Wision A.I.完成食道鳞状细胞癌预临床,实现高敏感性、高特异性癌前病变自动诊断

作者:王婵 2020-03-16 08:00

{{detail.short_name}} {{detail.main_page}}

{{detail.description}} {{detail.round_name}} {{detail.state_name}}

{{detail.province}}-{{detail.city}}
{{detail.setup_time}}
融资金额:{{detail.latest_event_amount}}{{detail.latest_amount_unit}}
投资方: · {{item.latest_event_tzf_name}}
企业数据由提供支持
查看

2020年1月,消化内镜界的顶级期刊GIE【IF=7.229】刊出了华西医院胡兵教授团队和Wision A.I.关于食管鳞状细胞癌(ESCC)的癌前病变AI检测的预临床验证论文【1】。从该论文披露的信息,我们看到了Wision A.I.自主研发的计算机辅助诊断系统(CAD)在对癌前病变及早期食道鳞状细胞癌(ESCC)辅助诊断时表现出来的高敏感性和高特异性。

 

根据预临床论文数据,CAD通过内窥镜图像和视频数据集验证,在预临床上最终达到了98.04%的敏感性和95.03%的特异性,在未来将有着巨大潜力去辅助内窥镜医师进行ESCC癌前病变诊断。

 

这次预临床不仅是Wision A.I.算法对食道癌前病变识别的性能验证,更是食道癌领域首次完全符合临床诊疗路径的AI验证。

 

此前,对食管癌的CAD研究始终局限在白光内窥镜下对进展期的癌症进行识别或分类。然而进展期的食管癌即便是在普通白光内窥镜下,其视觉特征已是非常明显,医生错诊、漏诊的概率本就非常低,这也导致了该类CAD系统的临床应用价值非常有限。

 

临床上真正有挑战的是如何发现食管癌的早期和癌前病变。根据日本的临床指南,已经证明食管癌癌前诊断只能依靠窄带光放大内镜,但由于特征过于复杂和细微,不熟练的医生漏诊率接近50%【2】,所以Wision A.I.的技术要解决在窄带光内镜下的癌前病变的AI辅助检出。

 

优秀的预临床研究:训练样本、验证样本相互独立,随机化样本人群

 

作为预临床验证,旨在验证技术在每帧图像上的敏感度和特异度,预临床验证的结果优劣以及测试方法的严谨程度,预示了这项技术是否能够在真正的临床应用中取得良好的效果。

 

而在学术界和工业界,一些机构会尝试通过将训练样本和测试样本的互不独立,让测试集仅有训练集的1/10或1/100,并选择特殊人群作为测试样本,以此来人为凑出拟合试验的结果,从而发布AI研究的预临床验证论文,完全忽视了深度学习过拟合的风险。这种行为也从韩国学者做过的一项统计中得到了印证,统计显示,从2018年1月至8月全网发表的516篇医学影像人工智能研究论文中,训练样本与测试样本完全独立的仅有6%【3】

 

从Wision A.I.发布的预临床验证论文中可以看到,研究人员将训练样本和验证样本进行了前瞻性独立。训练样本为包含癌前病变、早期ESCC及良性病变的6473张窄带成像(NBI)图片,由科研合作单位中国成都的华西医院内镜中心(WCH)、印度密鲁特的Jaswant Rai专科医院等数家专业的医疗机构提供。

 

Wision A.I.的验证样本分为了四个数据集,从图像验证、视频验证等多个维度对CAD系统进行了验证,验证数据总共包括了175536张图像和视频帧,约是训练数据集的27倍。从该公司的验证结果可以看到,通过正确的训练数据和训练技巧,CAD系统以及它的功能在计算出食管癌前病变和ESCC的精确位置方面具有巨大潜力。

 

在技术上,Wision A.I.采用了同一AI模型处理了普通窄带光和放大窄带光下的病灶识别。普通和放大的窄带成像技术(NBI)对癌前病变和ESCC的诊断都有重要意义:普通窄带成像技术下的褐色区是癌前病变和ESCC的主要特征,而放大窄带成像技术下的主要特征是乳头状毛细血管袢(IPCLs)。Wision A.I.旨在开发的CAD能够在普通和放大窄带光情况下实现对癌前病变和早期ESCC的实时自动诊断,且无须切换。

 

预临床验证的最终目的是将其落地成为临床应用,然而由于一些预临床研究未能规避深度学习过拟合的风险,最终研究仅能停留在预临床数据上。这样的事情屡见不鲜:

 

2016年,谷歌宣布了他们在糖尿病性视网膜病变(DR)方面的AI诊断预临床研究【4】。预临床论文显示,使用谷歌自主研发的深度学习系统能够自动检测到DR,避免数亿糖尿病患者患上不可逆失明的风险。然而这项技术却无法有效的进入后续的临床试验【5】

 

无独有偶,2017年,斯坦福Nature论文宣布新突破,深度学习皮肤癌诊断达专家水平,该系统能够对患者进行皮肤癌自动诊断【6】。然而数年过去了,万众期待的皮肤癌自动诊断下文却迟迟未能登场,无疾而终。

 

优秀的预临床研究才能为后续临床应用铺好道路。Wision A.I.曾于2018年在顶级学术期刊《Nature》上发表了《对结肠镜检查中息肉检测的深度学习算法的开发和验证》预临床论文【7】,证明了一种机器学习算法可以高敏感性、高特异性地实时检测临床结肠镜检查中的息肉,目前该公司已经完成了该系统的前瞻性随机对照研究。

 

在受访中,Wision A.I.创始人刘敬家也表示,公司战略中的重要一环便是针对产品性能开展严谨的试验,并让这些研究发表于高分期刊上,成为全球公认的优质临床证据。只有坚持严谨的循证医学思路,产品才能够切实提高临床核心指标并被广泛接受。

 

食管鳞状细胞癌(ESCC)癌前诊断的临床价值与Wision的AI实力

 

食管癌是全世界最常见的恶性肿瘤之一。食管鳞状细胞癌(ESCC)作为食管癌的主要亚型,在中国占比食管癌总量的90%以上,其患者整体5年生存率小于20%。因此,癌前病变和ESCC的早期诊断对患者的良好预后至关重要。

 

然而,ESCC的早期影像学特征又很难被识别,当经验不足的内镜医师使用窄带成像技术时,检测ESCC的敏感性仅有53%。一项有关食管癌漏诊的最新研究发现,6.4%的患者在诊断前3年内内镜检查结果呈阴性。由于缺乏训练有素的内镜医师,特别是在农村或不发达地区,使其具备检测癌前病变和ESCC的能力是一项重大挑战。

 

近年来,利用人工智能(AI)系统进行计算机辅助诊断(CAD)取得了显著进展。研究人员已经使用CAD系统来改善各种胃肠道病变的诊断,如结直肠息肉、胃溃疡、幽门螺杆菌感染和胃癌。而在利用CAD对ESCC的早期诊断的应用上也得到了广泛关注。

 

2018年,Horie等人开发了一个基于放大窄带成像技术图像的深度学习模型来研究乳头状毛细血管袢(IPCLs)的自动分类,首次使用人工智能检测食管癌,敏感度为98%,阳性预测值为40%。但是在他的研究中,只对静态图像进行了测试,并未论证普通和放大设置之间的差异,也无法没有使用实时分析,研究结果主要集中在窄带成像技术图像的分类而不是检测。

 

而Wision A.I.的ESCC癌前病变自动诊断CAD能够通过AI技术,复制优秀内镜医生的诊断能力,使得有效早筛食道鳞癌的产能得到有效扩大,能够改善早期食道恶性肿瘤的诊断现状。

 

此前,Wision AI已经形成成熟的人工智能临床辅助诊断产品,主要应用于结直肠癌早筛领域,已进入临床操作,并经过包括哈佛医学院在内的多家国内外顶尖医院和临床学术权威的联合验证,切实提高了消化道早癌筛查的核心临床指标——早癌/癌前病变检出率。

 

墙内开花,墙外香。Wision AI的临床试验数据和结论也得到国际权威机构的高度重视和认可,并被多家国际顶尖临床刊物发表,获得世界消化大会WCOG美国消化大会ACG和欧洲消化周UEG的多个奖项,得到欧美日消化道早癌筛查最高学术权威和监管机构的高度重视,被美国消化协会主席评价为“revolutionary innovation”、被FDA评价为“game changer”、 被《GUT》《GIE》等顶尖学术期刊评选为最佳作者及论文,且受到了包括日本“内镜之神”工藤进英在内的诸位国际内镜界意见领袖一致推崇。值得期待,Wision A.I.将成为全球消化内镜AI领域的标杆企业。

 

参考资料:


【1】Guo, LinJie et al.  Real-time automated diagnosis of precancerous lesions and early esophageal squamous cell carcinoma using a deep learning model (with videos) Gastrointestinal Endoscopy, Volume 91, Issue 1, 41 - 51

 

【2】Ishihara R, Takeuchi Y, Chatani R, et al. Prospective evaluation of narrow-band imaging endoscopy for screening of esophageal squamous mucosal high-grade neoplasia in experienced and less experienced endoscopists. Dis Esophagus 2010;23:480-6.

 

【3】Kim DW, Jang HY, Kim KW, Shin Y, Park SH.   Design Characteristics of Studies Reporting the Performance of Artificial Intelligence Algorithms for Diagnostic Analysis of Medical Images: Results from Recently Published Papers.   Korean J Radiol. 2019 Mar;20(3):405-410.

 

【4】Gulshan, V. et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 316, 2402–2410 (2016).

 

【5】https://www.wsj.com/articles/googles-effort-to-prevent-blindness-hits-roadblock-11548504004

 

【6】Esteva, A. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 542, 115–118 (2017).

 

【7】Wang P, Xiao X, Glissen Brown JR, et al. Development and validation of a deeplearning

algorithm for the detection of polyps during colonoscopy. Nat Biomed Eng 2018;2:741–8.

如果您想对接动脉网所报道的企业,请填写表单,我们的工作人员将尽快为您服务。


注:文中如果涉及企业数据,均由受访者向分析师提供并确认。如果您有资源对接,联系报道项目,可以点击链接填写基本信息,我们将尽快与您联系。

声明:动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。转载请联系tg@vcbeat.net。

分享

微信扫描二维码分享文章

企业
对接
商务
合作
用户
反馈