCC的早期診斷的應(yīng)用上也得到了廣泛關(guān)注。

       2018年，Horie等人開發(fā)了一個(gè)基于放大窄帶成像技術(shù)圖像的深度學(xué)習(xí)模型來研究乳頭狀毛細(xì)血管袢（IPCLs）的自動(dòng)分類，首次使用人工智能檢測食管癌，敏感度為98%，陽性預(yù)測值為40%。但是在他的研究中，只對(duì)靜態(tài)圖像進(jìn)行了測試，并未論證普通和放大設(shè)置之間的差異，也無法沒有使用實(shí)時(shí)分析，研究結(jié)果主要集中在窄帶成像技術(shù)圖像的分類而不是檢測。

       而Wision A.I.的ESCC癌前病變自動(dòng)診斷CAD能夠通過AI技術(shù)，復(fù)制優(yōu)秀內(nèi)鏡醫(yī)生的診斷能力，使得有效早篩食道鱗癌的產(chǎn)能得到有效擴(kuò)大，能夠改善早期食道惡性腫瘤的診斷現(xiàn)狀。

       此前，Wision AI已經(jīng)形成成熟的人工智能臨床輔助診斷產(chǎn)品，主要應(yīng)用于結(jié)直腸癌早篩領(lǐng)域，已進(jìn)入臨床操作，并經(jīng)過包括哈佛醫(yī)學(xué)院在內(nèi)的多家國內(nèi)外頂尖醫(yī)院和臨床學(xué)術(shù)權(quán)威的聯(lián)合驗(yàn)證，切實(shí)提高了消化道早癌篩查的核心臨床指標(biāo)——早癌/癌前病變檢出率。

       墻內(nèi)開花，墻外香。Wision AI的臨床試驗(yàn)數(shù)據(jù)和結(jié)論也得到國際權(quán)威機(jī)構(gòu)的高度重視和認(rèn)可，并被多家國際頂尖臨床刊物發(fā)表，獲得世界消化大會(huì)WCOG美國消化大會(huì)ACG和歐洲消化周UEG的多個(gè)獎(jiǎng)項(xiàng)，得到歐美日消化道早癌篩查最高學(xué)術(shù)權(quán)威和監(jiān)管機(jī)構(gòu)的高度重視，被美國消化協(xié)會(huì)主席評(píng)價(jià)為“revolutionary innovation”、被FDA評(píng)價(jià)為“game changer”、 被《GUT》《GIE》等頂尖學(xué)術(shù)期刊評(píng)選為最佳作者及論文，且受到了包括日本“內(nèi)鏡之神”工藤進(jìn)英在內(nèi)的諸位國際內(nèi)鏡界意見領(lǐng)袖一致推崇。值得期待，Wision A.I.將成為全球消化內(nèi)鏡AI領(lǐng)域的標(biāo)桿企業(yè)。

       參考資料：

       【1】Guo, LinJie et al. Real-time automated diagnosis of precancerous lesions and early esophageal squamous cell carcinoma using a deep learning model (with videos) Gastrointestinal Endoscopy, Volume 91, Issue 1, 41 - 51

       【2】Ishihara R, Takeuchi Y, Chatani R, et al. Prospective evaluation of narrow-band imaging endoscopy for screening of esophageal squamous mucosal high-grade neoplasia in experienced and less experienced endoscopists. Dis Esophagus 2010;23:480-6.

       【3】Kim DW, Jang HY, Kim KW, Shin Y, Park SH. Design Characteristics of Studies Reporting the Performance of Artificial Intelligence Algorithms for Diagnostic Analysis of Medical Images: Results from Recently Published Papers. Korean J Radiol. 2019 Mar;20(3):405-410.

       【4】Gulshan, V. et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 316, 2402–2410 (2016).

       【5】https://www.wsj.com/articles/googles-effort-to-prevent-blindness-hits-roadblock-11548504004

       【6】Esteva, A. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 542, 115–118 (2017).

       【7】Wang P, Xiao X, Glissen Brown JR, et al. Development and validation of a deeplearning

       algorithm for the detection of polyps during colonoscopy. Nat Biomed Eng 2018;2:741–8.

       點(diǎn)擊下圖進(jìn)行CPhI & P-MEC China 2020觀眾預(yù)登記抽獎(jiǎng)，獎(jiǎng)品多多！