基于深度学习模型的内镜实时预测幽门螺杆菌感染：一项前瞻性多中心研究

本研究针对内镜实时诊断幽门螺杆菌感染的技术难题，开发了基于深度学习的视频分析系统。多中心前瞻性诊断研究表明，该系统AUC达0.918，准确率86.3%，为提升内镜诊断效率与一致性提供了创新解决方案。

　　

研究人员开展了一项前瞻性多中心诊断研究，旨在通过深度学习系统实现胃镜检查(Esophagogastroduodenoscopy, EGD)过程中对幽门螺杆菌(Helicobacter pylori)感染的实时预测。该研究于2024年9月至12月期间在三家医院纳入701例接受EGD检查的患者，并以¹⁴C-尿素呼气试验作为金标准参照。

研究团队开发的深度学习模型能够直接分析EGD视频流，实时识别胃部疑似感染区域。结果显示：研究队列中幽门螺杆菌感染阳性率为42.4%；模型诊断性能优异，受试者工作特征曲线下面积(AUC)达到0.918（95%置信区间：0.895–0.937），总体准确率为86.3%，灵敏度86.9%，特异性85.9%。此外，阳性预测值和阴性预测值也得到全面评估。

通过多因素逻辑回归分析发现，黏膜萎缩状况与诊断错误率升高独立相关（比值比OR＝1.788, p＝0.014），而更高质量的镜检查操作则具有保护效应（OR＝0.600, p＜0.001）。

该项技术展示了在多中心场景下实时检测幽门螺杆菌感染的卓越诊断效能，有望显著提升临床内镜检查的诊断一致性和操作效率。试验方案已在中国临床试验注册中心登记（注册号：ChiCTR2400088612）。作者声明无利益冲突。