AI辅助内镜报告系统提升胃病变文档质量的前瞻性临床研究

《Surgical Endoscopy》：Artificial intelligence assistance narrows the experience gap in endoscopic reporting of gastric lesions: a prospective clinical trial

　　本研究针对胃镜检查报告中存在的质量不一致、病变特征描述不完整等问题，开发了基于人工智能（AI）的胃镜自动报告系统（AI-EARS）。通过前瞻性临床试验验证，该系统显著提高了内镜医师（尤其是低年资医师）报告胃局灶性病变的完整性和准确性，有效缩小了不同经验水平医师间的报告质量差距，为胃病变标准化文档提供了新方案。

　　

胃镜检查作为胃病变检测和诊断的重要工具，其报告质量直接影响临床决策和后续治疗。然而，手动生成的内镜报告往往存在不一致性，导致病变记录不完整、特征描述不足等问题。欧洲胃肠内镜学会（ESGE）等组织虽已制定报告标准，但实际执行中仍存在较大差异。尤其对于低年资内镜医师而言，由于经验不足，更容易在报告中遗漏重要病变信息。这种报告质量的参差不齐，不仅影响临床决策的准确性，也阻碍了高质量的跨学科医疗协作。

为解决这一问题，武汉大学人民医院的研究团队开发了一套基于人工智能（AI）的内镜自动报告系统（AI-EARS），并通过前瞻性临床试验验证其在提升胃病变报告质量方面的有效性。该系统整合了多个深度学习模型，能够实时检测、分类胃病变，并识别病变特征，最终生成结构化的文本报告。研究结果发表在《Surgical Endoscopy》期刊上，证实AI辅助报告系统能够显著提高报告的完整性和准确性，尤其有助于缩小不同经验水平医师间的报告质量差距。

研究团队采用了几项关键技术方法：首先，基于YOLO v3和ResNet-50等深度学习框架构建了四个集成模型，分别用于病变检测、良恶性分类、病变类型识别和特征描述。系统能够以25帧/秒的速度实时分析胃镜视频信号，并在检查结束后立即生成结构化报告。其次，研究使用了来自武汉大学人民医院的回顾性数据集（97例患者）和前瞻性队列（100例患者）进行系统验证。所有图像均采用白光内镜拍摄，设备来自奥林巴斯和富士胶片两家厂商。最后，通过视频验证、回顾性病例分析和前瞻性背对背临床试验，全面评估了系统在病变检测、分类和特征描述方面的性能。

视频验证结果

系统在276段视频剪辑中成功检测出99.27%的胃局灶性病变，对肿瘤性病变的识别准确率达到88.97%，敏感性为93.75%，特异性为86.98%。此外，系统对可疑肿瘤的出血、边界、黏膜粗糙度、颜色和形态等特征的识别准确率分别为85.44%、81.01%、79.11%、68.99%和63.29%。

回顾性病例验证

低年资医师在AI辅助下生成的报告完整性显著高于原始报告（74.75% vs 58.08%, P<0.001）。特别是在糜烂和息肉等病变的记录上，AI辅助组的报告完整性明显提升。此外，AI辅助组在病变特征描述的完整性（98.85% vs 33.33%, P<0.001）和准确性（98.85% vs 85.71%）方面均优于原始报告。

前瞻性临床试验结果

AI辅助组的病变报告完整性显著高于常规组（86.50% vs 75.11%, P=0.001）。在18例可疑肿瘤中，AI辅助组成功报告了所有病变，而常规组仅报告了16例。AI辅助组在病变特征描述的完整性（50.00% vs 21.88%, P<0.001）方面也显著优于常规组，尤其在黏膜粗糙度的描述上提升明显（55.56% vs 18.75%, P=0.028）。两组在报告撰写时间上无显著差异（AI辅助组212.10±119.16秒 vs 常规组203.62±71.70秒, P=0.425）。

研究结论表明，AI辅助内镜报告系统能够有效提升胃病变文档的质量，尤其有助于低年资医师生成更完整、准确的报告。该系统通过自动化分析和标准化记录，减少了人为遗漏，提高了报告的一致性。尽管系统在独立运行时表现优于高年资医师，但其与医师的协同使用效果最佳，体现了AI与人类智慧在医疗诊断中的互补性。

讨论部分指出，本研究首次通过背对背临床试验设计验证了AI报告系统在真实临床环境中的适用性。结果表明，AI系统能够弥补内镜医师在病变记录中的疏忽，提升报告的标准化水平。然而，研究仍存在一些局限性，如单中心验证、未涵盖弥漫性黏膜病变等。未来需要更大规模的前瞻性研究或随机对照试验，进一步评估系统的临床适用性和成本效益。

总体而言，这项研究为AI技术在医疗文档标准化中的应用提供了重要实证依据，有望推动内镜报告质量的全面提升，为临床决策提供更可靠的支持。