上消化道內(nèi)鏡人工智能系統(tǒng)臨床應(yīng)用專家共識(shí)（2023武漢）

上消化道內(nèi)鏡人工智能系統(tǒng)臨床應(yīng)用專家共識(shí)(2023,武漢)【提要】食管胃十二指腸內(nèi)鏡(esophagogastr相關(guān)共識(shí)。2023年中華醫(yī)學(xué)會(huì)消化內(nèi)鏡學(xué)分會(huì)組織全國(guó)領(lǐng)域內(nèi)權(quán)威專家討論，胃異常病灶識(shí)別等方面的13條推薦意見(jiàn)陳述，以及EGD人工智能系統(tǒng)臨床應(yīng)用食管癌和胃癌是嚴(yán)重危害我國(guó)患者生命健康的重大疾病[1],早診早治是改善其預(yù)后及生活質(zhì)量的主要策略[2-3]。此外，消化道癌前病變?nèi)缥s性胃食管胃十二指腸內(nèi)鏡(esophagogastroduodenoscope,EGD)是診斷上消化診率居高不下、非腫瘤性病變?cè)\斷一致性差等問(wèn)題。程樹(shù)紅等[4]分析93例早期胃癌數(shù)據(jù)，發(fā)現(xiàn)早期胃癌漏診率高達(dá)37.63%;趙書陽(yáng)等[5]分析297例反復(fù)而常規(guī)EGD檢查漏診了其中的98例，漏診率近50%,即使在應(yīng)用放大染色內(nèi)鏡后漏診率仍有6%。另有一項(xiàng)研究收集370例病理證實(shí)胃癌前病變患者，發(fā)現(xiàn)上述患者EGD下漏診或可疑漏診率達(dá)31.67%[6]。據(jù)調(diào)查，我國(guó)2012年有超過(guò)6000家醫(yī)療機(jī)構(gòu)開(kāi)展消化內(nèi)鏡診療，全年開(kāi)展消化內(nèi)鏡診療接近3000萬(wàn)例，而消化內(nèi)鏡醫(yī)師不足3萬(wàn)人，占全部注冊(cè)執(zhí)業(yè)醫(yī)師的1%,每100萬(wàn)人口擁有消化內(nèi)鏡醫(yī)師不足20人[7]。隨著技術(shù)的快速推廣和人民群眾健康需求的提升，盡人工智能(artificialintelligence,AI)技術(shù)是指模擬人類智慧的技術(shù)領(lǐng)域廣泛應(yīng)用[8]。深度學(xué)習(xí)技術(shù)是AI的分支，在圖像識(shí)別任務(wù)中具有較強(qiáng)能驗(yàn)，收效顯著,引發(fā)國(guó)內(nèi)外專家學(xué)者對(duì)AI進(jìn)入真實(shí)醫(yī)療環(huán)境的討論和思考，并提出眾多積極的建議和展望。AI設(shè)備引入臨床已是大勢(shì)所趨。本共識(shí)旨在綜合本共識(shí)基于PICO(participants,interventions,comparisons,outcomes)原則提出陳述意見(jiàn)[9],參考GRADE(gradingofrecommendations,assessment,development,andevaluation)系統(tǒng)對(duì)證據(jù)質(zhì)量(表1)和推薦強(qiáng)度(表2)進(jìn)行分級(jí)[10]。采用改良Delphi方法由專家投票表決達(dá)成共識(shí)： (1)完全同意；(2)同意，有較小保留意見(jiàn)；(3)同意，有較大保留意見(jiàn)； (4)不同意。投票表決意見(jiàn)中(1)+(2)比例>80%屬于達(dá)成共識(shí)，共識(shí)水平以表決意見(jiàn)中的(1)+(2)比例表示。最終，本共識(shí)最終達(dá)成80%以上共識(shí)水平的推薦意見(jiàn)共13項(xiàng)(表3)。A非常確信估計(jì)的效應(yīng)值接近真實(shí)效應(yīng)值，進(jìn)一步研究也中等質(zhì)量B對(duì)估計(jì)的效應(yīng)值確信度中等，其有可能接近真實(shí)效應(yīng)值，進(jìn)一步研究有可能C對(duì)估計(jì)的效應(yīng)值確信度有限，其與真實(shí)效應(yīng)值可能大不相同，進(jìn)一步研究極有可能D對(duì)估計(jì)的效應(yīng)值幾乎沒(méi)有信心，其與真實(shí)效應(yīng)值很可能完全不同，對(duì)其的任何估表2推薦強(qiáng)度分級(jí)明確顯示干預(yù)措施利大于弊或者弊大于利，在大多數(shù)情況下適用于大多數(shù)患者利弊不確定，或無(wú)論質(zhì)量高低證據(jù)均顯示利弊適當(dāng)，適用于很多患者，但根據(jù)患者價(jià)值觀與證據(jù)推薦陳述1:對(duì)于需要接受EGD檢查的患者，推薦將Al輔助EA強(qiáng)陳述2:對(duì)于需要接受EGD檢查的患者，推薦將AIA強(qiáng)C強(qiáng)C強(qiáng)陳述5:對(duì)懷疑早期食管鱗狀細(xì)胞癌或早期食管腺癌的患者，C強(qiáng)陳述6:對(duì)于未獲得病理浸潤(rùn)深度的早期食管癌患者，建議在AI輔助下預(yù)測(cè)是否發(fā)生黏膜下200μm以上的浸潤(rùn)C(jī)強(qiáng)陳述7:對(duì)于肝硬化患者，推薦臨床使用Al輔助內(nèi)鏡下食管胃靜脈曲張識(shí)別C強(qiáng)陳述8:對(duì)于確診食管胃靜脈曲張的患者，推薦使用AI輔助內(nèi)C強(qiáng)C強(qiáng)C強(qiáng)B強(qiáng)陳述12:對(duì)于懷疑早期胃癌并需要接受內(nèi)鏡黏膜下剝離術(shù)或行組織學(xué)活檢的患者，建C強(qiáng)陳述13:可解釋性AI模型性能和醫(yī)師接受度優(yōu)于傳統(tǒng)AI模型，推薦優(yōu)C強(qiáng)一、EGDAl輔助系統(tǒng)功能拔管，對(duì)食管、胃和十二指腸的觀察時(shí)間[11-12]。為了保證EGD的檢查質(zhì)量，近年來(lái)，基于深度學(xué)習(xí)的AI技術(shù)不斷發(fā)展，并在醫(yī)學(xué)圖像識(shí)別領(lǐng)域取得重大進(jìn)展，其圖像處理與識(shí)別的高效性有助于AI技術(shù)在胃腸內(nèi)鏡質(zhì)量控制中的應(yīng)用，可實(shí)現(xiàn)低成本、高效率的EGD檢查時(shí)間監(jiān)測(cè)。Yu等[14]和Wu等[15]均通過(guò)構(gòu)建深度學(xué)習(xí)模型實(shí)現(xiàn)了EGD檢查過(guò)程中準(zhǔn)確實(shí)時(shí)地識(shí)別解剖位置并記錄EGD檢查時(shí)間。Wu等[15]構(gòu)建的深度學(xué)習(xí)模型在107個(gè)真實(shí)EGD視頻中正確預(yù)(二)AI輔助盲區(qū)監(jiān)測(cè)陳述2:對(duì)于需要接受EGD檢查的患者，推薦將AI輔助盲區(qū)監(jiān)測(cè)作為質(zhì)量降低腫瘤漏診率[13,16-17]。受限于內(nèi)鏡醫(yī)師操作水平和對(duì)解剖部位的認(rèn)知析，目前AI在EGD檢查中部位識(shí)別、減少檢查盲區(qū)有了較大進(jìn)展[18-20]。2018年Takiyama等[18]構(gòu)建基于深度卷積神經(jīng)網(wǎng)絡(luò)的部位識(shí)別系統(tǒng)，共納入27335張EGD白光圖片，將上消化道分為喉、食管、胃和十二指腸，其中胃又分為上部、中部和下部，然后用17081張圖片驗(yàn)證系統(tǒng)自動(dòng)識(shí)別上消化道各個(gè)解剖部位的整體準(zhǔn)南[13]和日本EGD系統(tǒng)篩查方案[21],將上消化道分為26個(gè)部位，并實(shí)現(xiàn)以評(píng)價(jià)WISENSE對(duì)EGD檢查質(zhì)量的影響[15]。該研究共招募324例EGD檢查患者(WISENSE輔助組153例，對(duì)照組150例),WISENSE輔助組的盲區(qū)率顯著低于對(duì)照組(5.86%比22.46%,P<0.001)。隨后，為驗(yàn)證該模型在不同EGD檢查類型中的效果，該團(tuán)隊(duì)完成了一項(xiàng)3組隨機(jī)平行對(duì)照研究，結(jié)果顯示，AI輔助46,P<0.001;超細(xì)EGD組：21.77%比29.92%,P<0.001;常規(guī)EGD組：31.23%比42.46%,P<0.001)[22]。此外，多中心隨機(jī)對(duì)照研究的結(jié)果再次驗(yàn)證了A(三)AI輔助食管異常病灶識(shí)別陳述3:推薦在EGD檢查中使用AI實(shí)時(shí)輔助發(fā)現(xiàn)食管異常病灶。(證據(jù)質(zhì)食管胃黏膜異位和靜脈瘤等)。我國(guó)每年因食管癌死亡人數(shù)超過(guò)10萬(wàn)[24]。我國(guó)食管癌以鱗狀細(xì)胞癌為主要病理類型，占比超過(guò)90%[25-27],以巴雷特變及早期癌病變黏膜改變輕微，診斷困難。因此，利用AI輔助檢出早期食管癌及其癌前病變具有重要意義[28]。Guo等[29]進(jìn)行多中心的樣本收集，使用AI檢測(cè)癌前病變及早期食管鱗模型在圖像測(cè)試中的靈敏度為98.04%,特異度為95.03%。Liu等[30]進(jìn)行多中心的樣本收集，構(gòu)建AI模型在白光下檢測(cè)早期食管鱗狀細(xì)胞癌。其模型在內(nèi)部和外部圖像測(cè)試中檢測(cè)早期食管鱗狀細(xì)胞癌的準(zhǔn)確率分別為85.7%和84.5%。為了進(jìn)一步拓展圖像模態(tài)，Yuan等[31]使用AI在白光內(nèi)鏡、碘染、放大內(nèi)鏡光成像(narrow-bandimaging,NBI)多種內(nèi)鏡成像模式下檢測(cè)早期食管鱗狀管鱗狀細(xì)胞癌的準(zhǔn)確率、靈敏度和特異度分別為82%、90%和74%;在NBI或碘染下識(shí)別食管鱗狀細(xì)胞癌的準(zhǔn)確率、靈敏度和特異度分別為86%、93%和80%,與經(jīng)Pan等[32]利用白光、NBI圖像開(kāi)發(fā)了兩個(gè)全卷積神經(jīng)網(wǎng)絡(luò)分別分割胃食管交界處和鱗柱狀交界處，交并比(IoU)分別為0.56和0.82,該方法優(yōu)于使等[33]使用AI同時(shí)檢測(cè)食管鱗狀細(xì)胞癌和食管腺癌，該模型靈敏度為98%,(四)AI輔助巴雷特食管測(cè)量和評(píng)分率(0.25%)顯著高于巴雷特食管<3cm的患者(0.07%)[34]。因此，指南建議根據(jù)巴雷特食管長(zhǎng)度確定監(jiān)測(cè)間隔[35-36]。布拉格C&M分類基于內(nèi)鏡下可見(jiàn)的食管柱狀黏膜的整個(gè)環(huán)狀上移的長(zhǎng)度(C)和上移最大長(zhǎng)度(M)對(duì)巴雷特食分層工具[35-37]。Ali等[38]利用白光、NBI圖像訓(xùn)練AI模型進(jìn)行巴雷特食管范圍測(cè)量，視頻測(cè)試中，C和M以及島狀黏膜測(cè)量平均精度97.2%,邊界平均偏差為±0.9mm,而巴雷特食管上皮測(cè)量精度98.4%,與真實(shí)值平均偏差僅為±0.4cm2,系統(tǒng)提供的C和M測(cè)量值與專家評(píng)分一致，C和M評(píng)分的邊界總體相對(duì)誤差(平均差)分別為8%(3.6mm)和7%(2.8mm)。(五)AI輔助早期食管癌診斷陳述5:對(duì)懷疑早期食管鱗狀細(xì)胞癌或早期食管腺癌的患者，均推薦使用A大幅度改善患者預(yù)后[39-40]。然而由于早期食管癌病變范圍較小，內(nèi)鏡下形管癌容易漏診[41]。Ohmori等[42]進(jìn)行了一項(xiàng)單中心、回顧性的臨床試驗(yàn)，使用AI在不同內(nèi)鏡成像下對(duì)食管鱗狀細(xì)胞癌與食管炎、血管異常、輕度色素沉timaging,BLI)圖像測(cè)試中的靈敏度、特異度和準(zhǔn)確率分別為100%、63%和77%,在白光中的靈敏度、特異度和準(zhǔn)確率分別為90%、76%和81%,在ME-NBI及BLI中的靈敏度、特異度和準(zhǔn)確率分別為98%、56%和77%。Tang等[43]、Cai等[44]以及Li等[45]均對(duì)早期食管鱗狀細(xì)胞癌與非癌鑒別診斷功能進(jìn)行顯著升高。Liu等[30]進(jìn)行了一項(xiàng)多中心臨床試驗(yàn)，在白光下使用AI檢測(cè)和描繪早期食管鱗狀細(xì)胞癌的邊界，AI模型、高級(jí)內(nèi)鏡醫(yī)師(擁有>4年內(nèi)鏡操作經(jīng)驗(yàn))和專家內(nèi)鏡醫(yī)師(擁有>8年內(nèi)鏡操作經(jīng)驗(yàn))劃定邊界的準(zhǔn)確率分別為98.1%、78.6%和95.3%,AI模型與內(nèi)鏡專家的性能相似，優(yōu)于高級(jí)內(nèi)鏡醫(yī)師。在巴雷特食管患者內(nèi)鏡篩查和監(jiān)測(cè)過(guò)程中，西雅圖活檢方案建議每1~2cm進(jìn)行1次四象限活檢。然而，采樣誤差可能會(huì)限制其靈敏度雷特食管黏膜內(nèi)的小區(qū)域癌癥或不典型增生[46-47]。此外，食管腺癌或不典常常未對(duì)長(zhǎng)節(jié)段巴雷特食管進(jìn)行廣泛活檢，亦增加癌癥漏診的風(fēng)險(xiǎn)[48]。vanderSommen等[49]基于44例巴雷特食管患者的100張圖像開(kāi)發(fā)了一種用于檢異度均為0.83,在以患者為單位的測(cè)試集中，靈敏度和特異度分別為0.86和0.87。deGroof等[50]前瞻性收集40例腫瘤性巴雷特食管病變和20例無(wú)不典度分別為92%、95%和85%,識(shí)別正確的案例中，89.5%案例模型標(biāo)記區(qū)域位于專家標(biāo)注范圍內(nèi)。deGroof等[51]進(jìn)行了一項(xiàng)多中心、回顧性的臨床研究，基于5個(gè)白光數(shù)據(jù)集訓(xùn)練并驗(yàn)證了一個(gè)計(jì)算機(jī)輔助檢測(cè)(computer-aideddetec分別在兩個(gè)數(shù)據(jù)集(數(shù)據(jù)集4,數(shù)據(jù)集5)中進(jìn)行圖像外部驗(yàn)證，在數(shù)據(jù)集4中準(zhǔn)確率為89%,靈敏度為90%,特異度為88%。在數(shù)據(jù)集5中，CAD系統(tǒng)與普通內(nèi)鏡醫(yī)師的準(zhǔn)確率分別為88%和73%,靈敏度為93%和72%,特異度為83%和74%。CAD系統(tǒng)準(zhǔn)確率優(yōu)于所有53名非專家內(nèi)鏡醫(yī)師。數(shù)據(jù)集4和5中，CAD系統(tǒng)檢測(cè)的腫瘤區(qū)域與專家識(shí)別的區(qū)域均重疊。CAD系統(tǒng)在97%(數(shù)據(jù)集4)和92%(數(shù)據(jù)集5)的病例中檢測(cè)到了腫瘤活檢的最佳部位。deGroof等[52]在另一項(xiàng)單(六)AI輔助食管癌浸潤(rùn)深度預(yù)測(cè)陳述6:對(duì)于未獲得病理浸潤(rùn)深度的早期食管癌患者，建議在AI輔助下預(yù)淋巴結(jié)腫大的情況下推薦行內(nèi)鏡切除術(shù)，而浸潤(rùn)至黏膜下200μm以上(的食管癌患者應(yīng)進(jìn)行外科手術(shù)治療[53-54]。因此，準(zhǔn)確預(yù)測(cè)食管癌浸潤(rùn)深度Tokai等[55]基于白光內(nèi)鏡收集日本腫瘤研究所1751例食管鱗狀細(xì)胞癌患者的內(nèi)鏡圖像構(gòu)建AI模型，用于判斷浸潤(rùn)深度。該模型對(duì)食管鱗狀細(xì)胞癌浸潤(rùn)深度的預(yù)測(cè)準(zhǔn)確率為80.9%,準(zhǔn)確率評(píng)分超過(guò)92%的內(nèi)鏡醫(yī)師。Uema等[56]和Nakagawa等[57]構(gòu)建的AI系統(tǒng)區(qū)分SM1和SM2~3的食管鱗狀細(xì)胞癌的靈敏度為90.1%,特異度為95.8%,準(zhǔn)確率為91.0%,與經(jīng)驗(yàn)豐富內(nèi)鏡醫(yī)師的性能相當(dāng)。對(duì)于食管腺癌的患者，Ebigbo等[58]利用多中心、回顧性收集的巴雷特食管相關(guān)食管癌的白光圖像構(gòu)建浸潤(rùn)深度分型模型，AI區(qū)分黏膜癌和黏膜下癌的準(zhǔn)確率、靈敏度和特異度分別為71%、77%和64%,表現(xiàn)出與內(nèi)鏡專家相似的診(七)AI輔助食管胃靜脈曲張識(shí)別陳述7:對(duì)于肝硬化患者，推薦臨床使用AI輔助內(nèi)鏡下食管胃靜脈曲張識(shí)食管胃靜脈曲張破裂出血是肝硬化的嚴(yán)重并發(fā)癥，8伴有食管胃靜脈曲張[59]。內(nèi)鏡檢查仍是診斷食管胃靜脈曲張、預(yù)測(cè)2年內(nèi)出進(jìn)行危險(xiǎn)分級(jí)[60]。Chen等[61]構(gòu)建了基于深度學(xué)習(xí)的食管胃靜脈曲張識(shí)別模型，該模型由來(lái)自2家醫(yī)院2000余例患者的上萬(wàn)張白光圖片訓(xùn)練而成。在人機(jī)比賽中，模型識(shí)別食管、胃底靜脈曲張的準(zhǔn)確率分別為97%和92%,顯著優(yōu)于內(nèi)鏡醫(yī)師。在多中心視頻測(cè)試集中，模型的準(zhǔn)確率也達(dá)到97%和91%,證明模型魯棒性較好。Ding等[62]開(kāi)發(fā)了一個(gè)基于深度學(xué)習(xí)診斷食管胃靜脈曲張的系統(tǒng)，該系統(tǒng)在506張圖像的數(shù)據(jù)集中的靈敏度為80.54%。Wang等[63]使用來(lái)自3家醫(yī)院的6000余張圖片訓(xùn)練靜脈曲張分割模型，模型分割靜脈曲張的交并比達(dá)到0.8以上。(八)AI輔助食管胃靜脈曲張嚴(yán)重程度分級(jí)陳述8:對(duì)于確診食管胃靜脈曲張的患者，推薦使用AI輔助內(nèi)鏡下嚴(yán)重程食管胃靜脈曲張內(nèi)鏡下風(fēng)險(xiǎn)分層決定接下來(lái)1~2年內(nèi)患者需要接受的治療，美國(guó)肝臟病協(xié)會(huì)和歐洲胃腸內(nèi)鏡學(xué)會(huì)指南建議Form1級(jí)靜脈曲張伴有紅色征或Child-pughC級(jí)，或Form2~3級(jí)靜脈曲張的肝硬化患者應(yīng)該接受預(yù)防治療，其他患者需要繼續(xù)隨訪[64-65]。多項(xiàng)研究都證實(shí)內(nèi)鏡下危險(xiǎn)因素對(duì)預(yù)測(cè)患者2Chen等[61]構(gòu)建了基于深度學(xué)習(xí)的靜脈曲張風(fēng)險(xiǎn)因素識(shí)別模型，該模型能夠識(shí)別靜脈曲張的尺寸、Form分級(jí)、紅色征等。根據(jù)風(fēng)險(xiǎn)因素得出相應(yīng)的治Child-PughC級(jí)；(2)隨訪：無(wú)紅色征或紅斑的小靜脈曲張；(3)無(wú)需治療：當(dāng)(93.33%比88.17%),識(shí)別紅色征的靈敏度與特異度均高于內(nèi)鏡醫(yī)師(85.11%比81.34%,P<0.01;83.33%比63.06%,P<0.01);模型識(shí)別胃底大尺寸靜脈的靈敏度與內(nèi)鏡醫(yī)師接近(90.00%比93.33%),識(shí)別紅斑的靈敏度與內(nèi)鏡醫(yī)師相似(84.62%比85.71%),但特異度顯著高于內(nèi)鏡醫(yī)師(84.09%比57.89%,P<0.001)。Wang等[63]訓(xùn)練靜脈曲張F(tuán)orm分級(jí)及紅色征分割分級(jí)模型，在前瞻性觀察性研究中，模型對(duì)食管胃靜脈曲張F(tuán)orm分級(jí)(94.57%比75.97%,P<0.001)與紅色征分割分級(jí)準(zhǔn)確率(94.62%比66.92%,P<0.001)都顯著優(yōu)于內(nèi)鏡醫(yī)師。在識(shí)別胃靜脈曲張紅色征方面，模型準(zhǔn)確率也顯著優(yōu)于內(nèi)鏡醫(yī)師(95.76%優(yōu)于內(nèi)鏡醫(yī)師(94.92%比69.49%,P<0.001)。Wang等[63]還使用自動(dòng)訓(xùn)練平臺(tái)構(gòu)建集成內(nèi)鏡圖片與臨床特征的模型，預(yù)測(cè)患者12個(gè)月后的食管胃靜脈曲張出血情況，在測(cè)試集中模型準(zhǔn)確率為0.93(九)AI輔助胃異常病灶識(shí)別陳述9:建議在常規(guī)EGD檢查中使用AI實(shí)時(shí)輔助發(fā)現(xiàn)胃異常病灶。(證據(jù)癌前狀態(tài)(萎縮和腸化)、胃癌及其癌前病變(低級(jí)別上皮內(nèi)瘤變和高級(jí)別上皮病率和死亡率均極高的疾病。全世界每年約有99萬(wàn)人被診斷為胃癌，其中約有73.8萬(wàn)人死于胃癌[66]。胃癌的五年生存率約為20%,而早期胃癌的五年生存率可達(dá)90%[67]。然而，我國(guó)各地區(qū)醫(yī)療資源和內(nèi)鏡醫(yī)師的水平存在較大差異，危病灶在內(nèi)鏡篩查后未進(jìn)行進(jìn)一步檢查，導(dǎo)致早期胃癌漏診率高達(dá)20%~40%[68-69]。利用AI系統(tǒng)可實(shí)時(shí)輔助內(nèi)鏡醫(yī)師在EGD下識(shí)別異常病灶，有望提高胃早期發(fā)現(xiàn)和切除息肉對(duì)于預(yù)防胃癌至關(guān)重要[70-71]。Durak等[72]開(kāi)肉模型檢測(cè)方法，準(zhǔn)確率為98.34%,靈敏度為98.67%,特異度為98.23%。癌發(fā)病率為0.7%~10%,腸化患者為5.3%~9.8%[74]。Xu等[75]構(gòu)建基于染色放大內(nèi)鏡診斷胃癌前病變的AI系統(tǒng)，該系統(tǒng)在前瞻性視0.898。在檢測(cè)胃萎縮(0.869比0.846)和腸上皮化生(0.888比0.820)方面Wu等[76]開(kāi)發(fā)深度學(xué)習(xí)系統(tǒng)用于檢測(cè)白光下胃內(nèi)異常病灶，并對(duì)其中的靈敏度為92.8%,診斷胃內(nèi)高風(fēng)險(xiǎn)病變(即可疑腫瘤性病變)的靈敏度為91.8%,特異度為92.4%。Wu等[77]基于該系統(tǒng)進(jìn)一步開(kāi)展隨機(jī)對(duì)照串聯(lián)臨床試驗(yàn)，該試驗(yàn)將患者隨機(jī)分至AI優(yōu)先組(先AI輔助檢查，后常規(guī)檢查)和常規(guī)優(yōu)先組(先常規(guī)檢查，后AI輔助檢查),并在第二次檢查結(jié)束時(shí)對(duì)所有檢測(cè)到的高風(fēng)險(xiǎn)病變進(jìn)行靶向活檢。該試驗(yàn)中907例患者被隨機(jī)分配到AI優(yōu)先組，905例患者被隨機(jī)分配到常規(guī)優(yōu)先組，AI優(yōu)先組的腫瘤性病變漏診率明顯低于常規(guī)組(6.1%比27.3%)。(十)AI輔助胃炎診斷到腸上皮化生，再發(fā)展為不典型增生和腫瘤[78]。許多胃癌都伴有胃黏膜長(zhǎng)期可以防止病情進(jìn)一步惡化，降低胃癌風(fēng)險(xiǎn)。HP的長(zhǎng)期感染導(dǎo)致胃腺體進(jìn)行性破特征的主觀性強(qiáng)，研究表明白光下診斷HP胃炎的準(zhǔn)確率約為70%[80-81],對(duì)AG的內(nèi)鏡診斷準(zhǔn)確率也僅為46.8%[82],嚴(yán)重依賴內(nèi)鏡醫(yī)師的經(jīng)驗(yàn)水平。Zhang等[83]使用特征提取方法，開(kāi)發(fā)了一個(gè)基于9個(gè)內(nèi)鏡黏膜特征的HP感染相關(guān)的胃炎診斷系統(tǒng)，該系統(tǒng)識(shí)別HP感染的靈敏度、特異度和準(zhǔn)確率分別為89.6%、61.8%和74.8%,診斷準(zhǔn)確率與內(nèi)鏡醫(yī)師相當(dāng)。Seo等[84]使用多種族內(nèi)部數(shù)據(jù)集和外部數(shù)據(jù)集驗(yàn)證所構(gòu)建的HP感染內(nèi)國(guó)裔內(nèi)部集、非韓國(guó)裔內(nèi)部集和外部集的準(zhǔn)確率分別為94%、88%和87%。Li等 [85]構(gòu)建的AI系統(tǒng)在10例內(nèi)鏡視頻中診斷HP感染的總體準(zhǔn)確率與專家相似 (84%比83.6%),在191例前瞻性連續(xù)患者中的準(zhǔn)確率、靈敏度和特異度分別為85.3%、83.3%和85.8%。Mu等[86]建立一套白光下胃炎分類系統(tǒng)，收集常見(jiàn)胃炎、其他胃炎和非胃炎的8141張白光圖像，分類AG與非AG糜爛與出血的準(zhǔn)確率在視頻測(cè)試集上分別為95.00%、92.86%、94.74%。Lin等[87]收集來(lái)自中國(guó)14家醫(yī)院2741例患者的7037張白光圖片，開(kāi)發(fā)AG自動(dòng)識(shí)別模型，該模型診斷AG受試者工作特征曲線下面積為0.98,準(zhǔn)確率為96.4%,而3名內(nèi)鏡醫(yī)師的診斷準(zhǔn)確率僅為58.9%~70.6%。Yang等[88]建立包含21420張白光和聯(lián)動(dòng)成像內(nèi)鏡圖片的數(shù)據(jù)集訓(xùn)練一個(gè)提取關(guān)鍵視覺(jué)特征的模型，該模型對(duì)AG的診斷準(zhǔn)確率高達(dá)95.06%,顯著高于5名醫(yī)師的診斷水平 有主觀性、不確定性，導(dǎo)致醫(yī)師間一致性較差[93,98]。許多研究證實(shí)AI在輔助診斷早期胃癌方面具有巨大潛力，但多數(shù)AI模型為“黑匣子”模型，僅輸示給內(nèi)鏡醫(yī)師，這極大地限制AI模型在早期胃癌診斷中的應(yīng)用[99]。在可解釋性早期胃癌診斷方面，Li等[100]基于定量分析、深度學(xué)習(xí)和機(jī)器學(xué)習(xí)，并結(jié)合特征提取使用692例患者的1897張染色放大內(nèi)鏡圖片開(kāi)發(fā)了早期胃癌可解釋性AI模型。模型在圖片測(cè)試集中的診斷準(zhǔn)確率(88.76%)高于不可解釋性深度學(xué)習(xí)模型(82.77%)和新手醫(yī)師(71.63%),達(dá)到專家醫(yī)師水平(88.95%)。模型在100個(gè)視頻測(cè)試集中的診斷準(zhǔn)確率(87.00%)高于不可解釋性深度學(xué)習(xí)模型(68.00%),與內(nèi)鏡醫(yī)師(89.00%)相當(dāng)。在模型輔助下，新手內(nèi)鏡醫(yī)師診斷準(zhǔn)確率(87.45%)顯著提高。與不可解釋性深度學(xué)習(xí)模型相比，內(nèi)鏡AI模型診斷邏輯，可實(shí)現(xiàn)抽象理論具體化和AI模型診斷可解釋性，提高醫(yī)師診Dong等[101]使用來(lái)自8家醫(yī)院3279例患者的4482張白光圖像296個(gè)局灶性視頻(81.10%比70.61%)和外部視頻測(cè)試集(88.24%比78.49%)中的診斷準(zhǔn)確0.61%比79.63%)。此外，與不可解釋性深度學(xué)習(xí)模型相比，內(nèi)鏡醫(yī)師對(duì)具有可于觀察微血管形態(tài)的不規(guī)則程度對(duì)浸潤(rùn)深度進(jìn)行預(yù)測(cè)[101-102]。Zhao等[102]使用AI進(jìn)行食管上皮乳頭內(nèi)毛細(xì)血管袢(intraepithelialpapillarycapillaryloop,IPCL)分類，AI7.6%,B2型93.9%)明顯高于初級(jí)(B1型69.2%,B2型79.3%)和中級(jí)內(nèi)鏡醫(yī)師(B1型79.1%,B2型90.0%),但該研究未納入B3型血管。Uema等[56]使用AI對(duì)淺表食管鱗狀細(xì)胞癌的IPCL進(jìn)行分類，其圖像測(cè)試中IPCL分類準(zhǔn)確率為84.2%,高于內(nèi)鏡醫(yī)師平均水平(77.8%,P<0.001)。用于診斷B1型、B2型和B3型血管的受試者工作特征曲線下面積分別為0.969、0.948和0.973。Zhang等[103]基于IPCL分型開(kāi)發(fā)可解釋的食管鱗狀細(xì)胞癌浸潤(rùn)深度預(yù)測(cè)系統(tǒng)，和86.2%,在視頻中的靈敏度、特異度和準(zhǔn)確率分別為87.5%、84%和84.9%。在該系統(tǒng)輔助下，內(nèi)鏡醫(yī)師的準(zhǔn)確率顯著提高(從79.7%提高到84.9%,P=0.03)。(一)功能適宜性EGDAI功能適宜性應(yīng)符合表4所列目標(biāo)，并能夠在表4中建議的多種圖像模態(tài)下白光內(nèi)鏡白光內(nèi)鏡染色放大染色放大表4食管胃十二指腸內(nèi)鏡人工智能功能適宜性目標(biāo)功能檢查時(shí)長(zhǎng)統(tǒng)計(jì)盲區(qū)監(jiān)測(cè)巴雷特食管測(cè)量功能檢查時(shí)長(zhǎng)統(tǒng)計(jì)盲區(qū)監(jiān)測(cè)巴雷特食管測(cè)量食管癌診斷碘染食管胃靜脈曲張識(shí)別食管胃靜脈曲張識(shí)別識(shí)別食管胃靜脈曲張食管胃靜脈曲張嚴(yán)重1.檢測(cè)食管胃靜脈曲張危險(xiǎn)因素白光內(nèi)鏡胃炎診斷胃異常病灶識(shí)別早期胃癌診斷(是否必須是是是否是否是是否是否否(二)EGDAI系統(tǒng)通用性能要求醫(yī)療器械通用性能的評(píng)估角度，本共識(shí)針對(duì)EGDAI系統(tǒng)的規(guī)范化設(shè)計(jì)提出相應(yīng)的標(biāo)準(zhǔn)和要求：1.性能效率：(1)實(shí)時(shí)處理效率：人眼在畫面播放速率(每秒幀數(shù))達(dá)到16~24fps時(shí)，會(huì)認(rèn)為這些畫面是一個(gè)連續(xù)運(yùn)動(dòng)的場(chǎng)景。為確保醫(yī)師在使用過(guò)程中得到及時(shí)的實(shí)時(shí)反饋和分析結(jié)果，對(duì)于有動(dòng)態(tài)識(shí)別要求的功能，系統(tǒng)應(yīng)具備高效的圖像處理能力，實(shí)時(shí)處理效率應(yīng)>16幀/s。(2)畫面延遲與原始內(nèi)鏡影像系統(tǒng)的畫面延遲應(yīng)<50ms,確保醫(yī)師能夠無(wú)縫觀察和診斷。2.易用性：產(chǎn)品界面應(yīng)直觀、簡(jiǎn)潔，減少醫(yī)師學(xué)習(xí)成本。界面設(shè)計(jì)和操作邏輯應(yīng)符合醫(yī)師日常使用習(xí)慣，切換功能時(shí)應(yīng)盡量采用AI自動(dòng)識(shí)別應(yīng)用場(chǎng)景并切換的方式，減少對(duì)醫(yī)師實(shí)際操作的干擾。3.可用性：在常規(guī)醫(yī)療環(huán)境下，系統(tǒng)應(yīng)確保用戶能夠安全、正確地操作，減少誤操作的可能性。配備足夠的提示和幫助文檔，以應(yīng)對(duì)醫(yī)師在操作中可能遇到的疑問(wèn)。AI產(chǎn)生的信號(hào)提示應(yīng)盡量避免遮蓋內(nèi)鏡原始畫面，導(dǎo)致內(nèi)鏡醫(yī)師產(chǎn)生CACancerJClin,2021,71(1):7-[2]NeculaL,MateiL,DraguD,et4.DOI:10.3748/wjg.v25.i17.2029.rlyadenocarcinomaandsquamouscellcarcinomaoftheesening,diagnosis,andtherapy[J].Gastroenterology,2medicine[J].NEnglJMed,2023,388(13):1220-1221.DOI:10.1056/NEe2206291.版)[J].中華醫(yī)學(xué)雜志，2022,102(10):697-703.DOI:10.3760/1121[10]QaseemA,SnowV,OwensDK,etal.ThedevelopmentofclinicalpacticeguidelinesandguidancestatementsoftheAmericanf[26]AbnetCC,ArnoldM,WeiWQ.Epidemiologyofesophacellcarcinoma[J].Gastroenterology,2018,154(2):360-373.DOI:10.1deffectsofenvironmentalrisknresultsfromthegolestancoh[28]QumseyaBJ,WangH,BadieN,etal.Advancedimagingtechnologieett'sesophagus:ameta-analysisandsystematicreview[29]GuoL,XiaoX,WuC,etal.Real-timeautomatcancerouslesionsandearlyeso1(1):41-51.DOI:10.1016/j.gieTranslGastroenterol,2022,13(1):e00433.DOI:10.14309/ctg.0000000tingsuperficialesophagealsquamouscellcarcinomadoscopicimagingmodalities:amulticenterHepatol,2022,37(1):169-178.DOI:10.1111/jgh.15689.[32]PanW,LiX,WangW,etal.1,21(1):479.DOI:10.1186/s12876[33]HorieY,YoshioT,Aoyaagealcancerbytworks[J].GastrointestEndosc,2019,89(1):25-32.DOI:10.1016/j.gie.[34]HamadeN,VennelagantiSprogressionofshort-segmensophagealadenocarcinoma[J].ClinGastroenterolHepatol,2019,17(5)fGastroenterologyguidelinesonthediagnosisandmanagementofBarrett'soesophagus[J].Gut,2014,63(1):7-42.DOI:10.1136/gutjnl-2013[36]WeustenB,BisschopsR,CoronE,etal.Endoscopicmanagem(ESGE)positionstatement[J].Endoscopy,2017,4uideline:diagnosisandmanagementofBarrett'sesophagus[J].AmJGadimensionalquantificationotionandtherapymonitoring[J].Gastroenterolo[39]WangGQ,JiaoGG,ChangFB,etal.Long-termoveredbyscreeniofnarrow-bandimagingendoscopyforscreeningofsmucosalhigh-gradeneoplasiaindoscopists[J].DisEsophagus,2010,23(6):480-486.DOI:10.1111/j.1[42]OhmoriM,IshiharaR,AoyamaK,etaldifferentiationofesoGastrointestEndosc,2020,91(2):301-309.el.DOI:10.1016/j.gie.20iagnosticstudy[J].ClinTranslGastroenterol,2021,1oscopyforscreehvideo)[J].GastrointestEndosc,2019,90(5):745-753.e2.DOI:10.1omabetweennarrow-bandandwhite-lightimaging[46]ReidBJ,BlountPL,Fendetectionofearlycanc[47]SharmaP,BrillJ,CantoM,etal.WhitepaperAginginBarrett'sesophagus[J].ClinGastroenterolHepatol,2015,13[48]AbramsJA,KapelRC,LindbergGM,etal.AdheredelinesforBarrett'sesophagussuintheUnitedStates[J].ClinGastroenterolHepatol,2009,7(7):736tectionofearlyneoplasticlesionsinopy,2016,48(7):617-624.DOI:10.1055/s-[50]deGroofJ,vanderSommenF,vande project:thedevelopmentofacompurovedetectionofBarrett'sneoplasiaonwhitelightendoscopy[J].UnitedEuropeanGastroenterolJ,2019,7(4):538-547.DOI:10.1177/20506[51]deGroofAJ,Struyvenberthhigheraccuracythanendoscopdationstudywithbenc[52]deGroofAJ,StruyvenbergMR,FockensKN,etal.DeeplgorithmdetectionofBarrett'sneoplasiawithhighaccuracyduringliveendoscopicprocedures:apilotstudy(withvideo)[J].GastrointestEndosc,2020,91(6):1242-1250.DOI:10.1016/j.gie.2[53]DermineS,LeconteM,LeblancSyafternoncurativeendoscopicresectionofearlyesophagealcancer[J].TherapAdvGastroenterol,2019,121756284819892556.[54]中華人民共和國(guó)國(guó)家衛(wèi)生健康委員會(huì)醫(yī)政醫(yī)管局.食管癌診療指南(2022年版)[J].中華消化外科雜志，2022,21(10):1247-1268.DOI:10.3760/115610-20220726-00[55]TokaiY,YoshioT,asiondepthofesophagealsquamoamouscellcarcinomas[J].JGa246.DOI:10.1111/jgh.15479.[57]NakagawaK,IshiharaR,AoyamaK,etal.Classifsiondepthofesophagealsquamouscelsc,2019,90(3):407-414.DOI:10.1016/j.gie.2019.04[58]EbigboA,MendelR,RuckertT,etal.Endoscoelligence:apilotstudy[J].Endoscopy,2021,53(9):878-883.DOI:10.racticeguidelinesforthemanagementofpatientswithdecompensatedcirrhosis[J].JHepatol,2018,69(2):406-460.DOI:10[60]BoschJ,SauerbruchT.Esophagealvarices:stage-[61]ChenM,Wangnofgastroesophagealvaricesunderesophagogastroduodeny(withvideo)[J].GastrointestEndosc,2021,93(2):4I:10.1016/j.gie.2020[62]DingS,LiL,Lindstructureddata[J].JDigitImaging,2023,36(1):326-338.DOI:10.dyofliverdiseases[J].Hepatology,2017,65(1):310-335lizingcareforportalhypert[66]MachlowskaJ,BajJ,SitarzM,etal.Gastricgy,riskfactors,classification,genomiccharacterist[67]ImagawaA,OkadaH,Kawfficultyaswellassuccess[J].Endoscopy,2006,[68]RutterMD,SenoreC,Bisschopsgperformancemeasures[J].Endoscopy,2016,48(1):81-89.DOI:10.1055[69]KaiseM.AdvancedendoscopicimagingforearBestPractResClinGastroenterol,2015,29(4):575-587.DOI:10.101isofsurgicallyresectedgastriccancercasesinJapan:aretrospectiveanalysisofmorethan100,000patientsfromthenationwidryoftheJapaneseGastricCancerAssociation(2001-2007)[J].GastricCancer,2018,21(1):144-154.DOI:10.1007/s10120-017-[71]ShaibYH,RuggeM,GrahamDY,11(11):1374-1384.DOI:10.1016/j.cgh[72]DurakS,BayramB,BakirmanT,etal.DeepEngComput,2021,59(7-8):1563-1574.DOI:10.1007/s11517-021-02398-Lett,2018,8(1):69-75.DOI:10.1007/s13534-01[74]ShichijoS,HirataY,NiikuraR,etal.HistaplasiaandendoscopicatrophyarlopmentafterHelicobacte2016,84(4):618-624.DOI:10.1016/j.gie.2016.03.791.[75]XuM,ZhouW,WuL,etal.Artificsisofgastricprecancerousconditionsbyimagemulticenter,diagnosticstudy(withvideo)[J].GastrointestEndosc,2021,94(3):540-548.e4.DOI:10.1016/j.gie.2021.03.013.rdetectingfocallesionsanddiagnosingneoplasmsofwhite-lightendoscopy(withvideo5(2):269-280.e6.DOI:10.1016/j.gie.2021.09.017.[77]WuL,ShangR,SharmaP,etal.Effectofadeepltinalendoscopy:asingle-cent[J].LancetGastroenterolHepatol,S2468-1253(21)00216-8. epidemiologyandprevention[J].Cancer[79]RuggeM,Meggio endoscopicfollow-upforthesecondaryprea5-yearprospectivestudyof1755patients[J].Gut,2019,68(1):11-[80]LeeSP,LeeJ,KaeSnendoscopicdiagnosisofHelicobacterpyloriassociatedgastritis[J].ingfactorsoflinkedcolorimagingtechniqueofactiveHelicobacterpyloriinfection[J].C132(20):2395-2401.DOI:10.1097/CM9.0000serveragreementinendoscopicdiagnosisandritisaccordingtolevei,2018,33(15):e117.DOI:10.3346/jkms.20[83]ZhangM,PanJ,Linopy:acase-controlstudy[J].Therap[84]SeoJY,HongH,RyuWS,etal.DeveonvolutionalneuralnetworkmodelfordiagnosingHelicobacinfectionswithendoscopicimstEndosc,2023,97(5):880-888.e2.DOI:10.1016/j.gie.2023.01.007.[85]LiYD,WangHG,ChenSS,etal.AssessmentofHelicobacterpyloriinfectionbydeeplearningbasedonendoscopi[86]MuG,ZhuY,NiuZ,etal.Expert-levelclassificationofgatisbyendoscopyusingdeeplearning:amulticenterdiagnostic[J].EndoscIntOpen,2021,9(6):E955-E964[87]LinN,YuT,ZhengW,etal.Simultaneousrecognitionofatrophisbasedonconvolutionalneuralnetworks:amulticenterstudnTranslGastroenterol,2021,12(8):e00385.DOI:10.14309/ctg.000000[88]YangJ,OuY,ChenZ,etal.Abenchmarkdatas-16.DOI:10.1109/JBHI.2022ofendoscopicchronicatrose-controlstudy[J].BMCGastroenterol,2022,22(1):352.DOI:10.1186[91]NakanishiH,DoyamaH,IshikawaH,etarningsystemfordiagnosisofgastriclesionsusingmagnifyingnarrow-bandimaging:amulticenterrandomizedcontrolledy,2017,49(10):957-967.DOI:10.1055/s-0043-111888.