2025年9月11-14日，由中山大学附属第六医院承办的2025“中新知识消化论坛暨广东省精准医学应用学会炎性肠病分会年会”在广州召开。子敬（广东省连州市人民医院潘新智）受中山大学附属第六医院知识城院区消化内科、消化内镜主任郅敏教授邀请参加学术讨论，学习并记录下“AI技术在消化疾病中的应用”部分内容，现总结归纳后分享如下。

一、AI在结肠炎症-肿瘤中的应用价值——上海交通大学医学院附属瑞金医院消化科顾于蓓教授。

1、（炎症-癌症转变）UCAN多克隆理论：多灶、多源特点,广泛炎症受累的结肠中，癌症/不典型增生灶多源、多发、平行、不同程度的独立地发生。UCAN与散发性结直肠癌具有相似的分子途径，但具有不同的发生时序和频率,具有不同突变基因发生频率，

2、UCAN筛查的难易各不相同-早诊早治是永远的目标。控制肠道炎症才能控制癌症的发生。

3、肠外表现（EIM）是UC长期预后不良的危险因素，出现结肠狭窄是UCAN的重要危险因素，Mayo评分增高（MES 2-3）是UCAN的危险因素 ，Tiger评分超过315分是UC预后不良的危险因素。 

4、当前，AI在结肠炎症和肿瘤中的应用目的并不相同：1）在结肠炎症的相关研究中，AI的应用大多围绕评价更细微的内镜炎症程度，和无创性预测组织学愈合能力。降低炎症程度，聚焦T2T，降低UCAN发生风险。2）在结肠肿瘤的相关研究中，AI主要应用于加强息肉样/肿瘤性病灶的检出，和在组织学中更有效地判别肿瘤。加强结肠肿瘤的检出，提高发现率。

5、2006年，深度学习算法训练多层神经网络的方法出现，给人工智能带来了一个春天。机器学习与深度学习都是需要大量数据来建立的，是大数据技术上的一个应用，同时深度学习还需要更高的运算能力支撑，如图形处理器（GPU）。卷积神经网络的深度学习算法基于对图像的分层解构，对产生的单元数据进行运算提取特征信息进行抽象学习，具有对大量数据有良好的运算识别能力的特点，能解决计算机视觉和机器学习算法对大量数据的学习与运算问题，已被广泛用于医学影像识别领域。

6、常用的机器学习的方法：

6.1.支持向量机（SVM）是一种基于一组数据值的最大似然分类方法，其中每个特征（变量）都被视为数据集的一个维度。SVM决策可以分裂存在于n维超空间中的直线或复杂形状，缺点是有时难以解释，尤其是非线性数据，例如假设UC的结肠切除风险可以通过粪便钙卫蛋白（FC）和结肠病变范围来预测。通过绘制FC水平和结肠病变范围，SVM分类器将确定变量之间的最佳边界，最佳分割是否需要结肠切除的人群变量。

6.2.决策树（Decision Tree）：一种常见的ML分类方法是决策树，包括分类和回归树或随机森林（RF）集成方法。与SVM一样，决策树是一种用于二元分类拆分的监督学习方法。例如一个研究者希望用成像和临床变量预测患有CD的小肠狭窄患者的未来肠切除术。使用分类和回归树方法，最佳决策树由每个变量的最佳临界值（cutoff）构成，并将最有影响力的变量放在在决策树的更高位置。或者RFs是仅使用部分特征和数据子集生成的许多决策树的集合。每棵树都为分类提供投票（或预测）；最大票数用于确定最终分类。

6.3.卷积神经网络（CNN）：神经网络这一概念最早是生物界提出的，而人工智能界的神经网络某种程度上来说，是在模拟人类的神经元。我们视觉神经不是简单的告诉大脑光线被检测到，而是光线和黑暗之间的对比，也就是形状被感受到了。有神经元传输到感受域来做出判断，同样CNN的输入的也是图像，图像是像素的矩阵，每个像素在图像中是一个单独的数字，通过层层传导以产生最终的预测。CNN在肠道研究中特别重要，因为它们的设计非常适合图像分析（二维信息）。

6.4.训练集 (training set): 用于模型拟合的数据样本；验证集 (validation set): 是模型训练过程中单独留出的样本集，可用于调整模型的超参数和用于对模型的能力进行初步评估；测试集 (testing set): 用来评估最终模型的泛化能力。但不能作为调参、选择特征等算法相关的选择的依据。

7、AI在肠道炎症中的应用：

7.1.肠道炎症研究1：利用AI预测内镜评分：运用卷积神经网络为基础的计算机辅助诊断系统（CAD）基于GoogLeNet结构建立，用来自841名UC患者的26,304张肠镜图片训练CNN，这些图片标注有解剖部位和Mayo内镜评分，在一个独立的系统，包括来自411 例UC患者的3981图片、通过计算特征曲线下面积(AUC)，CNN完成正常黏膜（Mayo 0）和黏膜愈合状态（Mayo 0-1)评价。

7.2.肠道炎症研究2：利用40758肠镜图片和6885块活检组织的病理结果，构建深度神经网络deep neural network system (DNUC)，并在一个前瞻性研究中，875个UC患者、4187个内镜图像和4104 个活检组织中验证DNUC运算法则的准确性。

7.3.肠道炎症研究3：协助细胞色素内镜对组织学愈合的评判：CAD系统成功地为每一幅验证集图片（9985/9985）提供了输出，每幅图片诊断时间仅仅0.4s。第一次和第二次CAD诊断，观察者之间一致性达到完美(k=1)。

7.4.肠道炎症研究4：帕丁顿国际虚拟染色内镜评分（PICaSSO）组织学缓解指数（PHRI）联合AI更快更好识别UC组织学缓解：采用前瞻性多中心研究中307例UC患者的614例活检，制定了PICaSSO PHRI。评估与其他多种组织学指标的一致性，验证评分者重复性。PHRI是一个仅基于中性粒细胞的存在或不存在（是/否）的新评分。并将PHRI应用到计算机辅助诊断系统中，训练并测试了一种基于CNN架构的新型深度学习策略，以检测中性粒细胞，计算PHRI，识别活动性UC和静止性UC。深度学习方法框架由两个模型构成：第一个模型确定了含有中性粒细胞的斑块区域。第二个模型使用多实例学习方法，结合幻灯片中每个斑块的特征，得出PHRI后的最终二分结果（是否存在活动性疾病）。将队列分为两组，即训练组和测试组，70%的活检用于训练模型，30%用于测试模型，其中15%的训练集被用作验证。在测试集中，检测中性粒细胞的CAD有灵敏度（SE）0.71、特异度（SP）0.95、阳性预测值（PPV）0.85、阴性预测值（NPV）0.89和准确度0.88，这些结果与验证队列的结果一致。对于组织学缓解，测试集的诊断性能分别为0.78、0.92、0.88、0.85和0.86。

7.5.一项多中心回顾性卷积神经网络应用于肠道淋巴瘤和克罗恩病的内镜下鉴别研究：

五折交叉验证表现最好的模型为Inception v3，最佳准确率达到83.1%，最佳曲线下面积(AUC)达到0.91，并且在独立单中心的测试集上具有81.9%的准确率和0.88的AUC，表现出良好的泛化能力。模型与各级医师比较：CNN模型的表现仅次于高级专家，优于内镜专家和初级医师；模型及内镜医师与高级专家的Kappa一致性检验，其中模型与高级专家的一致性最好。

二、重视AI+5G技术在消化内镜质量控制中的应用——天津医科大学总医院消化科陈鑫教授。

1、DeepSeek在春节期间的问世，让人工智能被大众认知并接受。

2、医疗大模型可实现医疗精准化：1）提升医院管理能力：电子健康记录（EHR）管理，自动生成、更新患者病历记录、诊断报告和治疗方案，减少医生手动输入工作量，便于回溯和统一管理。2）自动生成并解释复杂的知情同意书内容，确保患者充分理解，减少医生文书和录入工作。3）根据病历记录的症状，提供初步疾病诊断建议，帮助医生更快确定诊断方向。4）生成易于理解的健康教育材料，让患者更好地了解病情及治疗方案。提供全天候患者咨询服务，解答常见问题，指导患者进行自我管理，推送用药提醒、饮食建议等。5）科研与数据分析：检索汇总最新医学研究成果作为从业人员参考资料。处理海量医疗数据，发现隐藏在数据中的模式和趋势，赋能政策研究。

3、5G（第五代移动通信技术）是新一代蜂窝网络技术，旨在提供更快速度、更低延迟和更大连接容量，支持多样化的应用场景。为远程质控提供技术上的可能性。

4、我国胃癌内镜早癌检出率仅有15%左右，日本已经达到70%；大肠癌五年生存率我国小于35%，美国大于60%。和发达国家具有较大差距，内镜操作质量是主要原因。

5、消化内镜诊疗质量现状：1）检而不全：肠镜有效退镜时间太短，遗漏病变；胃镜检查容易产生视角盲区，遗漏病变。2）视而不见：操作者的专注度下降、经验不足、疲劳或其他影响因素，在视野范围内遗漏病变。3）见而不察：技术水平有限，对疾病特征的认识不充分，疑似恶性病变不能准确观察，贻误病情。4）察而不识：由于经验不足或缺少训练，观察到异常却无法准确判断出病变的具体类型和性质。

6、AI辅助内镜筛查可提高肠镜食管、胃、肠早癌的检出率，降低漏诊率。人工智能辅助病变识别生成超级报告。

7、病变遗落，不如不做；智能质控，高效准确。人工智能可以避免：检而不全，视而不见，见而不察，察而不识。

三、子敬学习感想：在科技信息飞速发展的时代，唯有持续不断学习，才能跟得上前进的步伐。人工智能可以让一本小说自动生成一部影片，足以说明人工智能多么强大。IBD是绿色的癌症，如何防。目前粤西北山区，一年不超过10例，为什么农村发病率低，城市发病率高。水源？食物？空气质量？工作压力？“不治已病治未病”是早在《黄帝内经》中就提出来的防病养生谋略，期待人工智能也能在发病诱因，病因方面找到共性规律，从而降低IBD发病率。

子敬（广东省连州市人民医院潘新智）2025-09-13至2026-03-01日整理，红色字体部分为重点内容。感谢陈鑫教授协助审稿，摘录内容不全，谨供各位老师参考，摘录内容可能存在不正确的地方，请各位老师批评指正，谢谢！

      声明：以上为子敬（广东省连州市人民医院潘新智）个人学习笔记，如有错记、漏记、记录不完整等情况，纯属于本人问题，与授课老师无关。

      欢迎关注“子镜”公众号，目前关注人数为25263。“子镜”属于学习、公益型公众号，是子敬利用业余时间学习和收集消化内科、肝胆外科、超声介入、基础医学等各界大咖们宝贵的诊疗经验，分享给愿意学习和探讨的同仁，争取共同进步！

      如何快捷从《子镜》公众号中找到您想了解或参考的笔记内容：点击“子镜”公众号；点击右上角“搜索”符号；输入您需要检索的“内容”点击搜索；便可以找到相关子敬学习笔记。如果您：没时间可以仅看红色字体部分为重点内容；有时间可以完整阅读；需要进一步探讨可以留言，或加子敬微信号pxz531046033，联系讲者进一步探讨，实现资源共享，共筑健康中国梦。

！