经内镜逆行胰胆管造影术(endoscopic retro-grade cholangiopancreatography，ERCP)及超声内镜(endoscopic ultrasound，EUS)是胰胆疾病的主要内镜诊治技术。近年来，胆道镜、经自然隧道内镜手术等新技术不断涌现，使得复杂多样的胰胆疾病诊治趋于多元化及精准化，加之大量电子医疗信息涌入，导致人为捕获图像信息耗时长且效率低，病变检出率也易受内镜医师水平差异的影响，成为亟待解决的问题。而人工智能(artificial intelligence，AI)辅助内镜技术有助于图像数据信息的实时提取及处理，同时可平衡内镜医师水平差异，提高诊断准确性并指导临床决策。本文就AI在胰胆内镜技术中的应用及研究进展进行综述，以期为改进目前的临床诊疗模式、实现胰胆疾病的精准医疗提供新思路。

1.   AI概述

AI是指利用计算机模拟人类行为和思维过程的技术，其在医学领域中的应用主要涉及机器学习。机器学习是在大量数据中识别模式或特征的计算机程序，要求预设参数以识别和区分对象，最后生成相应模型以辅助疾病的诊断、治疗及预测，主要包括支持向量机(support vector machine, SVM)、随机森林、因式分解机、逻辑回归分析和神经网络等^[1]。随着数据可用性及计算能力的提升，卷积神经网络(convolutional neural networks, CNN)及循环神经网络(recurrent neural networks, RNN)等深度学习模型不断发展，其归属于机器学习的一大分支，突出优势在于能够自动检测数据特征而无需人为干预，以提取更多的目标特征，并在短时间内分析大量信息^[2]。深度学习主要应用图像分类、目标检测及语义分割(即标注出图像中每个像素所属的对象类别)等方法分析医学图像，并将整个图像作为深度学习架构的输入，识别图像中感兴趣的区域后，将训练好的分类标签及其概率作为输出，整个过程包括数据的特征提取及注释、模型的训练以及性能验证，作为AI辅助临床诊疗的第一阶段，还需比较不同模型的性能以择优选取。考虑到随机对照试验的随机性质通过复制现实视角设置，因此第二阶段可利用随机对照试验评估模型相较于现有方法的效益及风险，最后开展大规模前瞻性研究验证模型的临床有效性及安全性，从而完成AI模型的临床转化。

AI在消化内镜领域中的应用具有广阔的发展前景，现阶段较为成熟的研究主要涉及结肠息肉检测及分类、小肠出血检测、胃癌检出及转移预测、幽门螺杆菌感染预测等方面^[3-4]，而针对胰胆内镜中的AI技术尚处于产品开发和可行性研究的早期阶段，值得进一步探索。

2.   AI在ERCP中的应用

2.1   优化ERCP操作程序

2.1.1   评估ERCP操作必要性

鉴于ERCP具有侵入性、并发症发生风险高及费用昂贵等问题，在ERCP操作前使用非侵入性指标评估其必要性至关重要。Jovanovic等^[5]纳入病史、实验室检查以及腹部超声等非侵入性指标，构建人工神经网络模型以识别需行ERCP的疑似胆管结石患者，该模型对ERCP阳性和阴性患者的正确识别率分别为92.3%和69.6%，同时可进行较准确的胆总管结石风险分层(高风险和低风险组的准确率分别为92%和70%)。人工神经网络具有处理变量间复杂多维非线性关系的能力，可预测变量间所有可能的相互作用，因此可实现胆管结石存在概率的实时个体化预测，并为是否行ERCP提供治疗建议。与此类似，通过提取疑似胆管结石患者的临床数据及影像结果训练不同机器学习模型(包括广义线性模型、基于径向基核函数的SVM、线性核SVM及随机森林模型)，其中随机森林模型预测胆总管结石的性能最佳，在最佳切点时可达到77.3%的灵敏度和75%的特异度^[6]。此外，AI模型可通过改变切点实现不同灵敏度和特异度，当使用与美国胃肠内镜协会诊断标准相同的特异度切点进行评估时，随机森林模型预测胆总管结石的灵敏度高达97.7%^[6]。上述研究证实了利用AI技术辅助疾病预测及风险分层有助于评估ERCP操作的必要性，以减少不必要的手术操作。

2.1.2   预测ERCP插管难度

基于CNN可自动识别内镜图像中壶腹的位置和形状，进而预测胆管插管的难易程度。结果表明，CNN模型对简单插管病例的评估性能较好，平均准确率和召回率分别为80.2%和71.9%，但对困难插管病例平均召回率仅为61.1%，难度等级的数据不平衡可能是其重要原因，这也是未来分类任务中优化模型性能需要解决的重要问题^[7]。此外，基于深度学习的智能难度评分与辅助系统还可评估ERCP治疗胆总管结石的取石难度，不仅提示内镜医师取石的技术难点，还可辅助优化治疗方法并选择合适的配件，以提高ERCP的成功率^[8]。

2.1.3   减少辐射暴露

辐射暴露是ERCP操作中的累积风险，减少甚至阻断电离辐射是保护人体、优化ERCP操作的重要策略。AI透视系统可训练CNN识别感兴趣区域，随后通过二级准直器将辐射阻断于医师的关注区域，进而最大限度地减少辐射暴露。与传统系统相比，AI透视系统对患者的辐射暴露较低(剂量面积2178 mGym比5708 mGym，P=0.001)，对内镜医师的辐射效应较小(深部个人剂量当量为0.28 mSv比0.69 mSv，差异为59.4%)^[9]。

2.1.4   辅助ERCP教学培训

基于计算机系统可实现ERCP模拟训练，使内镜医师通过早期、频繁且重复的实践提高操作技能并获得反馈，进而缩短学习曲线。早在2010年，Bittner等^[10]基于GI Mentor Ⅱ计算机系统完成ERCP模拟操作，参与者评估模拟器的感知效用，对于中等逼真度图形、类似于临床ERCP操作难度、整体真实感等计算机模拟器特性的总体评价意见相似，且认为模拟器具有明确的培训潜力。后续可考虑使用插管成功率、手术时间等客观评价指标持续评估受训者的临床实践表现，进而验证模拟器的长期有效性。但需注意的是，虽然计算机模拟器可模拟不同难度级别的不同场景模块，但模拟器复杂、价格昂贵以及缺乏真实性和触觉反馈等问题明显限制其实用性及普及性。

2.2   预测ERCP相关并发症

胰腺炎是常见的ERCP术后并发症，发生率约为3%~10%^[11-12]。制定准确稳健的ERCP术后胰腺炎预测模型可更具针对性地选择病例和优化管理，为此Archibugi等^[13]纳入总胆红素水平、体质量指数、年龄、每日饮酒量、既往括约肌切开术和手术时间等数据构建机器学习模型，该模型对ERCP术后胰腺炎的判别能力及准确度显著优于逻辑回归模型。与此类似，利用基线临床参数、实验室检查、影像学结果及ERCP程序等变量建立预测ERCP术后胆囊炎的随机森林模型，经验证模型的灵敏度、特异度及准确率分别为82.2%、85.3%及85.5%，亦优于传统的逻辑回归分析^[14]。此外，镇静性ERCP期间低氧血症是不可忽视的相关并发症，发生率为10%~28%^[15-16]。常规脉搏血氧测量、容积测量和视觉评估等预测低氧血症的方法仍存在争议。因此，Kang等^[17]建立了基于逻辑回归的列线图和基于集成梯度增强算法的AI模型进行ERCP期间低氧血症风险预测。结合8个变量所建立的列线图检验曲线下面积(area under the curve, AUC)为0.693，通过使用正则化选择技术以及集成梯度增强算法增加8个变量，将检验AUC提高至0.734。梯度增强算法通过增强多个弱学习器进行学习，针对样本容量较小的数据集也具有优越性能。因此，梯度增强集成模型可辅助鉴别低氧血症高危人群，未来随着数据集的容量及可用性增加，可建立模型性能更佳的深度学习模型来提高预测能力。

2.3   实现ERCP智能化质量控制

现阶段ERCP诊疗相关的质量指标通常以非结构化文本形式嵌入医疗记录中，但鉴于医学术语专业性、注释内容结构差异以及不同机构间的高度可变性，导致从非结构化电子文本中提取结构化数据成为ERCP质量指标度量的重要阻碍。Coté等^[18]利用自动化测量系统在1376个ERCP程序报告中纳入结构化数据字段，以标准化的方式记录手术指征、解剖结构、先前的干预措施和被社会共识或研究者视为高优先级的质量指标，结果发现系统自动提取ERCP质量指标的准确率高达98%~100%。利用AI技术纳入标准化结构化字段不仅有助于准确提取关键质量指标，以减少人为判断医疗记录的需要，还可对质量指标进行稳健跟踪，即向供应商、卫生系统及患者提供实时反馈。Imler等^[19]使用自然语言处理从23 674个ERCP程序中提取的ERCP质量指标，并将其与社会指南和供应商的标准进行比较，结果显示，自然语言处理系统识别并提取13个ERCP质量指标的准确率达90%~100%，并识别出不符合标准的供应商，这提示AI技术对ERCP的质量改进具有一定潜力。未来可利用AI快速审查医疗记录，通过常规捕获胆管插管率、解剖特征、记录时间及人为操作等信息自动生成ERCP内镜报告，并在多个医疗中心合并ERCP智能系统，由国家中心跟踪质量指标并提供多方反馈，进而评估ERCP的质量现状并实现质量改进。

3.   AI在EUS中的应用

3.1   辅助EUS诊断胰胆疾病

3.1.1   辅助鉴别良恶性胰腺疾病

早在2001年，Norton等^[20]基于数字图像分析鉴别局灶性慢性胰腺炎和胰腺癌的研究为AI在EUS成像中的应用奠定了基础。后续以SVM、神经网络等机器学习模型辅助EUS图像诊断的研究日益增多，这些模型通过纹理分析提取EUS图像特征，对良恶性胰腺疾病的鉴别诊断准确率均在90%以上^[21-25]。在对11项AI辅助EUS研究的系统回顾中也发现，AI模型诊断胰腺癌的总体准确率、灵敏度和特异度分别为80%~97.5%、83%~100%和50%~99%^[26]。基于深度学习进一步优化模型鉴别胰腺疾病的性能，Tonozuka等^[27]利用CNN在EUS静态图像上勾画出感兴趣区域并提取纹理特征，其识别胰腺肿块的灵敏度和特异度分别为90.2%和74.9%。基于ResNet50深度学习架构对3970张EUS图像进行分类，为加快训练速度和防止过拟合，使用批量归一化、随机深度、早期停止、数据增强、随机裁剪和随机擦除等方法，经十倍交叉验证后得到模型预测恶性胰腺导管内乳头状黏液瘤的准确率为94.0%，高于常规EUS诊断(68.0%)和人工诊断(56.0%)^[28]。此外，AI算法的联合应用将进一步提高模型性能。Udriştoiu等^[29]将CNN与RNN两种深度学习技术结合使用，分别在灰度、彩色多普勒、对比增强和弹性成像四种EUS成像方式中检测胰腺局灶性肿块，最终获得总体准确率为98.26%，灵敏度为98.60%及特异度为97.40%的优化模型。这项研究利用了CNN适应固有结构提取病变视觉特征的特点，以及RNN特别是长短期记忆递归神经网络挖掘EUS图像中包含的时间信息及图像间依赖关系的优势，更好地获取二维图像的空间构型信息及序列动态信息，以提高整体结果的准确性，值得在后续研究中进一步推广。

3.1.2   辅助鉴别胆囊息肉样病变

基于深度学习同样可以提高胆囊息肉样病变等胆道疾病的诊断效能。基于ResNet50架构的智能系统对1039张EUS图像(包括836张胆囊息肉病变和203张胆结石)进行训练和验证，针对肿瘤性胆囊息肉的鉴别诊断灵敏度为57.9%、特异度为96.5%、准确率为89.8%^[30]。模型的灵敏度较低可能归因于EUS图像存在散斑、阴影及边界缺失等固有局限性，后续研究通过在预处理或后处理中应用数字信号处理和图像处理技术，如散斑抑制、静止噪声抑制、窗口滤波等，有助于克服标准化标记的高分辨率EUS图像的难以获得性。

3.1.3   辅助评估EUS-FNA标本

鉴于组织学诊断疾病的“金标准”性质，将组织学指标纳入AI模型是提高模型诊断性能的关键部分。研究发现，AI能够在细胞缺乏和污染的情况下以94.1%的准确率分析超声内镜引导下细针穿刺(endoscopic ultrasonoraphy guided fine needle aspiration, EUS-FNA)活检组织样本^[31]。Ishikawa等^[32]在初步研究中，基于深度学习方法对98个EUS- FNA标本的立体显微图像进行组织学诊断，其预测准确率为71.8%，低于专家进行宏观现场评估的准确率(81.6%)。随后使用图像分析软件对染色标本图像标记核心组织，通过对立体显微图像和染色图像的特征进行对比学习，将诊断准确率提高至84.39%，与宏观现场评估相当(准确率为83.24%)。利用AI技术可为EUS-FNA采集样本提供一种客观且可重复的新型评估方法，以提高疾病的组织学诊断准确性。

3.2   辅助EUS站点识别及组织分割

高效实现完整的胰胆道成像的关键原则是快速且准确地识别站点位置，然后将这些位置作为EUS检查的重要标志点，以尽可能保证EUS图像的连续性和完整性。理想情况下，AI系统可作为实时传感定位器和组织监测系统辅助EUS检查。Zhang等^[33]基于深度卷积神经网络(deep convolutional neural networks, DCNN)建立用于EUS训练和质量控制的BP MASTER系统。该系统由4个DCNN组成，训练DCNN1从视频中的白光图像和EUS图像中只提取EUS图像，训练DCNN2过滤不合格的EUS图像，DCNN3则将符合条件的EUS图像分为6个站点，随后DCNN4将胰腺组织在6个站点中进行分割，经内外部验证和视频验证，系统的平均准确率分别为94.2%、82.4%和86.2%，与3名内镜医师相当(分别为84.6%、85.3%和82.6%)。此外，基于CNN的BP MASTER系统同样可以实现胆管站点的准确识别，其在内外部验证和视频验证中的准确率分别为93.3%、83.9%和90.1%，与4名内镜专家相当(分别为90.0%、85.8%、74.2%和84.2%)^[34]。

利用AI技术在EUS图像中进行组织分割有望提供病变的物理特征(如大小、位置、形状)，以协助制定治疗方案。研究发现，语义分割模型U-Net以良好的一致性实现自动分割对比增强EUS视频图像上的胰腺肿瘤，平均交并比(mean intersection over union，mIoU)为0.77^[35]。与此类似，Seo等^[36]使用DAF-Net从EUS图像中分割胰腺癌，其在Dice相似系数、mIoU、AUC、灵敏度、特异度和精密度方面表现出优异的分割性能(分别为82.8%、72.3%、92.7%、89.0%、98.1%和85.1%)。需注意的是，血管侵袭是诊断癌症分期和制定治疗策略的重要因素，未来将血管侵袭这一指标纳入深度学习模型的组织分割过程，将为胰腺癌的精准诊治带来更多希望。

4.   AI在胆道镜中的应用

胆道镜的发展与应用为难治性结石的去除和不确定胆道狭窄的评估带来了希望，其不仅提高了对胆道病变视觉印象的准确性，同时还实现了胆道病变组织的靶向活检^[37]。在一项多中心随机临床试验中，数字单操作者胆道镜引导的组织取样与ERCP引导的活检相比具有更高的灵敏度^[38]，但总体而言，胆道镜诊断不确定狭窄的灵敏度和特异度仍不理想(分别约为70%和89%)^[39]，AI技术的引入可能弥补这些缺陷。

AI应用于胆道镜的研究主要在于对胆道狭窄病变特征的识别，如溃疡、瘢痕、乳头状突起及异常血管等。通过热图分析评估和排序恶性狭窄的胆管镜特征，结果发现乳头状突起是与恶性肿瘤相关的最常见胆管镜特征^[40]。因此，利用CNN模型自动识别3920张胆道镜图像中乳头状突起这一病变特征，得到AI模型的灵敏度和特异度高达99.7%和97.1%^[41]。此外，扩张弯曲的不规则异常血管也是具有高度恶性潜力的病变特征之一。Robles-Medranda等^[42]证明病变的血管模式是评估恶性肿瘤的有效方法(其准确率、灵敏度及特异度分别为80%、94%及63%)。利用CNN自动识别异常血管，得到了总体准确率、灵敏度及特异度分别为99.3%、99.3%及99.4%的预测模型^[43]。但该模型仅分析了静态帧，后续的研究需要使用标准化的实时全长视频来准确评估AI模型的有效性，使得准确且可重复地识别异常血管成为可能，从而优化疑似胆道恶性肿瘤患者的诊断过程。但需注意的是，这些病变特征也可能发生在良性胆道狭窄患者中。因此，增加自动检测病变特征的数量将增加模型意义，如Saraiva等^[44]同时纳入乳头状突起、病变血管、溃疡及不规则肿块等多种恶性病变特征，以94.9%的准确率识别胆道恶性狭窄。综上所述，利用提供实时视觉反馈的AI模型识别与恶性肿瘤相关的视觉特征，将允许构建提供胆道恶性肿瘤预测的自动化算法。

5.   小结与展望

ERCP等胰胆内镜技术操作难度大，术中变数多，AI的应用目前尚处于起步阶段，仍面临以下挑战：(1)大量研究以回顾性方式采集数据，导致选择偏差无法避免，而具有共享受限、分布不集中以及非标准化等问题的胰胆内镜数据较难建立用于模型训练及验证的大规模数据库，数据收集、处理、存储以及分析的标准化协议尚未建立，这些数据集相关问题导致现有AI模型的稳定性并不确定。(2)AI模型的快速发展及不断更新导致模型的泛化性及可重复性很少被前瞻性、大样本的临床研究重新评估。(3)AI系统的“黑箱”性质导致其决策过程解释性不足，由此引起的医疗信息不透明化可能加剧当前日益紧张的医患关系。同时，AI系统进行系统维护、大数据整合、软件更新和硬件维修所需的资金和技术支持也是需考量的重要因素，创建一个与胰胆内镜系统兼容的AI模型任重而道远。

但随着AI技术在医学领域的蓬勃发展，基于AI模型的胰胆内镜系统在实现精准医疗的应用潜能方面表现出独特优势，包括多类型病变识别与精准定位、内镜操作流程优化、内镜质量控制以及促进临床培训等，值得继续深入探索。未来通过医学、法律、计算机科学以及信息工程等研究人员建立强有力的多学科、多领域合作，建立大规模标准化的胰胆内镜数据库，并规范相关法律法规作为重要保障。后续可将经临床验证的AI模型转换为终端用户可以交互的界面，托管在网站和移动应用程序上，并对模型进行标准化报告，增加AI系统的透明性、泛化性和可重复性，以期早日实现AI系统在胰胆内镜中的广泛应用。