食管腺癌（Oesophagealadenocarcinoma）可能与Barrett食管有关。Barrett食管是食管开口处附近细胞由于受胃酸反复侵蚀而发生的改变。
食管癌的症状：吞咽困难（最常见症状）、吞咽疼痛、胸闷或烧心、原因不明的体重减轻、声嘶，呃逆，肺炎和高钙血症。如果有一些食管癌的危险因素，特别是Barrett食管，就需要一些监测手段比如内镜活检，早期诊断常常能获得根治。
食管癌的早期诊断手段有上消化道钡剂造影检查和消化内镜，在内镜检查中，医生可能会取小量组织标本做活检以确诊。如果确诊了食管癌，需要了解肿瘤侵犯食管的深度，是否累及邻近脏器，是否有淋巴结转移——这叫分期检查。
基于深度学习的计算机辅助诊断在食管癌的早期评估中有何应用了？最近发表在消化领域重要杂志《Gut》上的研究为我们展示了相关进展。
研究简介
研究标题：Computer-aideddiagnosisusingdeeplearningintheevaluationofearlyoesophagealadenocarcinoma
发表杂志:Gut（IF：17.）
在线日期：-12-03
研究者：EbigboA,MendelR,ProbstA,ManzenederJ,SouzaLAJr,PapaJP,PalmC,MessmannH.
主要研究单位:德国奥格斯堡奥格斯堡临床中心等。
研究总结：基于深度神经网络的计算机辅助诊断（CAD-DL）可以高精度地对Barrett食管中的病变进行分类。
1研究目的
Barrett食管（BE）和早期食管腺癌（EAC）的发病率在逐年攀升，并且由于其与代谢综合征密切相关，预计这种趋势将持续。而BE和EAC的早期诊断对于预后尤为重要，因此本研究主要探讨了基于深度学习的计算机辅助诊断在早期食管癌评估中的初步应用情况。
2研究方法
（1）数据来源、标注、图像分割：Barrett食管分析中的CAD报告主要使用基于手工制作的纹理和颜色特征。在该研究中，研究者基于来自德国两大数据集Augsburg数据集和MedicalImageComputingandComputer-AssistedIntervention（MICCAI）数据集的静态图像，在深度卷积神经网络（CNN）的基础上训练和测试具有ResNet架构的CAD系统。图像包括例早期EAC的张高清（×像素）白光图和33张窄带图像以及Augsburg数据集中41个非肿瘤性Barrett粘膜区域，而MICCAI数据集包含个高清（×像素）白光图，17例早期EAC和22个非肿瘤性Barrett粘膜区域。所有图像都经过病理学验证，这是分类任务的基本标注，分割任务的参考标准是专家手动描绘的肿瘤边缘。
（2）系统训练、测试：ResNet系统由层组成，训练使用“‘leave-one-patient-outcross-validation’”原则完全独立完成后续测试。对于训练，从内窥镜彩色图像生成小补丁并增强以模拟相同类别的类似实例（图1），然后在分类任务期间估计测试图像的每个补丁的类概率，之后进行类决定，完整图像是从补丁类概率编译的。
图1深度学习系统流程图。在贴片提取和增强后，对三个类别（EAC：橙色;背景：蓝色;和Barrett：绿色）进行Augsburg数据（顶行）的训练。与训练补片提取（顶行）相比，测试图像的补片采样等距（底行）完成。EAC类的概率存储在图像结果中，用于补丁采样偏移的大小。EAC，早期食管腺癌。
3研究结果
（1）Augsburg数据集：CAD-DL系统诊断EAC的灵敏度为97％，白光图像的特异性为88％，窄带图像的灵敏度和特异性分别为94％和80％。显示相同白光图像的13位内镜医师对Augsburg数据的平均敏感性和特异性分别为76％和80％。McNemar测试显示，对于Augsburg数据中的11位内镜医师中的11位，CAD-DL系统在敏感性或特异性方面或两者都具有统计学上显着的优异性能。
（2）MICCAI数据集：CAD-DL系统诊断EAC的灵敏度和特异性分别为92％和％。显示相同白光图像的13位内镜医师对MICCAI数据集的灵敏度和特异性分别为99％和78％。
（3）图像分割重叠度量：CAD-DL分割与专家分割之间的重叠度量（DicecoefficientD）计算为CAD-DL正确分类为癌变的图像（图2）。对于Augsburg数据计算平均值D=0.72，白光和窄带图像的D系数一样。在MICCAI数据中，D平均为0.56。
图2Augsburg图像（A，B）和MICCAI图像（C，D）上的自动肿瘤分割由覆盖在原始图像上的绿色轮廓和基于补片的伪结合概率图显示。为了比较，专家的手动分段以红色绘制。请注意，CAD-DL分段仅限于橙色虚线所示的区域。
4研究讨论
该研究中研究者探讨了利用CNN对Barrett食管的研究，并展示了使用深度学习方法对早期EAC的计算机辅助诊断的优异性能分数（敏感性和特异性）。除了分类任务之外，基于深度学习系统提供的对肿瘤区域的自动分割在未来有很大的应用前景。
不过该研究的结果是初步的，实验设置涉及最佳内窥镜图像的评估。此外，视频序列不是评估的一部分，图像仅限于扁平或凸出的EAC，而晚期/低级异型增生不包括在此分析中。出于这个原因，未来的工作应该集中在CAD系统的进一步发展，以便能在临床工作中能真正协助内镜医师做出诊断，同时包括低分化/高级别发育不良。
该研究的另一限制涉及用于分类任务的组织学参考标准，研究者假设癌症在病变中均匀分布。然而，实际临床中并非如此。通常，癌症、发育不良和正常Barrett粘膜的多灶性斑块散布在病变表面。然而，由于图像根据贴片指定的概率被分类为癌症，因此研究者认为上述组织学模式对CAD-DL系统的性能不具有决定性影响。
最后，用于分割任务的参考标准基于专家提供的宏观描述而不是组织学边缘。在Augsburg数据集中，这些描述始终由第二位专家控制，而在MICCAI数据集中，五位专家的交叉区域被视为基本事实。出于这个原因，研究者假设用于分段任务的参考标准仍然具有高水平的有效性。然而，即使CAD-DL系统对肿瘤分割的结果进行了批判性的观察，它仍然存在作为更好地可视化肿瘤边缘的工具，可能需要进一步改进和增强。
总之该研究初步表明基于深度神经网络的CAD-DL可以被训练以高精度地对Barrett食管中的病变进行分类。此外，可以自动地粗略分割肿瘤区域。然而，CAD-DL对不太理想的真实图像以及视频序列的诊断能力需要在其在临床环境中实施之前进行评估。至少，这项试点研究可能表明，深度学习的CAD有可能成为协助解决内镜医师在Barrett食管肿瘤检测和表征研究中所面临的主要挑战。
参考文献：
[1]EbigboA,MendelR,ProbstA,etal.Computer-aideddiagnosisusingdeeplearningintheevaluationofearlyoesophagealadenocarcinoma[J].Gut,.
[2]MendelR,EbigboA,ProbstA,etal.Barrett’sEsophagusAnalysisUsingConvolutionalNeuralNetworks[C],:80-85.
备注：文中数据图也均来自该篇文章中。
完
既往精彩文章回顾
女性