综述：人工智能在结肠镜检查中应用的研究进展

《Gastroenterology & Endoscopy》：Research progress on the application of artificial intelligence in colonoscopy

本文系统综述了人工智能（AI）在结肠镜检查中的应用进展，涵盖肠道准备评估、计算机辅助质控（CAQ）、息肉检测（CADe）与诊断（CADx）、早期结直肠癌浸润深度预测及炎症性肠病（IBD）管理等方向。AI技术通过深度学习模型（如CNN）显著提升腺瘤检出率（ADR）、减少漏诊，并推动内镜操作标准化与智能化发展，为结直肠疾病早诊早治提供新策略。

　　

背景

结直肠癌（CRC）是全球第三大常见恶性肿瘤和第二大癌症相关死因，约占所有癌症病例的10%。随着人口老龄化和生活方式改变，其发病率和死亡率持续上升，尤其在包括中国在内的发展中国家。结肠镜检查作为CRC筛查和早期诊断的主要手段，通过发现并切除腺瘤性息肉等癌前病变，可显著降低CRC的发病率和死亡率。腺瘤检出率（ADR）是评估结肠镜质量的关键指标，研究表明，ADR每提高1%，CRC风险降低3%。然而，传统结肠镜检查存在漏诊率高（约26%的腺瘤可能被遗漏）和操作者差异大等局限性，主要原因包括肠道准备不充分、内镜技术差异、黏膜暴露不足以及内镜医师的主观局限性。

人工智能（AI）作为前沿技术，在医学影像分析中展现出巨大潜力，特别是深度学习分支中的卷积神经网络（CNN），能够从大量数据中自动学习特征，识别复杂空间模式和细微图像特征。在结肠镜领域，AI主要应用于计算机辅助检测（CADe）、计算机辅助诊断（CADx）和计算机辅助质控（CAQ），旨在提高诊断准确性、操作质量和治疗效率。

人工智能在结肠镜检查中的应用

1. 结肠镜质量与工作流程优化的基础AI应用

1.1. 肠道准备与评估

充分的肠道准备是有效检出腺瘤和预防CRC的前提。患者自我评估常因主观性和教育不足而不可靠。研究显示，AI可提升评估准确性。例如，Lu等人的随机对照试验比较患者自我评估与AI评估，发现AI组在右结肠的波士顿肠道准备量表（BBPS）评分更高。Zhu等人开发的AI智能手机应用，通过分析马桶中粪便照片预测准备质量，准确率达95.15%，临床试验中AI辅助组肠道准备充分率、BBPS总分及患者依从性均显著优于对照组。AI有潜力替代主观患者评估，提升术前准备效果。

1.2. 计算机辅助质控评估（CAQ）

结肠镜质控涉及盲区率、退镜时间（≥6分钟）、ADR（≥25%）等核心指标。AI系统可实时监测退镜速度、黏膜皱襞检查完整性，并提示盲区。例如，ENDOANGEL系统在人机竞赛中准确率达93.33%，优于内镜医师；其衍生的自动BBPS评分（e-BBPS）与ADR呈负相关。Colometer软件能实时评估图像清晰度、退镜速度和肠道准备。Gong等人的随机对照试验显示，AI辅助显著提高ADR。Liu等人开发的皱襞检查质量（FEQ）评估系统与专家评估、ADR和退镜时间强相关，尤其对ADR<25%的医师改善显著。此外，AI可识别阑尾开口作为盲肠插管标志（准确率>95%），间接提升腺瘤检出。Yao等人的综合质控系统整合医疗记录、内镜清洗和病理数据，自动评估多项指标，前端展示结果，使用组关键指标显著改善。

1.3. 结肠镜报告生成支持系统

准确、标准化的报告对质控至关重要。AI可自动记录关键参数（如息肉检测、盲肠插管时间），但尚不能生成完整报告。富士胶片的AR-C1系统通过脚踏开关记录病变位置和切除技术，但尺寸等细节仍需手动输入。AI在息肉尺寸估算（如直径≤5 mm息肉准确率93.3%）方面与经验医师相当。未来需结合大语言模型和特定数据集，实现全自动报告生成。

2. AI辅助结直肠息肉的检测、表征与管理

2.1. 结肠镜息肉检测（CADe）

CADe系统通过实时分析视频流，高亮可疑病变，减少小息肉或疲劳时的漏诊。早期研究基于特征提取（如Karkanis对比息肉与周围黏膜），但易受光照影响。Fernández-Esparrach利用边界特征预测息肉，灵敏度70.4%。Tajbakhsh引入上下文信息过滤非息肉结构，提升鲁棒性。深度学习带来突破：Urban等人用CNN处理2000余例患者数据，实时处理单帧仅10毫秒，曲线下面积（AUC）达0.991。多项随机对照试验证实CADe提高ADR和每结肠镜腺瘤数（APC），但增加非肿瘤性息肉切除。商用系统（如GI Genius、CADDIE、CAD-EYE）已获欧美批准，应用于临床。

2.2. 结肠镜息肉表征（CADx）

CADx旨在实时光学诊断，区分肿瘤与非肿瘤性息肉，支持“留而不切”或“切而弃之”策略。成像模态包括白光内镜、放大窄带成像（NBI）、染色内镜、细胞内镜等。Tischendorf最早用机器学习基于血管模式区分肿瘤性，后续模型性能提升。Kominami前瞻性研究显示CADx灵敏度93.0%、特异度93.3%，与专家诊断一致性达97.5%。近年系统对≤5 mm息肉阴性预测值（NPV）>90%，满足PIVI倡议阈值。FocusU2Net等模型兼顾分割精度和实时性，结合可解释AI技术提升透明度。但CADx仍受外部成像变异性和模型“黑箱”效应限制。

2.3. AI辅助息肉管理策略

针对≤5 mm低风险息肉，PIVI提出“留而不切”（要求NPV≥90%）和“切而弃之”（要求光学与病理诊断一致性≥90%）。Hassan研究显示CADx对直肠乙状结肠微小病变NPV达97.6%，可减少44.4%切除。但Barua多中心试验未发现CADx优于标准光学诊断。Meta分析表明CADx在“留而不切”策略中无显著获益或危害。Rondonotti评估CAD-EYE支持“切而弃之”，但效果依赖医师经验。当前证据未明确CADx在常规管理中的优势，需进一步提升诊断准确性和实时性。

3. AI辅助早期结直肠癌浸润深度预测

CADx应用于预测CRC浸润深度，辅助内镜治疗决策。Tokunaga基于白光内镜（WLC）图像的系统总体准确率90.3%，但对深部黏膜下浸润（T1b）准确率仅51.2%。Luo的AI增强注意力引导WLC系统区分非浸润/浅浸润（Tis/T1a）与深浸润/进展期（T1b-T3）准确率91.1%，但仅区分T1a与T1b时降至68.3%。Lu等人的Endo-CRC系统整合WLC和图像增强内镜（IEE），对早期CRC准确率93.78%。Yao的多模态深度学习结直肠癌浸润计算（CCIC）系统诊断准确率与专家相当，辅助初级医师准确率从75.4%提升至85.3%。Shimizu的CNN模型可区分低级别异型增生（LGD）、高级别异型增生/黏膜癌（HGD）、浅表黏膜下浸润（SMs）和深部黏膜下浸润（SMd），各类别准确率0.964–0.992。预测早期CRC浸润深度仍具挑战，需前瞻性研究验证。

4. AI在炎症性肠病综合管理中的应用

4.1. IBD诊断与鉴别诊断

AI有助于IBD与感染性、缺血性肠炎等鉴别。Guimar?es的CNN模型区分IBD与感染性、缺血性结肠炎性能中等，但基于临床参数的梯度提升决策树（GBDT）优于CNN和专家。Kim的CNN可区分贝赫切特病、克罗恩病（CD）和肠结核。Luo的多类别上下文分类（MCC）模型能准确区分CD、溃疡性结肠炎（UC）、肠结核（ITB）和缺血性结肠炎（IC），视频级模型平衡准确率0.808，与专家无显著差异。多数研究为回顾性，需前瞻性验证。

4.2. 溃疡性结肠炎（UC）

疾病活动度评估：当前梅奥内镜评分（MES）和UC内镜严重指数（UCEIS）存在主观差异。AI可自动化评估。Takennaka模型评估内镜和组织学活动度（UCEIS和Geboes评分）准确率分别为90%和93%。Gottlieb团队深度学习模型用视频依据MES/UCEIS评分，加权Kappa值0.844，媲美专家（0.855）。Fan的节段评估系统将结肠分5区多亚段，彩色编码显示活动度，MES评分与医师相当，UCEIS子项（血管模式、出血、糜烂/溃疡）准确率77.7%-90.7%。Meta分析证实深度学习算法评估内镜缓解潜力大。

UC相关异型增生检测：长期UC患者结直肠癌风险增加。Noguchi的CNN模型通过HE切片预测p53免疫组化阳性，性能高，为监测提供替代。Curtius基于临床病理特征的Cox回归模型有效分层风险，指导监测或预防性结肠切除术。

4.3. 克罗恩病（CD）疾病严重程度评估

CD内镜评分因溃疡形态异质性和病变分布不均而困难。Cai评估计算机视觉内镜（CVE）客观量化黏膜损伤，溃疡分割模型与医师标注相当，CVE测量与CD简化内镜评分（SES-CD）强相关，且能区分临床缓解状态，效应量大于SES-CD。AI在CD胶囊内镜应用较多，内镜成像研究有限，需进一步探索。

讨论

当前AI系统在结肠镜中的局限性

CADe虽提高ADR，但延长退镜时间、增加非肿瘤性息肉切除，可能增加患者和医疗负担。随机对照试验（RCT）显示CADe改善ADR，但非随机研究（如Patel Meta分析）未发现显著改善，提示研究设计影响结果评估。前瞻性研究效应量大于回顾性，操作者行为与系统交互是关键因素，但缺乏标准化评估指南。CADx尚不足以可靠支持“切而弃之”或“留而不切”策略，未显著提升医师诊断信心。其效用取决于影响决策的能力，尤其特定形态分类。技术上限受外部因素（光照、息肉形态、肠道准备）和模型“黑箱”效应影响。

胃肠道内镜AI的未来方向

未来研究应超越ADR等指标，关注患者中心结局（如癌症预防、减少不必要干预）。需由经验内镜医师主导，设计贴合临床的实用试验。优化人机交互，使AI成为动态协作工具，提供实时可解释反馈。开发可解释AI界面，可视化诊断特征（如病变形态、腺管结构、血管模式），提升信任度。伦理和隐私是主要障碍，需合规数据保护。联邦学习等技术在无需直接数据共享下协同建模，平衡创新与隐私。需建立透明数据治理、患者知情同意和伦理监督。跨学科合作（临床、计算机科学、政策制定、伦理协会、数据库工程）是释放AI潜力关键。

结论

近年来，AI在消化内镜领域取得突破。基于深度学习的CADe和CADx系统广泛应用于CRC和腺瘤的自动检测与诊断，显著提高ADR、减少漏诊、提升结肠镜整体质量。AI还辅助内镜操作质控、肠道准备评估和退镜流程优化，降低操作者差异。但当前应用存在局限：多数系统基于单中心或有限数据集，泛化性不足；对复杂病变和特殊息肉识别准确性待提升；受图像质量、工作流程和数据标准化限制。临床推广前需多中心验证。未来AI发展应优先大规模数据共享和协同建模，拓展在早癌筛查、预后预测和个体化治疗中的应用。加强AI与内镜医师协作可实现优势互补，优化全流程质控。随着技术与临床需求深度融合，AI有望进一步提升诊断效率和品质，支持胃肠道疾病早发现和精准管理。