摘要
背景/目的：胃肠道出血是常见的、可能危及生命的疾病，胶囊内窥镜（CE）是在上消化道内镜和结肠镜检查无诊断发现后怀疑小肠出血时的主要检查手段。由于人工审阅数以千计的胶囊内窥镜图像帧工作量大且耗时，人工智能（AI）被提出用于自动化出血检测。方法：遵循PRISMA 2020规范，本系统综述综合了15项同行评审期刊研究（2020–2025），这些研究在胶囊内窥镜中运用传统机器学习、卷积神经网络、迁移学习、基于注意力机制或混合架构、分割或目标检测等方法进行胃肠道出血检测。方法学质量采用基于QUADAS-2和PROBAST的AI改编偏倚风险评估框架进行评价。结果：帧级分类准确率范围为90.6%至99.9%（中位数98.5%；13项研究），最低值来自最接近临床实践的评估；分割和检测研究报告的平均交并比为86.9%，mAP@0.5为79.0%。仅有两项研究（13%）在验证策略方面属于低偏倚风险，无研究报道患者水平的训练数据与测试数据分离，仅四项（27%）使用临床患者数据，且无研究将AI与传统内镜检查或临床结局进行比较。结论：当前证据显示在精选数据集上具有高性能，但尚未证明其泛化能力或临床就绪程度；需要患者水平的、外部的、前瞻性的多中心验证。
