Development and validation of an artificial intelligence-based virtual indigo carmine chromoendoscopy model: a multicenter study

在人体内部，胃和结肠的内壁是微小褶皱与谷底交织的景观。为了在这一地形中寻找癌症的早期迹象，医生经常依赖一种被称为染色内镜检查（chromoendoscopy）的技术。在这一过程中，一种无害的蓝色染料被喷洒在组织上。染料会沉降在表面的微小凹陷处，从而创造出一幅高对比度的地图，使医生更容易观察到可疑病变的边缘或组织的精细结构。这种视觉增强对于在癌症扩散前进行发现至关重要，然而，这个过程进展缓慢，需要稳定的手感，并且高度依赖于操作医生的技术水平。对于许多医院，尤其是那些资源较少的医院来说，由于先进电子成像系统的成本和复杂性，这种手动喷洒染料的方法成了唯一的选择，尽管它本身存在诸多困难。

来自中国医院的一个研究小组开发了一种无需接触喷雾瓶即可实现这种视觉清晰度的新方法。他们创建了一个人工智能系统，该系统可以获取胃部或结肠的标准白光图像，并能瞬间将其转化为一张看起来就像涂抹了蓝色染料后的照片。这种“虚拟染色”技术旨在让医生获得传统染料法的诊断益处，同时消除对物理操作的需求，从而有望使癌症的早期检测变得更快、更安全且更易普及。

研究人员首先从五家不同的医院收集了大量的医学图像。他们收集了超过9,000张使用了蓝色染料的图像，以及超过8,000张来自同一患者的仅使用白光的匹配图像。这些图像来自近千个病例，为训练他们的计算机模型提供了多样化且稳健的基础。目标是教会人工智能理解染料是如何改变组织外观的——即染料如何在缝隙中积聚并突出病变的边界——以便它能在普通的图像上重现这种效果。

为了构建这个系统，研究团队设计了一个基于一种被称为生成对抗网络（generative adversarial network）的特殊计算机程序。与那些仅仅添加蓝色滤镜的简单程序不同，该模型旨在执行一种复杂的、分步骤的转换。它学习如何改变图像的颜色和对比度来模拟染料的效果，同时严格保留底层的解剖结构。研究人员非常谨慎地确保计算机不会凭空创造出新的结构或扭曲组织的形状，因为此类错误可能会导致危险的误诊。他们将他们的作品与几种现有的计算机方法进行了对比测试，其中包括用于通用照片编辑和其他医学图像处理任务的方法。

结果显示，在几乎所有方面，他们的新模型都表现得更为优越。当生成的图像与真实的染料喷洒图像进行比较时，新模型产生的图片在色彩丰富度和结构细节方面都更加接近真实情况。生成的虚拟图像比其他算法生成的图像看起来更像实物。为了验证这一点，研究人员邀请了11名医生进行评估，这些医生涵盖了从拥有数十年经验的专家到刚入行的初级医生。医生们被要求分辨真实染料图像与计算机生成的图像，并根据图像展示组织对比度、病变边界清晰度以及微细结构可见性的程度来评价图像质量。

医生们发现很难区分这些伪造图像与真实图像，他们仅能以约78%的准确率正确识别出虚拟图像。这表明，计算机生成的图像具有足够的说服力，足以让相当一部分专家产生误判。在实际的癌症检测任务中，虚拟图像的表现非常出色。医生们认为，虚拟图像在组织对比度和病变边界清晰度方面的表现与真实染料图像几乎完全一致。在观察生长物的边缘方面，两者没有显著差异，而这正是决定在哪里进行活检的最关键因素。

然而，研究也揭示了虚拟图像仍然存在的一个短板。当医生观察组织表面的最精细细节（即微结构）时，他们对虚拟图像的评分略低于真实图像。计算机在展示宏观轮廓和大面积问题边缘方面表现出色，但在处理极其微小的纹理时，其锐利程度不及真实的染料。这种差距在资深医生身上尤为明显，因为他们受过专门训练去寻找这些微妙的细节；而经验较少的医生则觉得虚拟图像与真实图像一样清晰。这表明，这项技术可能对经验较少的从业者特别有帮助，能帮助他们在不需要多年专业训练的情况下看清所需的细节。

研究结论指出，该人工智能模型是一个可行的工具，能够生成具有良好稳定性和跨医院适用性的高质量虚拟染料图像。虽然该系统在展示每一个微观细节方面尚不完美，但它成功地复制了检测早期癌症所需的最重要的视觉特征。研究人员指出，这是一个重要的进步，但也强调仍需进行更多测试。未来的工作需要确认，在实际的患者诊疗过程中使用这些虚拟图像，是否能提高检测率并挽救生命。目前，这项研究证明了计算机可以学会以媲美人类手持喷雾瓶的方式，去洞察疾病隐藏的模式。