食管癌是常见的消化道恶性肿瘤（图3-20），全世界每年约有30万人死于食管癌。我国是世界上食管癌高发地区之一，如太行山、秦岭地区、闽粤交界、湖北、山东、甘肃、江苏、陕西等地，每年约15万人死于食管癌，男性多于女性，发病年龄多在40岁以上。食管癌典型的症状为进行性咽下困难，先是难咽干的食物，继而是半流质食物，最后水和唾液也不能咽下。早期（Ⅰ期）食管癌患者手术切除后总的5年生存率为80%～90%，甚至在90%以上，肿瘤局部区域达到晚期（Ⅲ和Ⅳ期）的患者5年生存率则不到15%。通过对食管癌的早期筛查能大大提高患者的治愈率和存活率。

当今，以深度学习为代表的新一代人工智能技术是全球的热点。在过去的五年里，基于深度学习的语音识别的准确度从95%提升到97%左右，从95%到97%看上去只提高了2%，但实际上是把错误率降低了40%，这是巨大的进步。在很多领域，它的认知水平正在超越人类，创造巨大的经济和社会价值。

分析当前国内外对早期食管癌辅助诊断关键技术和平台的构建，传统的流程主要是：首先提取区别于正常图片的异常颜色及纹理信息，然后根据提取到的特征信息，利用经典的分类算法识别诊断出存在异常病变的图片。纹理提取方法主要包括灰度共生矩阵、局部二值模式（LBP）、Gabor特征等。然而，食管癌图片因医院拍摄设备、拍摄医生个人手法的差别、癌症病理图片的不同时期及种类的多样性，导致单一或者几种联合的纹理提取方法，并不一定能很好地表达区分出正常和癌症图片。同时，在设计区分性的特征提取方法时，往往要求算法设计者有很强的医学背景知识，这极大地提高了使用计算机辅助医学诊断的应用门槛。

随着深度学习的兴起流行以及深度网络强大的学习拟合能力，在该平台的构建中，我们利用深度卷积神经网络，通过级联多层卷积感知器，充分提取到图片各种低级、高级的纹理颜色特征。在平台辅助诊断的过程中，主要分为四步：流视频及图片预处理、食管判别模型、病变判别模型、癌症判别模型。因拍摄手法、医疗设备不同，导致不同医院的影像图片大小、光照、色差不尽相同。因此在食管判别模型输入时，需要对流视频及图片进行预处理，主要包括去光照、归一化色差、归一化图片大小等。食管判别模型和病变判别模型，均是二分类问题。类间距离较大，可通过经典的深度卷积网络来解决。癌症判别模型则主要用于找到病变区域，使用深度多示例网络，图片分割为多个patch（图像块），通过求取最大响应的patch概率值来表征病变区域。最大响应的patch概率值越大，那么为病变图片的风险越高（图3-21）。

从构建该平台的科学性方面来说，一方面是通过卷积神经网络的深度学习，构建自主学习并优化的辅助诊断算法，另一方面是改变了传统的图片特征提取和学习方式，采用流视频和图片结合的方式实时采集检查中的动态图像，以确保能够最大限度地采集特征信息，最后是通过该平台构建面向省、市、县三级医疗机构医学影像辅助诊断确诊模型以促进医联体新模式建立和优质医疗资源下沉。

该平台在建立和训练时，训练及对标数据超过20万张正常食管照片和确认食管癌的照片和特征数据。平台在安徽医科大学第一附属医院运行近1年，该院消化内科和内镜中心效率得到了明显提高，同时对消化内科和内镜中心临床科研工作有了极大的促进作用。

此外，该平台在对图像数据进行筛查时，所有的数据都是存储在医院内部的，且在构建辅助诊断模型时，所有的图像数据都是经过脱敏处理的。尤其是在省、市、县三级医疗机构医学影像辅助诊断确诊平台的应用过程中，各医疗机构的患者隐私数据都必须经过脱敏处理方可进行相互的学习、指导和交流。

消化内科主任医师陈熙：“该模型和平台在医院的应用，能够提高早期食管癌的检出率，对于临床的治疗和医生的自我学习都有很大的帮助，早期食管癌的及时确诊，不仅能够很好的提高患者术后存活率，同时能够减少患者术后并发症的可能性，对患者生活质量的提高有很大帮助。同时，面向省、市、县三级医疗机构医学影像辅助诊断确诊平台的应用，对于省级医疗质控管理和诊断水平的提高都有极大的帮助，对于优质医疗资源的持续下沉有极大的推动作用。”

中国科学技术大学徐冬教授：“人工智能在临床的应用是近年开展较为深入的工作，尤其是人工智能在医学影像中的创新应用，对于提高医疗诊治水平和改善患者服务都有重要的意义。人工智能在临床中的应用，需要医院管理者、临床医护人员、科学工作者和患者共同参与，需要不断地深入学习和融合，并不断地拓展其他应用，对于构建健康医疗大数据平台、提高医疗服务水平都有很好帮助。”