Science子刊：温医大/武大合作开发AI模型，全面提高食管癌及癌前病变的临床检测

温州医科大学附属台州医院毛鑫礼、叶丽萍及武汉大学人民医院于红刚等人在 Science 子刊 Science Translational Medicine 上发表了题为：Deep learning assists detection of esophageal cancer and precursor lesions in a prospective, randomized controlled study 的研究论文。

该研究构建并测试了一个基于深度卷积神经网络的人工智能检测系统，用以辅助临床医师识别早期、高危食管病变（HrEL），并在接受内镜检查的患者中进行了一项随机临床试验，结果显示，与无辅助的对照组相比，人工智能系统辅助使高危食管病变的检出率增加了一倍。这项临床试验证明了深度学习模型在改善早期食管癌检测方面的前景。

深度学习（Deep Learning）在微小视觉特征提取和图像分类方面具有重要的应用价值，并以其高效、准确的特点成功地应用于内窥镜检测中。之前的研究显示，深度学习模型能够显著降低微肿瘤的漏诊率，提高结肠镜检查中的腺瘤检出率，还能够提高早期食管癌的诊断灵敏度、特异性和准确率。

然而，上述研究中深度学习模型的训练和验证都是基于静态图像。为了克服这个问题，另一项研究记录了147个疑似浅表食管鳞状细胞癌（ESCC）的窄带成像内镜（NBI）视频作为验证数据集，结果显示，该系统对ESCC分类的准确性、敏感性和特异性均高于专业内镜医师。

但在临床实践中，目前鲜有证据支持基于深度学习的实时辅助技术在临床内镜筛查中提高食管癌病变检出能力。

在这项研究中，研究团队构建并测试了一个基于深度卷积神经网络的检测系统，用于协助内镜医师实时检测高危食管病变（HrEL），包括食管癌和癌前病变。该系统在一项大规模前瞻性随机对照试验中进行了测试（临床试验编号ChiCTR2100044126），在临床实践中验证了其在提高HrEL检出率方面的有效性。

在2021年4月至2022年3月，研究团队从浙江省台州医院连续招募≥50岁患者3117例，采用区组随机化方法以1∶1的比例将患者随机分为试验组（辅助内镜检查）和对照组（无辅助内镜检查），主要终点为HrEL检出率。在意向治疗人群中，试验组的HrEL检出率为1.8%（28/1556）显著高于对照组的0.9%（14/1561），试验组的检出率是对照组的两倍。在试验组与对照组之间，也观察到了相似的结果，检出率分别额为1.9%（28/1524）和0.9%（13/1534）。该系统检测HrEL的灵敏度、特异度和准确度分别为89.7、98.5和98.2%。

总的来说，该研究提出的基于深度卷积神经网络的检测系统，提高了HrEL在内镜检查中的检出率，并且是安全的，未发生不良事件。深度学习辅助技术可能会增强食管癌的早期诊断和治疗，并可能成为食管癌筛查的有用工具。