人工智能系统（CAD-EYE）在上消化道内镜肿瘤性病变检测中的多中心关键性研究：一项推动日本药械审批的前瞻性评估

本文为一项多中心回顾性研究，系统评估了富士隆人工智能系统（CAD-EYE）在检测食管鳞状细胞癌（ESCC）和胃肿瘤（GN）中的表现。研究采用白光成像（WLI）、蓝激光成像（BLI）和联动成像（LCI）等多种内镜模式，结果显示CAD-EYE对早期病变（如pT1a期ESCC和早期胃癌）具有高灵敏度（ESCC在BLI达97.6%，GN在WLI达95.5%），凸显其作为临床辅助工具的潜力，尤其在与虚拟染色内镜技术结合时表现更优。

　　

引言

胃癌和食管癌分别是全球第四和第七大常见癌症，早期检测与治疗对改善患者预后至关重要。内镜切除术已成为早期胃癌（EGC）和表浅性食管鳞状细胞癌（ESCC）的标准微创治疗方式。在亚洲国家，食管胃十二指肠镜是胃癌筛查的主要手段。白光成像（WLI）是最常用的胃部观察模式，但胃肿瘤（GN）的检测高度依赖操作者经验，既往研究报道的胃癌漏诊率在4.6%至25.8%之间。图像增强内镜（IEE）技术如窄带成像（NBI）和蓝激光/蓝光成像（BLI）已被证明可提高EGC的检出率。联动成像（LCI）是另一种先进成像技术，通过同时扩展和收缩红白之间的色谱来增强黏膜颜色的视觉区分。近年来，人工智能（AI）取得显著进展，计算机辅助检测（CAD）系统为实时内镜诊断提供了新可能。富士隆公司开发的CAD EYE系统兼容WLI、BLI和LCI模式，本研究旨在评估其检测ESCC和GN的性能，以支持日本药品医疗器械管理局（PMDA）的审批申请。

方法

CAD EYE系统基于深度学习技术，使用超过25万张非放大静态图像进行训练，能够实时分析食管和胃的肿瘤性与非肿瘤性病变图像。系统接收来自图像处理器的非放大内镜图像数据，通过生成声音警报和在监视器上显示矩形框架标记病变位置来识别候选肿瘤病变。本研究为多中心、回顾性、基于视频的观察性研究，在日本14家转诊机构进行。纳入标准为具有可用的内镜图像数据集（含或不含ESCC或GN），ESCC和GN均经病理学确认。内镜检查使用非放大WLI、BLI或LCI模式，所有操作均前瞻性录像。由合同研究组织（CRO）从录像中提取包含15个连续帧的视频剪辑，并由20名经验丰富的内镜医师进行病变标注，形成金标准。最终，肿瘤性病变数据集用于评估系统性能，非肿瘤性数据集用于确认无病变。主要终点是CAD EYE对ESCC和GN检测的灵敏度，定义为成功检测的数据集数量占肿瘤性病变数据集总数的比例；特异性定义为无非肿瘤性病变标记的数据集数量占非肿瘤性病变数据集总数的比例。

结果

研究共纳入3217个视频剪辑（食管1740个，胃1477个），排除不符合标准的剪辑后，最终分析包括ESCC的WLI、BLI和LCI组分别有620、679和682个数据集，GN的WLI和LCI组分别有841和882个数据集。ESCC检测的灵敏度在WLI组为85.9%（95%CI：81.1%-90.6%），BLI组为97.6%（95.6%-99.7%），LCI组为96.6%（94.2%-99.1%）；特异性在WLI组为93.3%（90.8%-95.7%），BLI组为92.9%（90.6%-95.3%），LCI组为93.2%（91.0%-95.5%）。对pT1a期ESCC的灵敏度在WLI、BLI和LCI组分别为85.3%、97.3%和97.2%。GN检测的灵敏度在WLI组为95.5%（92.8%-98.1%），LCI组为93.9%（91.1%-96.7%）；特异性在WLI组为86.1%，LCI组为94.4%；检测标志的特异性在WLI组为85.4%（82.6%-88.2%），LCI组为93.9%（92.0%-95.8%）。对pT1a期早期胃癌的灵敏度在WLI和LCI组分别为93.8%和92.4%。亚组分析显示，对小尺寸病变（≤10 mm）的检测灵敏度较高，尤其在GN中超过90%，但BLI对小尺寸ESCC的检测灵敏度相对较低（77.3%）。

讨论

本研究证实了CAD EYE系统在上消化道肿瘤检测中的高灵敏度，其性能在不同成像模式下均达到预期终点，尤其是在IEE（BLI和LCI）辅助下表现更佳。与既往研究相比，CAD EYE在检测早期和微小病变方面展现出优势，但WLI对ESCC的检测性能仍有提升空间。专家共识推荐将IEE用于ESCC检测，而LCI在最近的多中心随机对照试验（LCI-FIND）中也显示出优于WLI的肿瘤检出能力。因此，AI与IEE的结合有望进一步提高内镜诊断的准确性。然而，本研究存在回顾性设计的局限性，可能引入选择偏倚，且仅基于视频剪辑分析，未完全反映真实临床场景。未来需开展实时检测研究，并评估CAD EYE对经验不足内镜医师的诊断辅助价值。

结论

CAD EYE原型在检测ESCC和GN方面表现出高灵敏度，是一项有前景的AI辅助工具，有望推动上消化道内镜诊断的标准化和精准化。

作者贡献与利益冲突

本文由Seiichiro Abe负责撰写，Yoshiyasu Kitagawa等多位作者参与数据采集与解读，Ichiro Oda负责研究设计与最终审核。所有作者均声明与富士隆公司存在研究资助、酬金或差旅支持等利益关系。研究经各参与机构伦理委员会批准，并获得所有患者的书面知情同意。