编辑推荐：
在结肠镜检查中，插管时内镜尖端与黏膜接触会引发红视（red-out），还可能导致穿孔，且缺乏红视定量分析方法。研究人员开发了基于人工智能（AI）的系统评估红视。结果显示该系统能有效评估，且 AI 红视避免得分与实际情况相关。这为结肠镜培训提供了辅助工具。
在医疗领域，结肠镜检查是诊断结直肠癌（CRC）的金标准，然而这项看似常规的检查，却隐藏着一些棘手的问题。在结肠镜检查的插管阶段，当内镜尖端与结直肠黏膜接触时，就会出现红视现象，在监控器上呈现出异常的红色画面。这不仅会模糊医生的视野，影响检查效果，更危险的是，如果施加的压力过大，还可能导致肠穿孔，这可是结肠镜检查中最严重的不良事件之一 。但一直以来，对于红视现象，缺乏有效的实时和定量分析方法，在临床培训中，也无法给学员提供红视的定量反馈，这无疑给结肠镜检查的安全性和准确性埋下了隐患。为了解决这些问题，中国科学院合肥物质科学研究院智能机械研究所、安徽医科大学第一附属医院等多家机构的研究人员携手开展了一项极具意义的研究。他们致力于开发一种基于人工智能（AI）的系统，用于在结肠镜插管过程中实时定量评估红视现象，相关研究成果发表在《Scientific Reports》上。
研究人员在这项研究中，运用了多种关键技术方法。首先是半监督学习技术，它巧妙地将少量专家标注的数据与大量未标注的数据相结合来训练 AI 模型，减轻了标注负担。在模型选择上，研究人员经过多次试验，最终选定 MobileNetV3_Small 作为教师和学生模型，因其具有轻量级架构、高效计算性能和平衡的准确性，能实现结肠镜视频的实时图像分类。研究数据来自 4 家中国三级医院中接受镇静结肠镜检查的患者，同时招募了不同经验水平的 34 名结肠镜医师参与研究 。
下面来看具体的研究结果。
- 患者和结肠镜医师的特征：研究期间，共招募了 479 例患者进行分析，患者的平均年龄为 46.26±12.94 岁，平均 BMI 为 23.02±2.53 kg/m2。34 名结肠镜医师依据之前完成的结肠镜检查数量，被分为新手（完成少于 50 例）、中级（完成 50 - 500 例）和经验丰富（完成超过 1000 例）三组 。
- AI 系统在不同经验水平医师中的表现：经验丰富组的 AI 红视避免得分显著高于新手组和中级组。而且，AI 红视避免得分与实际盲肠插管时间（CIT）和实际红视百分比显著相关 。
- AI 得分与专家评估的相关性：根据专家基于直接观察操作或技能（DOPS）的评估，将尖端控制技能分为四个等级。结果显示，AI 得分与 DOPS 评估结果相符，随着监督程度降低，医师的 AI 红视避免得分越高 。
在讨论部分，研究人员指出，该 AI 系统能够为结肠镜医师在临床环境中实时定量评估插管阶段的红视避免技能提供帮助。通过教师 - 学生半监督学习算法训练的 Semi - SAIM 系统，对红视象限视图识别的准确率可达 93.140%，整体准确率为 91.042%，能可靠地识别红视视图。而且，AI 红视避免得分综合考虑了 CIT 和红视百分比，与二者均呈负相关，这能促使学员在插管时平衡速度与安全。但该研究也存在一定局限性，比如 AI 系统仅能评估插管时的红视，未纳入结肠憩室患者、水辅助和帽辅助结肠镜检查等情况 。
总体而言，这项研究开发的基于半监督 AI 的工具，能在结肠镜插管时实时提供定量反馈，为学员提供了新的插管定量评估参数，将 CIT 和安全因素相结合。尽管还需要前瞻性随机对照试验来进一步验证其对结肠镜培训的效果，但它无疑为提升结肠镜检查的安全性和培训质量开辟了新的道路，有望在未来的临床实践和医学教育中发挥重要作用。
