“医生，我这肠道里的疙瘩到底是良性还是恶性啊？” 在消化内镜诊室里，类似的疑问每天都在上演。结直肠病变的早期诊断，不仅关乎患者是否需要手术，更直接影响生存期。如今，这一诊断难题迎来了新解法—— 吉林大学相关团队联合攻关，将深度学习与先进内镜技术-细胞内镜（endocytoscopy,EC）结合，开发出能精准区分结直肠病变的“AI 助手”，相关成果发表于国际顶刊《Nature Communications》（2025 年第 16 期），通讯作者为张楠，徐红和张志诚教授。

一、医生的“诊断烦恼”：错综复杂的微血管，经验不够难判断

提到肠镜检查，很多人会联想到“痛苦”，但对医生而言，更棘手的是 “看得清却辨不明”。传统内镜虽能发现肠道病变，但要区分 “非肿瘤性病变”“腺瘤（癌前病变）” 和 “浸润性癌”，往往需要依赖病变表面的微血管形态，然而，放大倍数不够、经验不足都会直接影响诊断准确性。

 “以前的内镜，放大倍数最多100 倍左右，想看清微血管细节很困难；随着WEC联合窄带成像技术 （EC-NBI ），放大倍数能到520 倍，不需要染色，便可观察到高倍放大的微血管，诊断准确率提升不少。 ” 张志诚教授解释，可新问题又来了：EC-NBI 的诊断高度依赖医生经验，新手医师的学习周期长，“有时候两张血管图看起来差不多，资深医生能看出细微差异，新手就容易判断错”。

更关键的是，此前临床用的AI 辅助诊断模型（CAD）多是 “二分类”—— 只能分清 “非肿瘤性” 和 “肿瘤性”，却没法进一步区分 “腺瘤” 和 “浸润性癌”。“腺瘤是癌前病变，及时切掉就行；浸润性癌可能需要外科手术，甚至化疗。这一步错了，对患者的治疗方案影响太大了。” 张志诚教授团队意识到，必须开发一款能 “三分类” 的 AI 模型，帮医生把好诊断 “精准关”。

二、AI 的 “学习之路”：48 万张内镜图当 “教材”，三阶段训练练出 “火眼金睛”

要让AI 学会 “看病变”，首先得给它足够多的 “教材”。团队回顾性收集了 2023 年 6 月至 2024 年 10 月期间，吉林大学第一医院和梅河口市中心医院的 813 例患者、1056 个病变的近 3.5 万张 EC-NBI 图像 —— 这些图像涵盖了不同大小、不同位置的结直肠病变，甚至包括新手最难判断的 “平坦型病变”。

“AI 的‘老师’是掩码自编码器（MAE），就像教孩子先认轮廓、再辨细节。” 团队成员介绍，AI 的训练分了三个阶段：

1. 第一阶段：“广撒网” 学基础：用48 万张不同类型的内镜图像（包括胃镜、结肠镜）给 AI “打基础”，让它学会从模糊图像中恢复细节 —— 比如故意挡住 75% 的图像，让 AI 猜被挡住的部分是什么，以此锻炼它的特征提取能力；

2. 第二阶段：“针对性” 练专长：专门用8615 张 EC-NBI 图像让 AI “刷题”，重点学习结直肠病变的微血管特征，相当于 “专科培训”；

3. 第三阶段：“精细化” 学分类：给AI 加了个 “分类器”，还融入了 “监督深度聚类” 技术 —— 就像老师告诉 AI“这类是腺瘤，血管特点是 XX；这类是癌，血管特点是 YY”，让同类病变在 AI 的 “脑海里” 更集中，不同病变更分明。

三、AI 的 “成绩单”：AUC 最高 0.969，还能帮新手医生 “涨经验”

经过多轮训练，这款AI 模型交出了亮眼的 “成绩单”：

1. 在图像水平：内部验证时，识别“浸润性癌” 的 AUC（诊断准确性指标，越接近 1 越准）高达 0.969，相当于 100 张癌性图像能准确判断 96.9 张；即使在不同医院的外部验证中，识别三类病变的 AUC 均保持在 0.8 以上，远超此前的二分类模型；

2. 在病变水平：通过“投票机制”（同一病变多张图像综合判断），AI 的准确性进一步提升，轮廓系数（特征区分度指标）从图像水平的 0.4724 提升到 0.6914，意味着它能更精准地给病变 “贴标签”；

3. 更惊喜的是人机协作效果：4 名不同经验的医生（从上往下分别是1年，3年，7年和9年经验的内镜医师）在AI 辅助下，诊断准确性得到了大幅提升，从以下雷达图中我们看到，年资越低的医生，AI对齐辅助作用越大。

人机对抗和人机协同性能对比

“我们用 Grad-CAM 技术看了 AI 的‘关注点’，发现它重点看的血管区域和临床医生的判断高度一致。” 张志诚教授说，这意味着 AI 不是 “瞎猜”，而是真的学会了 “按医学逻辑判断”，未来能成为医生的 “得力助手”，尤其是在基层医院，帮助解决 “经验不足” 的难题。

模型的关注点

全文总结

本文基于回顾性研究，开发了基于深度学习的窄带成像内镜计算机辅助诊断模型，用于结直肠病变（非肿瘤性病变、腺瘤、浸润性癌）的三分类预测。研究首先针对现有EC 诊断依赖医生经验、传统机器学习模型多为二分类且性能有限的问题，借鉴大规模语言模型的多阶段预训练策略，设计了包含三阶段的训练流程：第一阶段用近 48 万张公开内镜图像进行无监督通用预训练，第二阶段用未标记的 EC-NBI 数据继续无监督预训练以提升特征提取能力，第三阶段结合监督深度聚类和期望最大化方法进行监督微调。研究数据集来自吉林大学第一医院和梅河口市中心医院，通过图像级和病灶级评估显示，该模型在内部验证集中非肿瘤性病变、腺瘤、浸润性癌的 AUC 分别为 0.939、0.917、0.969，外部验证集 AUC 分别为 0.837、0.827、0.908，且病灶级性能因投票机制略高于图像级；与主流深度学习模型相比，该模型综合性能更优，在人机对比中准确率超过内镜医生，辅助医生时能提升其诊断表现。此外，通过 Grad-CAM 和 SHAP 分析增强模型可解释性，发现模型主要关注血管区域，不同病变类型对应不同血管特征，同时指出研究存在数据来源局限（仅东北两家医院）、无法区分浅表与深层黏膜下浸润癌、缺乏前瞻性验证等不足，未来需扩大多中心数据集并推进临床转化。

相关信息

论文标题：Development of deep learning-based narrow-band imaging endocytoscopic classification for predicting colorectal lesions from a retrospective study

链接：https://www.nature.com/articles/s41467-025-63812-5 

发表期刊：Nature Communications（2025, 16）

第一作者：Jie Wang（汪杰），Mingqing Liu （刘明庆）

通讯作者：Nan Zhang （张楠），Hong Xu（徐红）, Zhicheng Zhang（张志诚）

「BioMed科技」关注生物医药×化学材料交叉前沿研究进展！交流、合作，请添加杨主编微信！