《Gastrointestinal Disorders》：Artificial Intelligence in Helicobacter Pylori Infection: Diagnostic Applications and Emerging Treatment-Related Predictive Uses—A Systematic Review
编辑推荐：
背景：人工智能（artificial intelligence，AI）在幽门螺杆菌（H. pylori）感染的诊断中显示出日益增长的潜力，尤其是通过内镜图像的自动化分析。新兴研究也探索了治疗相关的预测应用，尽管相关证据仍然有限。本系统综述旨在综合当前关于人工智
背景：人工智能（artificial intelligence，AI）在幽门螺杆菌（H. pylori）感染的诊断中显示出日益增长的潜力，尤其是通过内镜图像的自动化分析。新兴研究也探索了治疗相关的预测应用，尽管相关证据仍然有限。本系统综述旨在综合当前关于人工智能在H. pylori感染中应用的证据，主要侧重于诊断，次要考虑治疗预测应用。方法：根据PRISMA 2020指南，在PubMed、ScienceDirect、EBSCO和Cochrane Library中进行系统综述检索，纳入2020年至2025年间发表的文章。共纳入6项采用深度学习或机器学习模型的研究，主要为卷积神经网络和预测分类器。结果：人工智能模型表现出稳定的诊断性能，准确率为79.2%至94%，灵敏度为62.5%至96%，特异度为79.4%至93.4%。基于卷积神经网络的系统通常表现出与人类内镜医师相当或更优的诊断性能，尤其是在经验较少的操作者中。有限证据表明人工智能在预测治疗失败方面可能发挥作用；然而，该发现仅基于一项纳入研究。结论：人工智能似乎是诊断H. pylori感染的一种有前景的辅助工具，尤其是在内镜成像方面。然而，关于治疗相关和耐药相关应用的证据仍然有限且间接，因此这些潜在用途应被视为初步探索。
1. 引言
幽门螺杆菌是一种革兰氏阴性、螺旋形、有鞭毛的细菌，可定植于胃肠道，其感染影响全球超过一半人口。该病原体是慢性活动性胃炎、消化性溃疡、胃黏膜相关淋巴组织（MALT）淋巴瘤及胃癌的关键致病因素。人工智能（AI）通过训练逻辑算法辅助医学决策，其中机器学习（ML）和深度学习（DL）特别是卷积神经网络（CNN）在内镜图像分析中具有显著优势，能够自动提取细微黏膜模式，用于幽门螺杆菌感染诊断、感染状态分类，并可能结合临床数据预测治疗失败或抗生素耐药。
2. 材料与方法
本系统综述遵循PRISMA 2020指南，并在PROSPERO数据库注册（CRD420261290071）。检索于2025年7月20日至8月19日在PubMed、ScienceDirect、EBSCO和Cochrane Library进行，限定2020年1月至2025年8月发表的文章。检索策略采用关键词与布尔运算符组合，并针对各数据库调整，同时使用了MeSH描述词。纳入标准为成人（≥18岁）确诊或疑似幽门螺杆菌感染的研究，干预措施为应用AI模型（机器学习、深度学习、神经网络等），结局包括诊断性能指标或治疗失败预测。排除对象包括18岁以下人群、动物或体外研究、非AI核心研究、综述、编辑信函、会议摘要及无全文研究。两名研究者独立筛选并提取数据，使用乔安娜·布里格斯研究所（JBI）批判性评估工具评价方法学质量。鉴于模型架构、输入数据、验证策略及结局报告的显著异质性，未进行定量荟萃分析，而采用结构化叙述性综合，将研究分为诊断模型和治疗失败预测模型两类。
3. 结果
3.1. 研究选择
通过数据库检索共获得61条记录，去除重复后剩56条，经标题和摘要筛选排除39条，评估17篇全文后排除11篇，最终纳入6项研究。
3.2. 纳入研究的特征
6项研究包括随机临床试验、多中心前瞻性研究和不同临床背景下的验证研究。大多数研究聚焦于基于内镜图像的卷积神经网络诊断模型；一项研究评估了实时深度学习系统；另一项探索了机器学习算法预测幽门螺杆菌感染治疗失败。
3.3. 主要结局
3.3.1. 准确率
纳入研究显示AI系统诊断准确率大多超过80%。Zou等开发的EfficientNet-B0系统测试阶段准确率为89.6%，多中心临床试验中达92.8%。Shen等评估的基于ResNet34的CADSS-HP系统实时内镜准确率为89.9%。Seo等应用Inception-v3网络，内部和外部验证准确率在87%至94%之间。Li等研发的基于深度学习的IDEA-HP系统准确率为85.3%。Nakashima等使用的22层LCI-CAD模型按感染类别准确率为79.2%至84.2%。
3.3.2. 灵敏度
所有模型均报告了高灵敏度。EfficientNet-B0在实验阶段和AI辅助组中灵敏度突出；CADSS-HP灵敏度超过未辅助内镜医师；Inception-v3在内外验证中保持高且稳定的灵敏度；IDEA-HP性能稳定；LCI-CAD在不同感染类别中数值有变异；Jiang等用于预测治疗失败的模型灵敏度接近80%。
3.3.3. 特异度
EfficientNet-B0获得最高特异度；CADSS-HP在灵敏度和特异度之间维持平衡；Inception-v3和IDEA-HP在不同验证阶段表现一致；LCI-CAD按感染类型获得高特异度；Jiang等的Extra-Trees分类器特异度接近80%，显示整体性能充分。
3.4. 次要结局
3.4.1. 人工智能与人类内镜医师的比较
AI系统表现优于内镜医师，尤其是经验较少者。EfficientNet-B0辅助下内镜医师准确率92.8%，非辅助组为75.6%，灵敏度和特异度也更高。CADSS-HP准确率89.9%、灵敏度91.5%，优于人类内镜医师的83.8%和78.3%。IDEA-HP模型的准确率84%、灵敏度82%、特异度86%，与专家水平相当，优于低年资内镜医师。
3.4.2. 人工智能与标准诊断试验的比较
CADSS-HP系统的灵敏度（91.5%）与尿素呼气试验（95.2%）相当，且高于组织学检查（82%）。该系统可在内镜过程中提供实时结果，可能减少胃活检需求。部分研究未进行直接头对头比较，因其主要目标是模型开发或验证而非正式对照评估。
3.5. 方法学质量
采用JBI诊断准确性研究清单（10个领域）评估，所有纳入诊断研究满足8至10个领域，被判定为高质量。Zou等研究的随机阶段单独使用JBI随机对照试验清单（13个领域），满足7项，提示低至中度偏倚风险。最常见不明确领域为参考标准的有效性、一致应用及盲法。
4. 讨论
4.1. 人工智能在幽门螺杆菌感染中的诊断应用
纳入研究一致显示AI诊断性能高，准确率通常为85%至94%，灵敏度和特异度多超过80%。EfficientNet-B0、CADSS-HP、Inception-v3和IDEA-HP等系统均支持CNN在内镜诊断中的临床效用。LCI-CAD模型表明AI可能区分活动性感染、根除后状态和未感染状态，对胃癌风险分层具有潜在意义。AI辅助可减少操作者经验依赖，作为内镜评估中的“第二意见”。
4.2. 治疗相关和预测应用
治疗相关的预测证据有限。仅一项纳入研究（Jiang等）验证了Extra-Trees分类器预测克拉霉素三联疗法失败，灵敏度和特异度接近80%。主要预测因素包括年龄、既往抗生素使用与治疗开始之间的间隔以及治疗方案类型。目前没有研究直接证明AI降低抗菌素耐药性，因此该方面应用应谨慎解读。
4.3. 正式纳入研究之外的其他背景文献
另有一项回顾性研究报告CNN系统准确率88%、灵敏度93%、特异度80%，结果与正式纳入研究相似。一项多中心研究显示AI性能显著优于各经验水平内镜医师，准确率85.3%、灵敏度85.7%、特异度85.1%。此外，基于基因组测序的深度学习模型在预测克拉霉素耐药方面达到100%灵敏度和特异度；另一机器学习模型根据患者个体特征推荐个体化治疗，根除率接近94%，而标准治疗为88%。但这些研究因不符合预定义纳入标准而未成为主要证据基础。
4.4. 作者对人工智能在幽门螺杆菌感染中的批判性观点
AI在该领域仍处于从技术可行性向常规临床实施过渡的阶段。多数研究在受控、高专业中心进行，结果可能无法推广至社区医院或低操作量中心。高诊断准确率本身不足以支持普遍采用，外部效度、可重复性、工作流程整合和操作者依赖性仍是关键考量。AI应作为补充工具而非替代医师专业判断。未来研究需优先关注前瞻性多中心验证、模型可解释性、成本效益、监管规范以及AI辅助策略对患者结局（如根除率、不良事件、减少不必要的抗生素暴露）的影响。
4.5. 局限性
本综述仅纳入6项研究，限制结果普遍性。研究在临床目标、AI模型、样本量、成像方式、对照及验证方法上存在较大异质性，无法进行定量综合。证据以诊断为主，仅1项研究涉及治疗失败预测，治疗导向结论应视为初步。检索策略未纳入Embase，且未采用更广泛的特定架构或分子、生物标志物相关术语，可能遗漏部分相关研究。最终纳入证据未充分涵盖分子或基因组耐药预测研究。部分研究未报告置信区间或统计显著性，限制了解释的稳健性。
5. 结论
现有证据表明，人工智能是诊断幽门螺杆菌感染的一种有前景的辅助工具，尤其在内镜环境中，多种模型显示出高准确率、灵敏度和特异度。相比之下，治疗和预测应用的证据仍然稀缺，仅一项纳入研究评估了治疗失败预测。因此，尽管人工智能未来可能在治疗决策支持方面发挥作用，但该角色目前仍属初步，应谨慎解读。需要进一步研究确定AI方法能否在常规临床实践中对治疗优化和抗菌素耐药相关结局产生实质性贡献。
