基于人工智能辅助的共聚焦激光内窥镜技术预测食管黏膜浅表病变浸润深度的队列研究

《Clinical and Translational Gastroenterology》：Artificial intelligence-assisted confocal laser endomicroscopy for predicting invasion depth of superficial esophageal mucosal lesions: a cohort study

　　

摘要

引言：

准确评估食管鳞状细胞癌（ESCC）的浸润深度对于制定最佳治疗方案至关重要。基于探针的共聚焦激光内镜检查（pCLE）能够实现实时体内成像，但其结果解读在很大程度上依赖于内镜医生的专业经验。本研究旨在开发并验证一种人工智能辅助的pCLE（AI-pCLE）系统，以辅助区分低级别上皮内瘤变（LGIN）和具有黏膜下浸润的高级别上皮内瘤变（HGIN-SM1）。

方法：

在这项回顾性的单中心研究中，使用了1234张pCLE图像来开发和验证AI模型。切除标本的病理结果作为参考标准。评估了六种深度学习算法，通过准确率、敏感性、特异性、曲线下面积、阳性预测值（PPV）和阴性预测值（NPV）来进行评估。选择了表现最佳的模型，并将其与10名内镜医生进行了比较。

结果：

在区分LGIN和HGIN-SM1病变方面，AI-pCLE系统的敏感性为97.4%，特异性为92.6%，准确率为95.3%，PPV为94.17%，NPV为96.70%。相比之下，内镜医生的平均敏感性、特异性、准确率、PPV和NPV分别为83.79%、85.26%、84.46%、88.14%和82.61%。在AI-pCLE的帮助下，内镜医生的准确率、敏感性和NPV分别提高到了94.41%（P=0.001）、96.98%（P=0.006）和96.24%（P=0.001）。该人工智能辅助系统的诊断性能可与专家内镜医生相媲美。

结论：

AI-pCLE系统在区分LGIN和HGIN-SM1病变方面表现出稳健的诊断性能，表明其作为评估ESCC浸润深度的可靠工具具有潜力。