Page 154 - 南京医科大学自然版
P. 154

第45卷第10期
               ·1522 ·                           南 京    医 科 大 学 学         报                        2025年10月


                                                                                                ［15］
              的病变区域，显著提高早期食管癌、胃癌和结直肠                            到小至 5 mm 的病变，灵敏度为93% 。CADe 能够
              癌的诊断准确率并辅助临床决策                ［4-6］ 。AI 结合内镜      自动检测内镜图像中的异常区域，如息肉、溃疡或肿
              检查等方法，提高EGC筛查敏感性和效率的同时处                           瘤，提醒内镜医师行进一步检查或活检，显著提高了
                                                                                                 ［20］
              理和分析大量的临床数据，有助于发现新的生物标                            腺瘤和息肉的检出率         ［16-19］ 。Wallace等 研究表明，AI
              志物和疾病相关因素，协助医生更早发现潜在的癌                            辅助的CRC筛查可以将病变的漏诊率降低50%。
              变 ［7-9］ 。AI为提高EGC的诊断水平和治疗效果提供                          Transformer 是一种基于自注意力机制的 DL 模
              了有力的技术支持。                                         型，它摒弃了传统的循环和卷积结构，采用编码器⁃

                                                                解码器架构，主要由多头自注意力机制（multi⁃head
              1  AI技术概述
                                                                self ⁃ attention）和 前 馈 神 经 网 络（feed ⁃ forward net⁃
                  AI 是指计算机系统能够模拟人类智能行为的                         work）组成，并通过残差连接和层归一化（residual
              技术和理论，是能够自主学习、适应环境变化并做                            connection & layer norm）来稳定训练，其核心优势包
              出智能决策的系统，其核心技术主要包括：机器学                            括并行计算能力强、长距离依赖建模能力出色，以
              习（machine learning，ML），深度学习（deep learning，        及适用于文本、图像、语音等多模态数据的灵活扩
              DL），自 然 语 言 处 理（natural language processing，      展性。Transformer 在处理复杂背景和小病变方面
              NLP），计算机视觉（computer vision）等。                     有着出色的能力，且在不同数据集上展现出强大
                  ML 指计算机系统通过数据学习并做出预测或                         的泛化能力，能够很好地适应不同医院的图像质
              决策，而不需要显式编程，通常依赖于输入数据特                            量和设备配置变化。在诊断 Barrett 食管瘤变方面，
              征和算法进行训练，并完成分类、回归等任务。                             Transformer 模型的性能与CNN相当，甚至在某些情
                  DL是 ML的一个子领域，基于多层神经网络进                        况 下 略 优 于 CNN    ［21］ 。 基 于 Transformer 架 构 的
              行学习和推理，特别适用于处理复杂的数据类型，                            MViTX模型，融合了定制化数据增强与外部注意力
              如图像、声音和文本等，能够自动提取特征并做出                            机制，在涵盖胃肠道疾病、乳腺癌、脑肿瘤等多种器
              高精度的预测       ［10］ ，主要模型有：卷积神经网络（con⁃              官病变的医学图像数据集（含内镜图像）上展现出
              volutional neural network，CNN）、生成对抗网络（gen⁃        卓越性能，测试准确率处于94.1%至99.1%的高水平
              erative adversarial network，GAN）、深 度 信 念 网 络      区间，相较传统CNN模型更具优势 。
                                                                                               ［22］
             （deep belief network，DBN）、Transformer 模型等，其        2.2  非内镜筛查方法
              在图像识别和数据分析中的优势使其成为许多领                                  生物信息学与液体活检技术在 EGC 筛查中发
              域的关键技术。                                           挥着关键作用，通过对大量基因表达、蛋白质组学
                  近年来，随着计算机硬件性能的大幅提升、大                          及临床数据的分析，ML 算法能够挖掘出与 EGC 密
              数据技术的成熟、社会需求的日益增加以及国家政                            切相关的潜在生物标志物，从而精准锁定高风险个
              策的支持引导，AI技术得到极大发展。AI在医学领                          体，进而优化配置有限的内镜资源。中山大学科研
              域的应用更呈现出多维度、深层次的发展趋势，在                            团队成功研制出 VSOLassoBag 算法，该算法在处理
              医疗管理、疾病诊断、精准治疗、远程健康管理、跨                           基因组、转录组、表观组学等高维组学数据时具有
              领域融合与创新等方面不断取得突破                 ［11-14］ 。        卓越表现，能够从有限样本中高效且稳定地挖掘出
                                                                更具诊断和预后价值的核心标志物 。
                                                                                               ［23］
              2  AI在EGC筛查中的应用
                                                                     液体活检技术结合生物信息学分析，还能够检
              2.1  内镜检查中的应用                                     测血液中的循环肿瘤细胞（circulating tumor cell，
                  AI 辅助内镜技术通过计算机视觉和 DL，能够                       CTC）、外泌体RNA和lncRNA⁃GCI等生物标志物，研

              自动识别潜在病变，提高早期癌症的检出率。CNN                           究发现外泌体中的特定 miRNA（如 miR⁃1246）可以
              专门用于处理具有网格结构的数据，通过模仿人类                            作为胃癌早期诊断的潜在标志物               ［24-26］ 。在CRC筛查
              大脑的神经元连接方式，能够自动从图像中提取高                            领域，引入新的检测靶点对提升筛查的特异性和检
              级特征。CNN 作为目前应用最广泛的 DL 算法之                         出率具有重要意义。Wisse 等           ［27］ 研究出一种新型的
              一，其计算机辅助检测（computer⁃aided detection，              CRC 筛查方法：相比传统粪便免疫化学检测（fecal
              CADe）常用于胃肠内镜检查中，在结肠息肉检测中                          immunochemical test，FIT）的阳性率（4.08%）和检出
              的灵敏度可达 95.1%，准确率为 96.8%，且能够检测                     率（1.21%），多靶点FIT（mtFIT），显示出更高的阳性
   149   150   151   152   153   154   155   156   157   158   159