目的:以人工智能深度学习的方法，构建基于YOLOv5l模型的内镜图像早期食管癌及癌前病变的识别模型，以提高内镜下早期食管癌及癌前病变的诊断水平。方法:收集2019年6月至2021年7月中国医学科学院肿瘤医院1 126例患者的白光成像(WLI)、窄带光成像(NBI)和卢戈液染色(LCE)的内镜食管图像13 009幅，包括低级别上皮内瘤变、高级别上皮内瘤变、限于黏膜层的食管鳞癌、良性食管病变及正常食管。通过计算机随机函数方法，分为训练集(1 025例患者的11 547幅图像)和验证集(101例患者的1 462幅图像)。以训练集训练、构建YOLOv5l模型，以验证集验证该模型，同时由2名高年资和2名低年资内镜医师分别对验证集进行诊断，比较YOLOv5l模型与内镜医师的诊断结果。结果:在验证集中，YOLOv5l模型在WLI、NBI和LCE模式下诊断早期食管癌及癌前病变的准确度、灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)分别为96.9%、87.9%、98.3%、88.8%和98.1%, 98.6%、89.3%、99.5%、94.4%和98.2%，93.0%、77.5%、98.0%、92.6%和93.1%。NBI模式下的准确度高于WLI模式( P<0.05)，LCE模式下的准确度低于WLI( P<0.05)。YOLOv5l模型在WLI、NBI和LCE模式下诊断早期食管癌及癌前病变的准确度与2位高年资内镜医师(分别为96.9%、98.8%和94.3%，97.5%、99.6%和91.9%；均 P>0.05)相当，但明显高于2位低年资内镜医师(分别为84.7%、92.9%和81.6%，88.3%、91.9%和81.2%；均 P<0.05)。 结论:所构建的YOLOv5l模型在内镜WLI、NBI和LCE模式下诊断早期食管癌及癌前病变中具有较高的准确度，可以辅助低年资内镜医师提高诊断水平、减少漏诊。

食管肿瘤，早期;癌前病变;人工智能;诊断;内镜

国家癌症中心　国家肿瘤临床医学研究中心　中国医学科学院北京协和医学院肿瘤医院内镜科，北京　100021;国家癌症中心　中国医学科学院北京协和医学院肿瘤医院深圳医院内镜科，深圳　518116

[1]王士旭;柯岩;刘雨蒙;刘思瑶;宋世博;贺舜;张月明;窦利州;刘勇;刘旭东;伍海锐;苏飞雄;张凤英;张玮;王贵齐-.内镜下早期食管癌及癌前病变识别人工智能YOLOv51模型的建立及临床验证)[J].中华肿瘤杂志,2022(05):395-401

内镜下,早期食管癌及癌前病变,病变识别,别人,YOLOv51,临床验证,YOLOv5l,内镜图像,识别模型,断水,中国医学科学院肿瘤医院,白光成像,WLI,窄带光成像,NBI,LCE,低级别上皮内瘤变,高级别上皮内瘤变,黏膜层,食管鳞癌,食管病变,随机函数,训练集,验证集,集训,高年资,低年资,诊断结果,阳性预测值,PPV,阴性预测值,NPV,漏诊,食管肿瘤

0.235556