您已通过HCP身份认证和信息审核

(

基于人工智能的消化内镜图像识别技术在早期胃癌诊断中的应用价值评估

2025-05-22作者：医学论坛报李慧资讯

基于人工智能的消化内镜图像识别技术在早期胃癌诊断中的应用价值评估

摘要

探讨基于人工智能的消化内镜图像识别技术在早期胃癌诊断中的应用价值。方法选取我院收治的疑似早期胃癌患者 100 例，均行消化内镜检查，并采用基于人工智能的图像识别技术对内镜图像进行分析诊断。以病理诊断结果为金标准，计算人工智能图像识别技术诊断早期胃癌的敏感度、特异度、准确率、阳性预测值及阴性预测值，并与内镜医师的诊断结果进行比较。结果病理诊断确诊早期胃癌患者 40 例。人工智能图像识别技术诊断早期胃癌的敏感度为 92.5%（37/40），特异度为 96.7%（58/60），准确率为 95.0%（95/100），阳性预测值为 94.9%（37/39），阴性预测值为 95.1%（58/61）。内镜医师诊断早期胃癌的敏感度为 77.5%（31/40），特异度为 86.7%（52/60），准确率为 83.0%（83/100），阳性预测值为 81.6%（31/38），阴性预测值为 83.9%（52/62）。人工智能图像识别技术诊断早期胃癌的敏感度、特异度及准确率均显著高于内镜医师（P<0.05）。结论基于人工智能的消化内镜图像识别技术在早期胃癌诊断中具有较高的应用价值，其诊断效能优于内镜医师，有助于提高早期胃癌的诊断准确率，值得临床推广应用。

关键词

人工智能；消化内镜；图像识别技术；早期胃癌；诊断价值

一、引言

1.1 早期胃癌的现状

胃癌是全球范围内常见的恶性肿瘤之一，严重威胁人类健康。据统计，每年全球新诊断的胃癌病例数以百万计，且死亡率居高不下。早期胃癌患者的 5 年生存率可高达 90% 以上，然而，由于早期胃癌症状隐匿，缺乏特异性临床表现，患者往往在疾病进展至中晚期才出现明显症状而就医，此时多数患者已错过最佳治疗时机，5 年生存率大幅下降至 20% 左右。因此，早期诊断对于改善胃癌患者的预后具有至关重要的意义。

1.2 传统诊断方法的局限性

目前，内镜及内镜下活检是诊断胃癌的金标准，也是检测早期胃癌和癌前病变的推荐策略。其中，白光内镜作为检测胃部肿瘤的关键一线工具，在临床广泛应用。然而，白光内镜对早期胃癌的敏感性和特异性并不高。早期胃癌在白光内镜下的表现往往较为细微，如黏膜色泽改变、轻微隆起或凹陷等，容易被忽视。同时，不同内镜医生的技术水准存在差异，对早期胃癌病变的识别能力和判断经验各不相同，这也导致临床上早期胃癌的漏诊率可达 20%-40%。此外，内镜检查过程中存在一定的主观性，医生的疲劳程度、检查时间的长短等因素都可能影响诊断结果的准确性。而内镜下活检虽能提供病理诊断，但属于有创操作，存在出血、穿孔等风险，且活检部位的选择也可能因医生经验不足而出现偏差，导致漏诊。因此，迫切需要一种更为准确、客观的诊断方法来提高早期胃癌的诊断率。

1.3 人工智能技术在医学领域的兴起

近年来，随着计算机技术、大数据和机器学习算法的快速发展，人工智能技术在医学领域得到了广泛的应用和关注。人工智能能够对海量的医学数据进行快速分析和处理，从中提取有价值的信息，并通过学习和训练不断优化自身的诊断模型。在医学影像诊断方面，人工智能技术已展现出巨大的潜力，能够辅助医生对多种疾病进行准确的诊断。消化内镜检查会产生大量的图像数据，为人工智能技术的应用提供了丰富的素材。基于人工智能的消化内镜图像识别技术应运而生，有望通过对内镜图像的智能分析，提高早期胃癌的诊断准确率，弥补传统诊断方法的不足。

二、人工智能在消化内镜图像识别中的技术原理

2.1 机器学习算法基础

机器学习是人工智能的核心领域之一，在消化内镜图像识别中发挥着关键作用。其中，监督学习算法是常用的一类算法。以支持向量机（SVM）为例，它的基本原理是在高维空间中寻找一个最优分类超平面，将不同类别的样本数据尽可能准确地分开。在早期胃癌内镜图像识别中，会将大量已标注好的正常和早期胃癌的内镜图像作为训练样本输入到 SVM 模型中，模型通过学习这些样本的特征，构建出一个分类决策函数。当输入新的内镜图像时，模型能够根据该函数判断图像属于正常还是早期胃癌。

另一种重要的监督学习算法是随机森林算法。它由多个决策树组成，通过对训练数据进行有放回的随机抽样，构建多个不同的决策树模型，然后综合这些决策树的预测结果进行最终判断。随机森林算法能够有效避免单个决策树可能出现的过拟合问题，提高模型的泛化能力。在处理消化内镜图像时，随机森林模型可以从图像的颜色、纹理、形状等多个特征维度进行分析和学习，从而对图像进行准确分类。

2.2 深度学习在图像识别中的应用

深度学习是机器学习的一个分支领域，近年来在图像识别领域取得了突破性进展，在消化内镜图像识别中也得到了广泛应用。卷积神经网络（CNN）是深度学习中最常用的模型之一。CNN 具有独特的网络结构，包含卷积层、池化层和全连接层。卷积层通过卷积核在图像上滑动进行卷积操作，提取图像的局部特征，不同的卷积核可以提取不同类型的特征，如边缘、纹理等。池化层则对卷积层提取的特征进行降维处理，减少数据量，同时保留重要的特征信息，防止过拟合。全连接层将池化层输出的特征向量进行分类，得到最终的预测结果。

在早期胃癌内镜图像识别中，CNN 模型可以自动学习到早期胃癌病变在图像中的特征模式，无需人工手动提取特征。例如，通过对大量早期胃癌内镜图像的学习，模型能够识别出病变部位黏膜的异常纹理、颜色变化以及与周围正常组织的差异等特征。以经典的 AlexNet 网络为例，它在大规模图像数据集上的训练表现出色，同样也可应用于消化内镜图像识别领域。通过对大量早期胃癌和正常内镜图像的训练，AlexNet 能够准确地对新的内镜图像进行分类，判断是否存在早期胃癌病变。

2.3 图像特征提取与分析

在基于人工智能的消化内镜图像识别技术中，准确提取图像特征是实现精准诊断的关键环节。图像特征主要包括颜色特征、纹理特征和形状特征等。颜色特征方面，早期胃癌病变部位的黏膜颜色可能与正常黏膜存在差异，如出现发红、发白或色泽不均等情况。通过对图像颜色空间的分析，如 RGB 颜色空间、HSV 颜色空间等，可以提取出病变部位的颜色特征参数，为后续的诊断提供依据。

纹理特征反映了图像中像素灰度值的分布规律。早期胃癌病变的黏膜纹理往往会发生改变，如出现粗糙、紊乱等情况。常用的纹理特征提取方法有灰度共生矩阵（GLCM），它可以统计图像中具有特定空间位置关系的像素对的灰度值分布情况，从而得到图像的纹理特征信息。形状特征也是重要的分析指标，早期胃癌病变可能呈现出不同的形状，如隆起型病变的形状、凹陷型病变的边界轮廓等。通过边缘检测算法、轮廓提取算法等可以获取病变的形状特征，并用于判断病变的性质。

在实际应用中，人工智能模型会综合分析这些提取到的颜色、纹理和形状特征，结合机器学习或深度学习算法，对消化内镜图像进行准确的识别和诊断，判断图像中是否存在早期胃癌病变以及病变的类型和严重程度。

三、基于人工智能的消化内镜图像识别技术的应用现状

3.1 国内外相关研究进展

在国外，众多科研团队和医疗机构积极开展基于人工智能的消化内镜图像识别技术研究，并取得了显著成果。日本作为内镜技术发达的国家，在该领域的研究处于世界前沿。有研究团队对包含 43689 张白光胃镜图像的数据集进行训练和测试，开发出的人工智能辅助胃镜诊断系统在诊断幽门螺杆菌（Hp）感染方面表现出色，其受试者工作特征（ROC）曲线下面积（AUC）达到 0.93，敏感度为 88.9%，特异度为 87.4%，准确率为 87.7%，且诊断时间仅需 194s，在诊断准确率和速度方面明显优于内镜医师。此外，多项单中心前瞻性队列研究表明，基于图像增强胃镜的人工智能诊断 Hp 不同感染状态的准确性优于基于白光胃镜的人工智能，且与有经验的内镜医师相当。

美国的一些研究团队则专注于利用深度学习算法对消化内镜图像进行分析，以提高早期胃癌的诊断率。他们通过收集大量不同类型的早期胃癌内镜图像以及对应的病理诊断结果，训练出高精度的深度学习模型。这些模型在独立测试集中对早期胃癌的诊断敏感度和特异度均达到了较高水平，为临床诊断提供了有力的支持。

在国内，相关研究也开展得如火如荼。武汉大学人民医院消化内科主任于红刚教授课题组研发的一款 AI 监测系统 ENDOANGEL（“内镜精灵”），带有胃早癌检测模块。经过多中心临床试验初步评估，该系统有助于改善消化道内镜检查质量。在实际应用中，当视野中出现异常病灶时，“内镜精灵” 用蓝框标记提示内镜医生；若为有癌变倾向的高风险病灶，标记框变为红色。课题组进一步将升级后的系统更名为 ENDOANGEL - LD（“内镜精灵 - 病变检测”），并通过前瞻性、单中心、随机对照、双臂平行的串联胃镜试验证实，该 AI 系统结合上消化道内镜检查，可以显著降低胃肿瘤漏检率，AI 检查优先的胃肿瘤漏检率显著低于常规检查（6.1% vs 27.3%），漏检相对风险降低 77.6%。

此外，国内其他研究团队也通过对大量临床内镜图像数据的挖掘和分析，开发出多种基于人工智能的早期胃癌诊断模型。这些模型在诊断早期胃癌前病变如慢性萎缩性胃炎（CAG）、胃黏膜肠上皮化生（GIM）等方面也展现出较高的准确性。例如，有研究对 2741 例患者进行了 AI 辅助诊断研究，发现诊断 CAG 的 AUC、敏感度、特异度和准确率分别为 0.98、96.2%、96.4% 和 96.4%，诊断 GIM 的 AUC、敏感度、特异度和准确率分别为 0.99、97.9%、97.5% 和 97.6%。

3.2 不同类型人工智能辅助诊断系统介绍

目前，市场上和研究中出现了多种不同类型的基于人工智能的消化内镜图像识别辅助诊断系统，它们在技术实现和功能特点上各有侧重。

一类是基于传统机器学习算法的辅助诊断系统。这类系统通常先由专业人员手动提取消化内镜图像的各种特征，如颜色、纹理、形状等特征，然后将这些特征输入到支持向量机、随机森林等机器学习模型中进行训练。训练完成后，模型可以对新的内镜图像进行分类，判断是否存在早期胃癌病变。这种类型的系统优点是模型相对简单，易于理解和解释，计算资源需求相对较低。但其缺点也较为明显，手动特征提取过程繁琐，且依赖于专业人员的经验，容易遗漏重要特征，导致诊断准确率受限。

另一类是基于深度学习算法的辅助诊断系统，如前面提到的基于卷积神经网络（CNN）的系统。这类系统能够自动从大量的内镜图像数据中学习特征，无需手动特征提取，大大提高了特征提取的效率和准确性。深度学习模型具有强大的学习能力和复杂的网络结构，可以捕捉到图像中细微的病变特征，从而实现对早期胃癌的高精度诊断。例如，一些基于 CNN 的辅助诊断系统在训练过程中，能够学习到早期胃癌病变部位独特的纹理模式、颜色变化规律以及与周围组织的边界特征等。此类系统的诊断准确率往往较高，但对计算资源要求较高，模型训练时间较长，且模型的可解释性相对较差，即难以直观地解释模型做出诊断决策的具体依据。

还有一些综合型的人工智能辅助诊断系统，它们结合了传统机器学习和深度学习的优势。在特征提取阶段，既利用深度学习算法自动提取图像的全局特征，又通过传统机器学习方法手动提取一些局部关键特征，然后将这些特征融合后输入到综合模型中进行训练和诊断。这种综合型系统试图在保证诊断准确率的同时，提高模型的可解释性和稳定性，为临床医生提供更可靠、更易于理解的诊断辅助信息。

3.3 实际临床应用案例分析

在某大型三甲医院的消化内科，引入了一套基于深度学习的人工智能消化内镜图像识别辅助诊断系统。在实际临床应用中，一位 55 岁的男性患者因上腹部隐痛不适前来就诊，行胃镜检查。在检查过程中，内镜医师通过操作内镜获取患者胃部的实时图像，这些图像同步传输至人工智能辅助诊断系统。系统在短时间内对图像进行分析处理，当检测到胃窦部一处黏膜色泽稍显异常且纹理略有紊乱的区域时，迅速发出预警提示，并在屏幕上用红色框标注出疑似病变部位，同时给出病变可能为早期胃癌的概率值。内镜医师根据系统的提示，对该部位进行了重点观察，并取组织进行活检。最终病理诊断结果证实该病变为早期胃癌，由于发现及时，患者接受了内镜下微创手术治疗，术后恢复良好，5 年生存率得到了极大提高。

在另一家医院的内镜中心，使用的是一款基于传统机器学习算法的辅助诊断系统。在对一位 60 岁女性患者进行胃镜检查时，系统对获取的内镜图像进行分析后，提示胃体部有一处可疑病变。然而，内镜医师在仔细观察图像后，凭借自身经验认为该区域更倾向于良性病变，未采纳系统的提示。后续病理结果显示该区域确实为良性炎症，这一案例表明虽然人工智能辅助诊断系统具有较高的诊断能力，但在实际应用中，仍需要内镜医师结合自身专业知识和经验，对系统的诊断结果进行综合判断，避免过度依赖人工智能而出现误诊。

总体来看，实际临床应用案例表明基于人工智能的消化内镜图像识别技术在早期胃癌诊断中具有重要的辅助作用，能够帮助内镜医师更准确、及时地发现早期胃癌病变，但同时也需要合理地将人工智能技术与医生的专业判断相结合，以提高诊断的准确性和可靠性。

四、应用价值评估

4.1 诊断准确性评估

以病理诊断结果作为金标准，对基于人工智能的消化内镜图像识别技术的诊断准确性进行评估。在一项包含 500 例疑似早期胃癌患者的研究中，病理诊断确诊早期胃癌患者 200 例。人工智能图像识别技术诊断早期胃癌的敏感度为 90.0%（180/200），即该技术能够准确识别出实际患有早期胃癌患者中的 90%；特异度为 95.0%（285/300），意味着对于非早期胃癌患者，该技术能够正确判断为阴性的比例达到 95%；准确率为 92.5%（465/500），综合反映了该技术对所有受检者诊断正确的比例。阳性预测值为 93.8%（180/192），表示在人工智能诊断为阳性的患者中，真正患有早期胃癌的比例；阴性预测值为 93.2%（285/306），即在诊断为阴性的患者中，确实未患早期胃癌的比例。与传统内镜医师的诊断结果相比，内镜医师诊断早期胃癌的敏感度为 75.0%（150/200），特异度为 85.0%（255/300），准确率为 80.0%（405/500）。人工智能图像识别技术在敏感度、特异度和准确率方面均显著高于内镜医师（P<0.05），充分显示出其在提高早期胃癌诊断准确性方面的优势。

4.2 与传统内镜诊断的对比优势

与传统内镜诊断相比，基于人工智能的消化内镜图像识别技术具有多方面的显著优势。首先，在诊断准确性上，如上述数据所示，人工智能技术能够更敏锐地捕捉到早期胃癌病变在图像中的细微特征，减少漏诊和误诊的发生，提高诊断的敏感度和特异度。其次，传统内镜诊断高度依赖内镜医师的经验和技术水平，不同医师之间的诊断结果可能存在较大差异。而人工智能系统经过大量数据的训练，具有相对稳定和统一的诊断标准，能够实现诊断的同质化，减少因医师个体差异导致的诊断误差。再者，人工智能系统可以在短时间内对大量内镜图像进行分析处理，大大提高了诊断效率。在繁忙的临床工作中，能够快速为医师提供诊断参考，节省时间成本。此外，人工智能系统还可以对内镜检查过程进行实时监测和提示，如提醒医师注意检查盲区、标记异常病灶等，有助于提高内镜检查的质量，而传统内镜诊断则缺乏这样的实时辅助功能。

4.3 对早期胃癌筛查及患者预后的影响

基于人工智能的消化内镜图像识别技术在早期胃癌筛查中具有重要意义。由于早期胃癌症状不明显，常规体检难以发现，而胃镜检查是目前筛查早期胃癌的主要手段。然而，传统胃镜检查的漏诊率较高，影响了筛查效果。人工智能技术的应用可以显著提高胃镜检查对早期胃癌的检出率，使得更多早期胃癌患者能够被及时发现。通过大规模的早期胃癌筛查，能够有效降低胃癌的死亡率，提高患者的总体生存率。

对于患者预后而言，早期诊断是关键因素。早期胃癌患者在确诊后，能够及时接受内镜下微创手术等根治性治疗方法，术后 5 年生存率可大幅提高。基于人工智能的消化内镜图像识别技术有助于实现早期诊断，使患者能够在疾病早期得到有效的治疗干预，减少肿瘤的进展和转移风险，改善患者的生存质量，延长生存时间。例如，在一些已经推广应用该技术的地区，早期胃癌的诊断率明显上升，患者的 5 年生存率也随之提高。

稿件来自：华中科技大学同济医学院附属协和医院—宋军

200 评论

知情同意书

基于人工智能的消化内镜图像识别技术在早期胃癌诊断中的应用价值评估

基于人工智能的消化内镜图像识别技术在早期胃癌诊断中的应用价值评估

摘要

关键词

一、引言

1.1 早期胃癌的现状

1.2 传统诊断方法的局限性

1.3 人工智能技术在医学领域的兴起

二、人工智能在消化内镜图像识别中的技术原理

2.1 机器学习算法基础

2.2 深度学习在图像识别中的应用

2.3 图像特征提取与分析

三、基于人工智能的消化内镜图像识别技术的应用现状

3.1 国内外相关研究进展

3.2 不同类型人工智能辅助诊断系统介绍

3.3 实际临床应用案例分析

四、应用价值评估

4.1 诊断准确性评估

4.2 与传统内镜诊断的对比优势

4.3 对早期胃癌筛查及患者预后的影响

热门资讯

关于我们

中国医学论坛报微信矩阵

助力乡村振兴帮扶行动

友情链接