多模态内镜人工智能系统AIOSCOPE-WE提升结直肠上皮下病变分类准确性的多中心研究

针对结直肠上皮下病变（SELs）内镜下表现相似但组织学异质性高的诊断难题，浙江大学医学院附属第一医院团队开发了整合白光内镜（WLE）和超声内镜（EUS）的多模态AI系统AIOSCOPE-WE。研究纳入7家医院510例患者数据，证实该系统分类准确率达86.0%，显著优于单模态模型及内镜医师（P<0.01），可辅助临床决策优化。

　　

在常规结肠镜检查中，结直肠上皮下病变（Subepithelial lesions, SELs）犹如隐藏在正常黏膜下的"神秘客"——它们表面覆盖着完好的上皮组织，却可能包含从无害的脂肪瘤到具有恶性潜能的神经内分泌肿瘤（Neuroendocrine tumors, NETs）等截然不同的病理类型。这些病变在普通白光内镜（White light endoscopy, WLE）下往往呈现相似的隆起性外观，但组织学特征和临床处理方案却大相径庭。更棘手的是，即便是经验丰富的内镜医师，仅凭WLE图像诊断准确率也不足50%，而作为补充手段的超声内镜（Endoscopic ultrasonography, EUS）检查又高度依赖操作者经验。这种诊断困境直接导致临床决策的两难：过度治疗可能造成不必要的创伤，而漏诊高风险病变则可能延误最佳干预时机。

为破解这一临床痛点，来自浙江大学医学院附属第一医院的研究团队开展了一项突破性研究。他们创新性地将人工智能（Artificial Intelligence, AI）技术与多模态内镜影像相结合，开发出名为AIOSCOPE-WE的智能诊断系统。这项发表在《Digestive and Liver Disease》的研究成果显示，该系统不仅能准确区分NETs、脂肪瘤、平滑肌瘤和炎性增生等常见SELs亚型，更能显著提升内镜医师的诊断水平，为精准医疗时代的内镜诊疗提供了新范式。

关键技术方法
研究团队采用多中心回顾性设计，从7家三甲医院收集510例经病理确诊的结直肠SELs患者数据（含5118张WLE图像和4950张EUS图像），涵盖364例NETs（含G1/G2分级）、72例脂肪瘤、23例平滑肌瘤和51例炎性增生。通过构建单模态模型（Model W仅分析WLE特征，Model E仅分析EUS特征）与多模态融合模型AIOSCOPE-WE对比，采用五折交叉验证评估性能。最终系统通过梯度加权类激活映射（Grad-CAM）技术实现特征可视化，并邀请不同年资内镜医师进行人机对比试验。

研究结果

基线特征
纳入患者平均年龄51.8±11.8岁，女性占51.6%。病变平均直径12.3±6.7mm，好发于直肠（64.3%）和右半结肠（21.4%）。NETs中90.1%为WHO G1级，9.9%为G2级。

模型性能比较
AIOSCOPE-WE在内部验证集达到92.1%的准确率，显著高于单模态模型（Model W 71.9%，Model E 78.6%，P<0.001）。外部验证中仍保持84.9%的优异表现，且对不同大小病变（<10mm或≥10mm）和NETs分级（G1/G2）均显示稳定诊断效能。

人机协作价值
在盲法测试中，AIOSCOPE-WE单独诊断准确率（86.0%）超越EUS专家（75.8%）和非专家（65.4%）。当内镜医师获得AI辅助时，整体诊断水平从70.6%跃升至83.1%（P<0.001），其中低年资医师获益尤为显著（+18.5%）。

结论与展望
该研究首次证实多模态AI模型在结直肠SELs分类中的优越性。AIOSCOPE-WE通过整合WLE的宏观形态特征与EUS的层次结构信息，突破了单模态诊断的局限性。其临床价值体现在三方面：一是减少活检和手术等侵入性操作（特别对良性病变），二是优化NETs分级评估流程，三是通过人机协同模式缩小不同医疗机构间的诊断水平差异。研究团队特别指出，该系统对<10mm的小病变仍保持82.3%的准确率，这对早期癌变筛查具有重要意义。未来研究将探索实时诊断功能和更多病理类型的纳入，以推动AI辅助诊疗在消化内镜领域的全面应用。

（注：全文数据及结论均源自原文，作者Shurong Chen、Louzhe Xu等来自浙江大学医学院附属第一医院，通讯作者为Yi Chen和Youming Li）