Development and Validation of a Feature-Prompted Deep Learning System for Diagnosing Chronic Atrophic Gastritis Under White-Light Endoscopy
本研究提出了一种特征提示深度学习系统，该系统在白光内镜下对慢性萎缩性胃炎实现了专家级的诊断准确度，其表现优于中级内镜医师，并达到了高级专科医生的水平。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年，全球都有数百万人面临胃癌的威胁，这种疾病仍然是导致全球癌症相关死亡的主要原因之一。在癌症发生之前，胃黏膜往往会经历一种被称为慢性萎缩性胃炎的缓慢、无声的转变。在这种情况下，健康的胃黏膜组织会逐渐变薄并失去功能，这种变化显著增加了随后出现癌症的风险。检测这一早期预警信号至关重要，但对医生来说仍然是一项艰巨的任务。观察胃部内部的主要工具是在细管上安装的柔性摄像头，它能捕捉器官内部的图像。然而，在这些图像中识别组织变薄的细微迹象是非常困难的。这些变化可能非常微弱，即使是经验丰富的专家也经常会对所见内容产生分歧，或者完全忽略这些迹象。由于这种不确定性，医生有时不得不依赖于从胃部的各个部位随机采集组织样本以确保准确，这一过程既耗时、昂贵，又让患者感到不适。
杭州萧山中医院的研究团队开发了一种新型人工智能系统，旨在帮助医生更可靠地发现这些早期预警信号。他们的目标是创建一个数字助手，能够观察医生在标准检查过程中看到的同一段实时视频图像，并高精度地识别出组织变薄的具体模式。与以往试图一次性分析单张图像的尝试不同，该团队构建了一个多步骤系统，模拟了人类专家检查患者时的细致方式。系统首先检查图像是否足够清晰以供使用，剔除模糊或光照不足的帧。然后，它会精确识别摄像头正在观察胃部的哪个部分，区分入口、主体和出口。最后，它专注于可能隐藏着组织变薄现象的具体区域，利用一种能够突出可疑区域的技术来进行诊断。
研究人员使用从2024年1月至2025年9月期间接受胃镜检查的近千名患者的数千张图像对该系统进行了测试。为了确保系统学习的内容是正确的，他们利用大量由资深医生精心标注的图像集对其进行了训练。他们方法中最具创新性的部分在于系统如何学习寻找疾病。他们并没有要求计算机在整幅图像中猜测问题所在，而是先教给系统的一个独立部分如何在看起来可能变薄的区域周围绘制数字轮廓。主诊断工具随后利用这些轮廓作为引导，将注意力仅集中在相关的组织上。这种研究人员称之为“特征提示学习”（feature-prompted learning）的方法，使系统能够忽略可能分散其注意力的健康胃部组织，就像人在拥挤的房间里专注于某个特定细节而忽略背景一样。
当团队对其表现最好的模型进行测试时，结果令人瞩目。在确实存在组织变薄的情况下，该系统正确识别了92.4%的病例；在不存在的情况下，它正确排除了89.2%的病例。这种准确度不仅是统计学上的成功，更是实践中的成功。当研究人员将计算机的表现与一组人类医生进行对比时，该系统的表现与拥有五年以上独立经验的高级专家不相上下。该系统90.9%的准确率与这些专家的90.3%在统计学上没有显著差异。然而，该系统明显优于具有三到五年独立执业经验的中级医生，后者的准确率为85.6%，这一差距表明人工智能可以作为一个强大的平衡器，帮助经验较少的从业者达到资深专家的诊断水平。
研究还表明，该系统的多步骤设计对其成功至关重要。当研究人员尝试一个不预先过滤质量或位置、直接观察整个图像的简化版本时，准确率降至87.0%。这一差异证明，系统通过清理数据并聚焦于正确的解剖区域，确实带来了切实且可衡量的改进。这种“特征提示”策略——即通过组织变薄区域的数字轮廓来引导系统——进一步提升了结果，表明将计算机的注意力引导至图像中最相关的部分有助于避免错误。虽然该系统展现出了巨大的潜力，但研究人员谨慎地指出，这是一项单中心研究，这意味着它是在一家医院的特定设备上针对其患者进行的测试。他们承认，在能够广泛应用于临床之前，该系统仍需在更多样化的环境和使用不同类型的摄像头进行测试。
尽管存在这些局限性，这项工作仍代表了在标准化检测癌前胃部疾病方面迈出的重要一步。通过将细致的逐步分析与引导计算机关注最重要细节的方法相结合，研究人员创造了一个能够匹配顶尖人类专家表现的工具。该系统并非取代医生，而是提供了一双永不疲劳、且不会因疲劳或分心而错过细微线索的“第二双眼睛”。随着这项技术向更大规模的多中心试验推进，它有望使胃癌的早期检测更加一致且普及，确保无论谁在操作摄像头，慢性萎缩性胃炎的预警信号都能被清晰地察觉。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。