食管癌是常見的消化道惡性腫瘤（圖3-20），全世界每年約有30萬人死于食管癌。我國是世界上食管癌高發地區之一，如太行山、秦嶺地區、閩粵交界、湖北、山東、甘肅、江蘇、陜西等地，每年約15萬人死于食管癌，男性多于女性，發病年齡多在40歲以上。食管癌典型的癥狀為進行性咽下困難，先是難咽干的食物，繼而是半流質食物，最后水和唾液也不能咽下。早期（Ⅰ期）食管癌患者手術切除后總的5年生存率為80%～90%，甚至在90%以上，腫瘤局部區域達到晚期（Ⅲ和Ⅳ期）的患者5年生存率則不到15%。通過對食管癌的早期篩查能大大提高患者的治愈率和存活率。

當今，以深度學習為代表的新一代人工智能技術是全球的熱點。在過去的五年里，基于深度學習的語音識別的準確度從95%提升到97%左右，從95%到97%看上去只提高了2%，但實際上是把錯誤率降低了40%，這是巨大的進步。在很多領域，它的認知水平正在超越人類，創造巨大的經濟和社會價值。

分析當前國內外對早期食管癌輔助診斷關鍵技術和平臺的構建，傳統的流程主要是：首先提取區別于正常圖片的異常顏色及紋理信息，然后根據提取到的特征信息，利用經典的分類算法識別診斷出存在異常病變的圖片。紋理提取方法主要包括灰度共生矩陣、局部二值模式（LBP）、Gabor特征等。然而，食管癌圖片因醫院拍攝設備、拍攝醫生個人手法的差別、癌癥病理圖片的不同時期及種類的多樣性，導致單一或者幾種聯合的紋理提取方法，并不一定能很好地表達區分出正常和癌癥圖片。同時，在設計區分性的特征提取方法時，往往要求算法設計者有很強的醫學背景知識，這極大地提高了使用計算機輔助醫學診斷的應用門檻。

隨著深度學習的興起流行以及深度網絡強大的學習擬合能力，在該平臺的構建中，我們利用深度卷積神經網絡，通過級聯多層卷積感知器，充分提取到圖片各種低級、高級的紋理顏色特征。在平臺輔助診斷的過程中，主要分為四步：流視頻及圖片預處理、食管判別模型、病變判別模型、癌癥判別模型。因拍攝手法、醫療設備不同，導致不同醫院的影像圖片大小、光照、色差不盡相同。因此在食管判別模型輸入時，需要對流視頻及圖片進行預處理，主要包括去光照、歸一化色差、歸一化圖片大小等。食管判別模型和病變判別模型，均是二分類問題。類間距離較大，可通過經典的深度卷積網絡來解決。癌癥判別模型則主要用于找到病變區域，使用深度多示例網絡，圖片分割為多個patch（圖像塊），通過求取最大響應的patch概率值來表征病變區域。最大響應的patch概率值越大，那么為病變圖片的風險越高（圖3-21）。

從構建該平臺的科學性方面來說，一方面是通過卷積神經網絡的深度學習，構建自主學習并優化的輔助診斷算法，另一方面是改變了傳統的圖片特征提取和學習方式，采用流視頻和圖片結合的方式實時采集檢查中的動態圖像，以確保能夠最大限度地采集特征信息，最后是通過該平臺構建面向省、市、縣三級醫療機構醫學影像輔助診斷確診模型以促進醫聯體新模式建立和優質醫療資源下沉。

該平臺在建立和訓練時，訓練及對標數據超過20萬張正常食管照片和確認食管癌的照片和特征數據。平臺在安徽醫科大學第一附屬醫院運行近1年，該院消化內科和內鏡中心效率得到了明顯提高，同時對消化內科和內鏡中心臨床科研工作有了極大的促進作用。

此外，該平臺在對圖像數據進行篩查時，所有的數據都是存儲在醫院內部的，且在構建輔助診斷模型時，所有的圖像數據都是經過脫敏處理的。尤其是在省、市、縣三級醫療機構醫學影像輔助診斷確診平臺的應用過程中，各醫療機構的患者隱私數據都必須經過脫敏處理方可進行相互的學習、指導和交流。

消化內科主任醫師陳熙：“該模型和平臺在醫院的應用，能夠提高早期食管癌的檢出率，對于臨床的治療和醫生的自我學習都有很大的幫助，早期食管癌的及時確診，不僅能夠很好的提高患者術后存活率，同時能夠減少患者術后并發癥的可能性，對患者生活質量的提高有很大幫助。同時，面向省、市、縣三級醫療機構醫學影像輔助診斷確診平臺的應用，對于省級醫療質控管理和診斷水平的提高都有極大的幫助，對于優質醫療資源的持續下沉有極大的推動作用。”

中國科學技術大學徐冬教授：“人工智能在臨床的應用是近年開展較為深入的工作，尤其是人工智能在醫學影像中的創新應用，對于提高醫療診治水平和改善患者服務都有重要的意義。人工智能在臨床中的應用，需要醫院管理者、臨床醫護人員、科學工作者和患者共同參與，需要不斷地深入學習和融合，并不斷地拓展其他應用，對于構建健康醫療大數據平臺、提高醫療服務水平都有很好幫助。”