膠囊內(nèi)鏡人工智能系統(tǒng)臨床應用專家共識2025

膠囊內(nèi)鏡人工智能系統(tǒng)臨床應用專家共識2025操作簡便以及檢查范圍廣等優(yōu)勢，避免了傳統(tǒng)機痛苦，尤其適用于常規(guī)內(nèi)鏡難以到達的小腸管腔盡管膠囊內(nèi)鏡在消化道檢查中的表現(xiàn)優(yōu)于其他體外替代成像技術(shù)，但傳統(tǒng)的人工閱片仍存在漏診率偏高、閱片時間長等問題，在血管性病變、潰瘍和腫瘤性病變等方面，其漏診率分別為5.9%、0.5%和18.9%,這近年來，人工智能(AI)技術(shù)在消化道成像領(lǐng)域應用取得了顯著進展，尤其是卷積神經(jīng)網(wǎng)絡(luò)(CNN)等深度學習算法在胃腸道病灶檢測任務(wù)中展內(nèi)外已有大量研究探索了AI在膠囊內(nèi)鏡中的潛力，其在病灶識別、圖像這些研究不僅推動了膠囊內(nèi)鏡技術(shù)的發(fā)展，也為未來智能化診斷系統(tǒng)要輔助工具，進一步提升臨床診斷的精準性研究證據(jù)，為臨床醫(yī)師在應用膠囊內(nèi)鏡AI共識并非強制性標準，無法涵蓋或解決所有技術(shù)床醫(yī)師在面對具體患者時，應充分了解目前能夠獲合患者病情和治療意愿，根據(jù)自己的專業(yè)知本共識基于研究對象、干預措施、對照措施、結(jié)局(PICO)原則提出陳述意見，參考推薦等級的評估、制定與評價(GRADE)系統(tǒng)對證據(jù)質(zhì)量(表1)和推薦強度(表2)進行分級，采用改良Delphi方法(表3)由專家投票表決達成共識。其中，投票表決意見中①+②比例>80%屬于達成共識，共識水平以表決意見中的①+②比例表示(表4)。證據(jù)質(zhì)量等級定義高等質(zhì)量A進一步研究也不可能改變其可信度中等質(zhì)量B對估計的效應值確信度中等，其有可能接近真實效應值，進一步研究有可能改變其可信度低等質(zhì)量C對估計的效應值確信度有限，其與真實效應值可能大不相同，進一步研究極有可能改變其可信度很低等質(zhì)量D都很不確定推薦強度等級定義在大多數(shù)情況下適用于大多數(shù)患者觀與偏好性會有差異表3改良Delphi方法的共識投票意見投票選項定義1完全同意4不同意共識水平(%)陳述3:建議使用AT輔助進行腸道準備評估作為小腸膠囊內(nèi)鏡檢查的質(zhì)量評估方法之一1B1陳述4:對于結(jié)直腸膠囊內(nèi)鏡檢查，使用AI輔助進行腸道準備評估有良好的應用前景陳述5:建議在磁控膠囊內(nèi)鏡閱片中使用A1輔助醫(yī)1B1性，縮短閱片時間A1陳述7:可以在結(jié)直腸膠囊內(nèi)鏡檢查中使用AI輔助閱片分類，尤其可以提升高風險病變的檢出率，并縮短閱片時間1A1四、AI輔助診斷克羅恩病確克羅恩病診斷、分級、分期，以及潰瘍、狹窄的嚴重二、膠囊內(nèi)鏡AI系統(tǒng)功能【陳述1】對于膠囊內(nèi)鏡檢查閱片，建議使用AI以提升閱片效率。(證據(jù)質(zhì)量：B;推薦強度：1;共識水平100%)膠囊內(nèi)鏡因其無痛、無創(chuàng)、無交叉感染風險的特性，已發(fā)展成為篩查消化道疾病的可靠方法。然而，膠囊內(nèi)鏡檢查產(chǎn)生的海量圖像數(shù)據(jù)給人工閱片帶來了巨大挑戰(zhàn)，不僅耗時費力，還容易因疲勞導致漏診。AI技術(shù)的引入有望解決這一難題，通過自動化分析和識別圖像，AI能夠顯著提高閱片效率和準確性，同時降低漏診風險。在實際應用中，AI技術(shù)已在膠囊內(nèi)鏡檢查的多個方面展現(xiàn)出巨大潛力。Ding等的一項研究證實，經(jīng)過訓練的基于CNN的輔助閱讀模型能夠檢測并正確識別大多數(shù)異常小腸膠囊內(nèi)鏡檢查(SBCE)圖像，包括炎癥、潰瘍、息肉、淋巴管擴張、出血、血管疾病、隆起病變、淋巴濾泡增生、憩縮短了93.9%,而敏感度和病灶檢出率顯著增加；當對有臨床意義的病灶16.33%,其中，對于異常病灶檢出率提高了5.57%,對于正常變異檢出率增加了10.77%。相關(guān)研究結(jié)果表明，AI技術(shù)在膠囊內(nèi)鏡檢查閱片中的應用不僅能夠顯著提升效率，還能保持甚至提【陳述2】像作為質(zhì)量控制工具。(證據(jù)質(zhì)量：C;推薦強度：2;共識水平100%)隨著磁控膠囊內(nèi)鏡(MCCE)的推廣應用以及學者們對上消化道膠囊近年來，AI技術(shù)迅速發(fā)展，可通過深度學習對數(shù)據(jù)、圖像等進行準確而快速的自動識別和分析，在膠囊內(nèi)鏡檢查似性評估與圖像預處理和深度學習技術(shù)相結(jié)合，特別是采用了DenseNet169模型，利用顏色轉(zhuǎn)移數(shù)據(jù)集在上消化道中實現(xiàn)了超過90%的解剖標志分類準確率。Li等在南方醫(yī)院收集了3343例無線膠囊內(nèi)鏡視頻并選取15個上消化道結(jié)構(gòu)，開發(fā)了一項基于transformer的AI模型，準確評估膠囊內(nèi)鏡下的胃結(jié)構(gòu)信息。該AI模型實現(xiàn)了99.6%的宏觀平均準確率、96.4%的宏觀平均靈敏度和99.8%的宏觀平均特異度，并與內(nèi)鏡醫(yī)師【陳述3】法之一。(證據(jù)質(zhì)量：B;推薦強度：1;共識水平90%)與結(jié)腸鏡檢查不同，小腸膠囊內(nèi)鏡無法在內(nèi)鏡下主動清洗吸出腸黏膜表面附著的遮擋物如氣泡、膽汁和糞渣等，因此嚴重影響內(nèi)鏡下病灶的檢出率與檢查完成率度進行自動評分，可以在縮短閱片時間的同時實現(xiàn)相對客觀的評級要求。Nam等首次基于深度學習開發(fā)了一個對腸道清潔度自動評分的軟件，在驗證中該軟件評分與專家評分高度相關(guān)，在受試者工作特征(【陳述4】中，以3.25作為臨床充分準備的清潔評分截斷值時，其靈敏度為93%,特異度為100%,曲線下面積(AUC)為0.977(95%CI:0.926~0.999,到94.4%。為了進一步探究AI與人類評級的差異性，該團隊在第2年將AI與5位胃腸病專家對于小腸膠囊內(nèi)鏡下清潔度的判斷進行了對比，胃腸病專家根據(jù)黏膜清潔度將視頻片段分為3組(≥75%為高，50%~75%為中，<50%為低),結(jié)果顯示5位胃腸病專家中，對視頻片段的高分評價率為10.7%~36.7%,低分評價率為28.7%~60.3%,而AI將27.7%的視頻片段評價為高分，29.7%評價為低分。為了對比AI與胃腸病專家判斷的一致性，該團隊選取了90例(90/300,30%)5位專家給出相同判斷結(jié)果的視頻，其中82例(82/90,91.1%)與AI的判斷結(jié)果相符，且胃腸病專家對AI的高、低評價符合率分別為95.0%和94.9%。該研究說明AI評估的結(jié)果更加穩(wěn)定且與人類醫(yī)師的總體判斷差異不大。Ribeiro等開發(fā)了一個基于CNN的自動分類系統(tǒng)，該系統(tǒng)可以將膠囊內(nèi)鏡圖像分為：優(yōu)秀(圖像表面≥90%的黏膜可見)、滿意(50%~90%的黏膜可見)、不滿意(<50%的黏膜可見),并從兩家臨床中心收集了12950張膠囊內(nèi)鏡圖像對該系統(tǒng)進行訓練和驗證，與3位專家一起建立的金標準進行比較，結(jié)果顯示該系統(tǒng)對小腸清潔度分類的總準確率為89.1%,靈敏度為87.6%,特異度為92.2%。對于結(jié)直腸膠囊內(nèi)鏡檢查，使用AI輔助進行腸道準備評估有良好的應用前景。(證據(jù)質(zhì)量：C;推薦強度：2;共識水平75%)結(jié)腸鏡檢查是發(fā)現(xiàn)結(jié)直腸病灶的有效手段，然而這項操作有創(chuàng)，可能準備過程中結(jié)腸的清潔度，如果清潔度不理想，可能會降低檢查可靠性。為了成功地發(fā)現(xiàn)結(jié)腸膠囊內(nèi)鏡檢查中的異常并確保其具有重要的參考價值，實現(xiàn)充分的腸道準備至關(guān)重要。對于度分級量表具有不同的技術(shù)特點，但對于結(jié)腸膠估結(jié)腸清潔度的客觀可靠的評分系統(tǒng)仍沒有達準備量表(BBPS)被認為是通過結(jié)腸鏡評估結(jié)腸清潔情況時經(jīng)過最佳驗證的量表，但與任何主觀分類一樣，它高度依觀的測量。重要的是，目前仍沒有關(guān)于最合適無法進行清洗和清除糞渣。MascarenhasSaraiva等開發(fā)了一種基于ResNet18模型用于結(jié)腸腸道準備自動分類的深度學習算法，納入了從兩家醫(yī)院獲得的35269張真實世界圖像的大數(shù)據(jù)集進行訓練，該CNN達到了高性能水平，靈敏度為91%,特異度為97%,總體準確率為95%,AUC為0.92~0.97,由此提供了一種計算腸道準備情況的方法。(二)AI輔助膠囊內(nèi)鏡病灶識別【陳述5】據(jù)質(zhì)量：B;推薦強度：1;共識水平100%)傳統(tǒng)膠囊內(nèi)鏡是基于胃腸蠕動和自身重力，進行被動觀察。胃腔空間較大且褶皺較多，傳統(tǒng)膠囊內(nèi)鏡無法全面且有部黏膜，提高了胃部檢查的完整度和診斷準確性。因此，對于不愿接受、薦接受MCCE檢查。然而，MCCE檢查會記錄大量的檢查影像，給內(nèi)鏡胃腸道病灶的輔助檢測和輔助診斷的廣泛應用為該問題提供了一種新的2020年，Xia等使用CNN和基于區(qū)域的CNN技術(shù)，首次研發(fā)了一潰瘍、黏膜下腫瘤、黃斑瘤。來自797例患者的1023955張MCCE病變方面表現(xiàn)出良好的性能，其靈敏度和特異度分別為96.2%和76.2%。相較于臨床醫(yī)師，該系統(tǒng)處理每張MCCE圖像的時間顯著縮短，僅需44ms。隨后，該研究團隊對該系統(tǒng)進行更新升級，其對胃內(nèi)病灶診斷的總體靈敏度提高至98.9%。然而，該系統(tǒng)訓練和驗證的數(shù)據(jù)集來自同一家Xie等在前期研究的基礎(chǔ)上，回顧性收集來自20個省份的2672542張圖像以訓練模型識別胃部病灶，前瞻性招募了來自3家醫(yī)院的374例鏡醫(yī)師的診斷能力，達到高級內(nèi)鏡醫(yī)師水平(92.6%比95.47%,P=0.08),同時，智能輔助閱片還能在確保病灶檢出率不低于傳統(tǒng)閱片的基礎(chǔ)上 (833/833比768/853),大幅減低閱片時間(8.51min比77.42min)。綜上，推薦在MCCE檢查中使用AI實時輔助檢測胃內(nèi)病灶，提高診斷準【陳述6】推薦在小腸膠囊內(nèi)鏡檢查中使用AI輔助閱片診斷小腸病灶，降低病變漏診率，提高診斷準確性，縮短閱片時間。(證據(jù)質(zhì)量：A;推薦強度：1;共識水平100%)膠囊內(nèi)鏡是診斷多種小腸疾病的重要檢查方法。膠囊內(nèi)鏡可以清晰觀毛變化等。目前膠囊內(nèi)鏡已被歐洲胃腸內(nèi)鏡協(xié)會(ESGE)指南推薦用于然而膠囊內(nèi)鏡相較于常規(guī)消化道內(nèi)鏡，閱片道出血、克羅恩病、小腸腫瘤的檢出率分別為59.4%、60.5%、55.3%和55.9%。同時膠囊內(nèi)鏡閱片具有耗時長、經(jīng)驗依賴性強、標準化程度欠佳等局限性，其高度依賴內(nèi)鏡醫(yī)師的臨床經(jīng)Ding等使用2565例患者的280426張圖像訓練AI模型，AI對紅斑、炎癥、血液含量、血管病變、隆起性病變的診斷準確率分別為95.0%、88.8%、89.2%、79.2%、80.8%、97.5%、91.3%和93.3%。在AI的輔助下，普通內(nèi)鏡醫(yī)師的總體準確率取得顯著提升(85.5%比97.9%,P0.001),與專家內(nèi)鏡醫(yī)師的能力相當(97.9%比96.6%,P>0.0125)。Choi小腸膠囊內(nèi)鏡的視頻，在202個小腸膠囊內(nèi)鏡視頻中，103個(51.0%)被醫(yī)師判斷為陰性。使用CNN模型重新分析后，其中63個(61.2%)視頻檢測出陽性結(jié)果。10例(10.3%)最初小腸膠囊內(nèi)鏡結(jié)果為陰性的患者診斷發(fā)生了改變。在平均16.5個月的隨訪期間，19例患者(18.4%)發(fā)生了再出血。陽性檢查結(jié)果的患者再出血率為23.6%(13/55),陰性檢查結(jié)果的患者再出血率為16.1%(5/31)(P=0.411)。此外，膠囊?guī)熎骄喥瑫r間從33.7min縮短至3.8min。提高閱片效率。(證據(jù)質(zhì)量：C,推薦強度：2;共識水平85%)結(jié)腸膠囊內(nèi)鏡作為一種微創(chuàng)替代方案，適用于那些不愿接受傳統(tǒng)結(jié)腸鏡檢查或有腸鏡檢查禁忌證的患者。然而，這項檢查會產(chǎn)生大量的圖像，基于AI技術(shù)的自動化工具開發(fā)可能會改善這種診斷工具的一些不足之處。Saraiva等基于CNN構(gòu)建了一個AI模型，用于自動檢測結(jié)腸腔內(nèi)隆起病變。共有24例患者接受了結(jié)腸膠囊內(nèi)鏡檢查并參與了研究。從這些檢查中總共提取了3640幀圖像，其中包括860幀顯示有隆起病變的圖像，以及2780幀顯示正常黏膜和其他發(fā)現(xiàn)的圖像。訓練數(shù)據(jù)集由總圖像池的80%構(gòu)成，而剩余的20%用于測試模型。CNN對每張圖像進行了評估，并預測了分類結(jié)果(隆起病變與正常黏膜/其他病變),并將這些預隆起病變檢測的敏感度和特異度分別為90.7%和92.6%,陽性預測值和陰性預測值分別為79.2%和96.9%,總體準確率為92.2%,檢測隆起病變的AUC為0.97。Mascarenhas等進行了一項多中心研究，以開發(fā)和驗證CNN用于自動檢測結(jié)腸黏膜病變，膠囊內(nèi)鏡圖像回顧性納入了2010—2020年行膠囊腸鏡檢查的124例患者的檢查視頻，這些檢查的數(shù)據(jù)被用來開發(fā)、訓練和驗證CNN模型，最終從中提取出了9005張結(jié)腸黏膜圖像。圖像的納入和分類由3位具有膠囊內(nèi)鏡經(jīng)驗的胃腸病專家完成，對于圖像標簽的最終決定要求至少2位研究者達成一致意見。最終完整的圖像數(shù)據(jù)集由9005幀組成，其中共使用1801幀(20%)作有黏膜病變的圖像，615張(34.1%)正常黏膜圖像。研究分析了驗證數(shù)出率，該子集包括329張隆起病變圖像、188張潰瘍和糜爛圖像以及35變，研究者回顧性地收集了2014—2019年期間于東京大學醫(yī)院行結(jié)腸膠囊內(nèi)鏡檢查患者的圖像，其中來自156例患者的15933張圖像被用于模型開發(fā)，來自22例結(jié)腸瘤變患者的1850張圖像以及6例無病變患者型在識別結(jié)直腸瘤變方面的靈敏度達到了96.2%,基于每張圖像分析，漏診率。(三)AI輔助診斷小腸出血病變【陳述8】短閱片時間。(證據(jù)質(zhì)量：A;推薦強度：1;共識水平90%)小腸出血是指發(fā)生在Vater壺腹和回盲瓣之間腸道的出血，當患者有明顯的消化道出血而進行上下消化道內(nèi)鏡檢查后出疑小腸出血(SSBB)。鑒于小腸膠囊內(nèi)鏡檢查具有后續(xù)治療效果。然而，小腸膠囊內(nèi)鏡檢查分析平均需要30~40min的高檢測中的應用可以輔助病灶識別、縮短膠囊內(nèi)Spada等在14個歐洲醫(yī)療中心前瞻性招募了可疑小腸出血的患者，對患者進行了小腸膠囊內(nèi)鏡檢查，首先在標準模后由另外一批醫(yī)師在基于CNN的AI系統(tǒng)(ProScan)輔助下進行第2次閱片，具體輔助方式為：AI先進行獨立閱片，AI選閱片，以此評估AI輔助閱片相對于標準閱片在檢測潛在小腸出血病變(根據(jù)Saurin分類，P1:中等可能，P2:高度可能)上的非劣效性，以及兩種閱片方式的平均耗時。結(jié)果表明，在納入最終分析的133例患者中，AI輔助閱片對P1和P2病變的總診斷率(73.7%,98/133)不劣于 (P<0.0001)、優(yōu)于(P=0.0213)標準閱片(62.4%,82/133),AI輔助閱片組平均閱片時間為3.8min,標準閱片組平均閱片時間為33.7檢查時，識別不同小腸病變并進行出血風險評估Zhang等建立了一個將圖像分類與目標檢測相結(jié)合的模型，利用改進的再利用改進的YOLO-V5模型檢測病變類型及其出血風險，并標記病變位99.17%、99.92%,明顯優(yōu)于醫(yī)師的診斷，模型的圖像處理時間為48ms/張，醫(yī)師的圖像處理時間為(0.40±0.24)s/張(P<0.001)。小腸血管畸形是小腸出血的常見原因，Chu等提出了一種基于特征融合方法的CNN語義分割模型，采用ResNet-50作為骨架網(wǎng)絡(luò)，設(shè)計融合機制，融合淺特征和深特征，在像素級對圖像進行分查下血管畸形的類別并繪制病變輪廓。測試結(jié)果表明，像素精度為99%,平均交并比(mIoU)為0.69,陰性預測值為98.74%,圖像分割和識別時間為0.6