非常感谢热心肠先生的邀请，让我能够站在这样的一个非常专业的平台上。

我是一名医生，那么今天想要跟大家讲的一个讲题是关于人工智能在我们消化领域中的应用。

在日常生活中，当我们碰到了一个人的时候，看到是这个人的高矮胖瘦，看到是他的五官长相。但是我作为一名医生，当我在看到一个患者朋友的时候，我通常希望看到的是右边这样的一个情景。

我非常希望能看一看我们这个患者朋友的消化道，看一看里面是不是健康，是不是有一些细微的病灶，可以让我帮他进行修复。

所以，看看患者的消化道就一直是我们消化内科医生和消化内镜医生的梦想。可是现在有一个问题：它并不长在我们的体表，那我们医生应该怎么办呢？

在1895年伦琴发现X线的时候，就出现了钡餐这样一个技术——将不透光的钡剂和X线相结合，进行了间接对我们消化道的观察，可以看到有这种巨大的隆起性的病变和凹陷性的病变，比如巨块型的胃癌，比如说深大的溃疡。

可是这样的一个间接的观察虽然已经是一个重大的突破，但是这样并不足以满足我们对于看一看消化道这样的一个需求，于是我们就开发了消化内镜这样的一个技术。

那么从1868年出现的硬质管式内镜，大家可以看到它像一柄剑一样从患者的口腔直接插入到食管和消化道里面，虽然它让人很痛苦，但是至少实现了对于我们消化道内侧面黏膜层的直接的观察。

从1868年的硬质管式内镜，到1932年的半曲式内镜，到可活检内镜，再到光导纤维内镜，特别是在1983年的时候出现的电子内镜以及现在的高清内镜，都让我们消化内科医生、消化内镜医生可以直接的看到我们患者朋友的消化道的管腔面，也就是我们的黏膜层，我们就可以看到它表面的一些微小的病灶。

但是这还不足够，那么对于管腔黏膜层以下管壁的病变以及消化道管腔以外的病变，我们能否看到？

这个时候，在1980年，就出现了一种将超声技术和内镜技术整合在一起的新技术，叫超声内镜技术。它可以在内窥镜的观察过程中整合了超声技术，对消化道管壁黏膜层以下的其它层次的病变进行观察，可以对我们毗邻消化道周围的一些脏器（如淋巴结）进行观察。

那么超声内镜帮助我们实现了从黏膜表层到黏膜深层、黏膜层次以下和管腔以外，由内而外的视野的进一步打开。

这样就够了吗？我们有了内，有了外，我们还需要什么吗？我们还需要放大我们常规的消化内镜，实际上对我们消化道黏膜的观察是放大两倍的。

但是对于一些早期的病变，我们知道一个癌不是一夜之间就能长出来的，它可能会从最开始突变的一到两个细胞，最后长成一个巨块型的肿瘤。那么在这样一个漫长的过程中，实际上我们越早能够发现这样的一个早期的肿瘤性的病变，我们就可以用最微创的方式更好地服务我们的患者。

怎么样我们才能去发现这种早期的病变呢？就需要我们的放大内镜技术可以在白光内镜两倍的放大倍数基础上变成两百倍。

在这个基础之上的另外一个放大技术——共聚焦内镜技术，它可以放大一千倍，在一千倍的情况下，基本上可以实现实时病理，可以看到我们的细胞结构。

既然我们能诊断，就能治疗。在这个基础上能够很好的去诊断这种早期肿瘤性的病变，我们就可以通过一个胃镜，不需要我们再去开腹，不需要我们去做腹腔镜，在内镜下就可以对黏膜层的这些早期的肿瘤性病变进行内镜下的治疗。

我们在身体表面再不会有这样的一些创口，那么我们切下来的标本也会进行非常完整和规范化的处理。

这样的一个从钡餐到消化内镜，到超声内镜、窄带放大内镜、共聚焦内镜以及内镜下治疗接近100多年的发展，我们实现了从间接到直接、从腔内到腔外、从宏观到微观、从诊断到治疗一系列的变化。

我站在今天的这个讲台上，很自豪地去回顾这过去100多年的时间，我们的消化内科的医生和我们的工程师们针对所谓“我们看一看消化道”这一个梦想所做出来的这一些成就。

我就在问自己，我们现在是不是在一个完美的世界了，我们是不是还能在哪一些方面再做一些改进来更好的去服务我们的患者朋友呢？

那我们再来看一看我们的消化道这样的一个管腔，看一看食管长度0.4米，胃长度约0.3米，中间那一部分十二指肠、空肠和回肠构成的小肠的长度大概在4到6米左右，结直肠1.5到2米。

对于食管和胃，我们可以经由我们的口腔来进行上消化道内镜的检查，可以进行非常清晰的白光内镜、超声内镜、放大内镜以及共聚焦内镜的观察。

那么针对结直肠，我们可以经肛来进行下消化道内镜的观察，可以很清晰的看到我们的黏膜面、黏膜层以下的病变以及我们肠道毗邻脏器的一些改变。

但是大家看一看中间还有一部分很长且4到6米的小肠，它有一个特点，它两边不靠——既不靠口侧，也不靠肛侧，但是它又很长。

但是如果用我们常规的这种插入式的内镜，第一个就像我们刚才讲到的，因为它两边不靠，所以就会导致对于它的观察时间会非常的长；而且会是这种侵入式的检查，患者相对比较痛苦，患者的麻醉时间相对也会比较长。

那么这样的一个情况下，有没有什么更好的方法能够帮助我们更快、更好，让我们患者更加没有痛苦的进行小肠相关的一些检查呢？这就是胶囊内镜。

那么胶囊内镜很好地帮我们实现了从有限到无限的这样的一个突破，不再需要插入，患者直接吞下去一个小小的一个厘米长的胶囊，它就可以实时的、定时的进行一些图片的拍摄，甚至在我们的胃里面还可以进行磁控胶囊的检测，可以遥控我们的胶囊内镜所要去到的方向。

对于我们肠道的小肠胶囊内镜，我想简单的跟大家介绍一下它的特点。

第一个，它主要采取的是一个自动拍摄的方式，我们会首先把它激发起来，激发起来以后，它就按照每秒0到2帧左右的频率来进行自动的拍摄，平均每秒钟拍0.8帧图像。

第二个，对于小肠胶囊内镜来说，从食管到胃、到小肠，再到结直肠，它是一个被动传输的过程。就是说我们的患者朋友吃下去这样的一个胶囊之后呢，他可以去干自己的事情，可以去活动。

然后胶囊内镜将以每秒0.8帧这样的一个频率自动地拍摄下来并传输到我们的一个终端，这样一个被动传输的过程通常要大于8个小时。那么我们来算一下，我们每一个使用小肠胶囊的患者朋友都会被自动的去拍摄2万到5万张的图片。

大家可以想一下，对于每一例小肠胶囊的这样的一个阅读，我们的医生要读2万到5万张，那么我们按照他每秒钟读4到10张这样的一个速度，他也需要在不眨眼睛、不被打岔的情况下要读90分钟，这还是非常有经验的、高年资的、对小肠疾病诊断具有非常丰富经验的临床医生，他一天大概就只能读4到5个患者。

那么一方面呢，我们医生的工作强度非常的大；换一个角度来说，对于我们医生，因为他花的时间非常的长，那么有可能他能够服务的患者的数量也就会下降。

有没有一个技术可以帮助我们更好、更快的去把2万到5万张图片中间真正出现病灶的一些图片挑出来，让我们医生能够更加专注的去把这样的一部分高危患者给筛选出来。

我们在临床上出现问题的地方，相反也是我们发展的地方，是我们应该勇敢挺身而出站在那里的地方，因为在这个地方的工作是有可能取得突破性进展的。

所以我们就做了这样的一个研究，我们一共入组了1950例的患者，一共是15万张的图片。对于小肠疾病我们把它分成了十个亚类的疾病，包括溃疡、糜烂、出血、肿瘤性的病变、隆起性的病变和血管畸形等，每一个亚类的疾病有超过1000张的内镜的学习过程。

我们整个建立了一个CNN网络（卷积神经网络）即人工智能学习的一个训练集，在这样的一个训练集中间，我们尝试对小肠疾病中常见的这十大类疾病进行一个异常图片的识别，我们现在在最初步的研究中，并不要求它能够明确地告诉我这张图片是什么疾病。

但是我需要完成的一件事情，就是我们的人工智能网络可以在这2万到5万张图片中间，去把真正可能有异常的这种图片挑出来。那么我们的目标非常明确，就是尽可能多的去挑出这种异常的图片，而不漏诊。

因此在这样的一个人工智能网络学习的过程中，我要保证它的高敏感性。保证高敏感性，我们就必然要牺牲掉一部分特异性，所以在这样的研究过程中，我们设置了一个3%的误识率。

是什么意思呢？就是说我们从2万到5万张图片中间最后挑出来假如是500张图片，那么这500张异常图片中间有3%，大概15张左右的图片会是正常的图片，就是我们允许人工智能网络把正常图片当作异常图片挑出来，但是很少，只有15张。

但是在这样的一个情况下，我们尽可能多的保证了它的敏感性，就是把尽可能多的异常图片都挑出来。那么这样的一个500张图片挑出来之后，就会成为我们内镜医生重点关注的对象，可以帮助我们很好地进行病理诊断的辅助。

当然我们把CNN的网络系统最后应用到了5000例的患者，也是接近一亿张图片，进行了一个回顾性的验证。

我们的文章和研究结果发表在消化领域第一的杂志——Gastroenterology（胃肠病学）。

可以看到，我们一共入组了1亿1千万张的小肠胶囊内镜的图片，然后一共是77家中心6970例的患者。我们从2016年一直到2018年一共三年的时间完成了这样的一个研究的项目。

最终的结果可以看到，首先我们提高了图片的筛选效率，我们从每一例患者平均22000张的图片中，筛选效率是筛选出578张的图片，阅片时间从常规的人工阅片96分钟下降到了5.6分钟，敏感性从76%上升到了99%。这个呢，就是我们这样的一个人工智能在小肠疾病诊断中的辅助应用。

我相信，对于一个疾病的诊断，仍然最后还是要靠医生做权威的诊断。但是我们这样的一些

人工智能的辅助方法可以更好地帮助到我们的医生，帮助医生更快、更好、更准确以及更高水平的去发现病灶，服务我们的患者。

这个杂志的Editor（编辑）对它的一个评价，认为它也是一个小肠疾病诊断的新纪元。

当然我觉得小肠胶囊内镜还有很多未来可期的发展方向。但是在这样的一个人工智能和小肠胶囊内镜结合的过程中，我们还是来看一看人工智能的发展历程。

人工智能实际上是从1956年诞生，在2016年的深度学习网络进一步的出现和深化了之后，进一步的去推广了人工智能在医学领域的应用。

在2016年，谷歌第一次将人工智能应用在医疗行业。

在此后，包括病理，包括磁共振、CT，还有各种各样的领域里面，人工智能在医疗领域的发展都在突飞猛进的进行。

那么不仅仅是我们学术界的发展在进行人工智能，在我们国家的政策方面也在进一步的去推动我们医疗行业的发展。

从2016年开始，各种各样的行业政策、行业的规范化在不断的推动我们这样的一个智能化医疗的发展。

人工智能在医学领域中的应用，主要包括对于医学影像、辅助诊断、药物研发、健康管理和疾病预测等方面。辅助诊断主要包括电子病例，还有导诊机器人，还有一些虚拟的助理。

大家不要觉得这是一个很远的事情，我觉得在我们的有生之年，5到10年以内，我们都可以看到这样一些导诊机器人和虚拟助理的出现。

除了这样的一些人工智能辅助应用，对于我们的医学影像来说，也是人工智能在医学领域中应用相对成熟的这样的一个亚专业，包括X线、CT、B超、磁共振以及我们今天抛砖引玉所讲到的内镜影像。

内镜影像除了我刚才跟大家用我们自己的一个研究的例子讲到的，对于小肠疾病的诊断应用以外，对于结直肠疾病、食管疾病、胃的疾病，还有肝胆胰系统的疾病，对于早期肿瘤性的病变、消化性的出血，还有其它的各种各样消化科的疾病，实际上都有层出不穷的研究在进行。

除了按照部位来分呢，我自己体会的人工智能在消化领域中的应用包括以下几个方面：

第一个，可以完善消化内镜的质量控制。我们是不是把所有的部位都观察到了？是不是在我们所有拍摄的图片中我们都发现了这种微小型的病灶？人工智能可以成为我们很好的一个小帮手，不停地去提醒我们，去做到更加的全面、也更加的精细。

另外一个，就像刚刚跟大家讲到的，可以在我们所拍摄的图片中进行消化内镜所拍摄图片的辅助各种疾病的诊断。

除了内镜图片以外，还有消化系统的其它一些影像学，包括CT、磁共振，还有病理图片的辅助的疾病诊断。

除了在诊断上人工智能是有发展的空间以外，对于我们的内镜治疗，对于手术前的评估，实际上我们这样的一个基于大数据的人工智能也是有很大的一个帮助。

比如说，我们在胰胆管开口，我们可以通过术前的这样的一个消化影像学，比如说磁共振，对它的影像学进行一个观察，然后结合大数据，结合它的影像学的走向，最终来推断出乳头开口的方向。这样的话，可以更好的去提高我们手术的治疗效果，缩短手术时间，减少对于患者的损伤。

那么除了以上四个方面以外，消化内镜的人工智能可以很好地帮助我们医生进行成长，更好的去进行消化内镜的培训。

当然对于人工智能在消化领域中间的应用，其实不止我们一家单位在做，也有很多的老师和很多的同道也在这样一个领域进行不断地研发，还有很多我们没有列在上面的一些团队的名称。

我做了大概4到5年时间的人工智能，这张图我非常的熟悉。因为呢，它是一个神经网络，我每回看到这张图的时候，就会想到我最好的朋友所最喜欢的一张图，因为这是她的头像。

这是一个浩瀚的星空，大家看一下，实际上跟我们刚才的神经网络非常的相像。而当我们在做人工智能的时候，实际上就在仰望星空，我们的星空是浩渺的，历史也是浩渺的，我们这样一群人是非常有幸的。

我们在科技高速发展的今天，在肠道生物学高度发展这样的一个今天，确实有很多很多的可能性。

所以我说，“Yes，this is the perfect world。”我们说这个世界非常的完美，不是因为它已经到了最好，而是因为它有无限的可能性。在科技高速发展的过程中，我想我们可以为这个世界、为这个历史以及为我们的患者朋友们做到的更多。

最后我想感谢我的单位——华中科技大学同济医学院附属协和医院消化内科。

也感谢我自己的团队！

我觉得我们大家一起努力，一定能创造更好的明天。谢谢大家！