版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
人工智能在围结肠镜期中的应用与进展【摘要】结肠镜是筛查和诊断结直肠癌的关键手段,人工智能技术的快速进步应用于结肠镜检查的各个阶段,有助于提高检查的质量与效率,展现出广阔的应用前景。参照围手术期的定义,笔者引入围结肠镜期这一概念,概括了结肠镜对结直肠癌筛查、诊断、监测的长期管理模式,与近年来人工智能在结肠镜的应用范围相契合。本文就人工智能在围结肠镜期前、中、后阶段的应用与进展进行综述,以全面反映人工智能辅助结直肠镜检查的丰富功能与发展水平。【关键词】人工智能;围结肠镜期;结肠镜检查;肠镜质量控制结直肠癌是我国常见的恶性肿瘤之一,其发病率在全部恶性肿瘤中居第2位,病死率居第4位[1]。结肠镜检查作为结直肠癌的核心筛查方法,具有较高的普及率和准确性,对结直肠癌的诊治有重要作用。然而,结直肠镜检查的质量与肠道准备情况、内镜医师的熟练度和疲劳程度等诸多因素有关。近年来,人工智能作为一种能够标准化结肠镜检查实践的新措施,其应用已经获得了广泛关注[2]。如计算机辅助检测系统(computeraideddetection,CADe)和计算机辅助诊断系统(computeraideddiagnosicsystem,CADx)等人工智能技术,能够帮助内镜医师在结肠镜检查期间检测和诊断息肉;近期文献报道的能辅助评估肠道准备充分性和自动进行肠镜术后随访的人工智能系统同样引人注目。参照围手术期的定义,笔者引入围结肠镜期这一概念[3],定义为肠镜检查从开始到相关处理基本结束的完整流程,将结直肠癌筛查、诊疗、监测的长期管理策略与肠镜检查的各阶段相匹配,适用于为功能日益丰富的结肠镜人工智能辅助工具归类。本文将围绕人工智能在围结肠镜期各阶段中的应用进行论述,以全面、详细地介绍结肠镜人工智能辅助工具的现状和发展水平。一、人工智能在肠镜检查前辅助进行肠道准备充分的肠道准备对肠镜的视野清晰度、诊断准确性和操作安全性至关重要。在结肠镜检查前,患者通常会收到专业人员的书面或口头指导,获知有关肠道准备和饮食限制的详细信息。然而,肠镜检查前的肠道准备评估大多由患者独自、护理人员或医务人员完成,其主观性与可靠性常受到质疑。因此,科研和临床工作者一直在开发能增强对患者指导的系统,包括卡通图片、手机短信、电话、移动应用程序和社交媒体应用程序,以提高结肠镜检查前的肠道准备质量[4]。随着智能手机在我国的普及与人工智能技术的进步,将内置的人工智能程序用于评估肠镜检查前的肠道准备状况成为可能。2020年我国学者首次开发了一款使用卷积神经网络(convolutionalneuralnetwork,CNN)模型的先进人工智能平台,以帮助患者在没有护理人员或医务人员的帮助下评估肠道准备是否充分[5];该研究用4302张进行肠道准备患者的粪便图像训练人工智能模型,人工智能评估肠道准备是否达标的准确度>97%。应用此模型对1434例患者的肠道准备情况进行前瞻性、单盲、随机对照研究,发现在通过波士顿肠道准备量表(Bostonbowelpreparationscale,BBPS)评价肠道准备充分性方面,人工智能组与人工组的评价结果(通过或未通过)未见显著差异,两组的平均BBPS评分、息肉检出率和腺瘤检出率(adenomadetectionrate,ADR)相近。上述研究说明人工智能CNN模型与常规人工实践在评价肠道准备质量方面的效能基本一致,有望作为结肠镜检查前评估肠道准备质量的替代方法。2021年Inaba等[6]基于121例患者1689张肠道准备前的粪便图像开发了评估肠道准备的人工智能模型,人工智能模型对固体、浑浊水样、清澈水样粪便识别的平均准确度分别为90.2%、65.0%、89.3%。应用内置此模型的手机程序开展的前瞻性研究入组了106例患者,其中99.0%的患者BBPS评分≥6分。2022年Zhu等[7]开发了一个基于人工智能的手机应用程序来评估患者的肠道准备情况,并且通过手机程序对患者提供个体化建议,以改善患者的肠道准备;该研究在多中心招募了578例患者进行前瞻性、单盲随机对照临床试验,结果显示应用程序对肠道准备是否充分的预测准确度为95.15%,特异度为97.25%,达到了较为满意的效果。相较于进行传统肠道准备的对照组,人工智能驱动的手机程序组肠道准备合格率更高,且饮食限制和按泻药使用说明服药的依从率明显升高.以上研究表明,内置人工智能的手机应用程序不仅可以显著改善肠道准备质量,还有望提高患者在肠镜前阶段的依从性、降低进行肠道准备宣教和评估的医护人力成本。二、人工智能辅助肠镜下息肉的检测结肠镜通过检测和切除腺瘤性息肉,降低了结直肠癌的发病率和病死率[8]。然而,不同水平内镜医师的ADR差异很大,从7.4%到52.5%不等[9];腺瘤和息肉也可能因位置隐蔽、视野受限或内镜医师疲劳、注意力不集中而被遗漏,包含43项研究的meta分析显示腺瘤漏诊率(adenomamissrate,AMR)为23%~30%[10]。随着近年来人工智能的快速发展,有着CADe的深度学习系统被证实有较高的准确度和临床实用价值。这种深度学习系统基于人工神经网络开发,通过模拟人类大脑中的神经元和突触建立分析模型,模型的算法聚焦于定位并突出显示可能存在息肉的异常图像区域。在图像分析方面,目前最广泛使用、表现最好的是CNN[11];这是一种由多层简单计算节点组成的模型,但能够模拟人类视觉皮层的复杂活动,这种特性使其能够不断迭代,识别越来越高级的图像特征。随着算法开发的进步、图形处理单元计算能力的增强,以及大型数据库的建立,CADe表现越来越优异。2020年一项涵盖多国研究成果的meta分析总结了CADe系统在随机临床试验中检测结直肠肿瘤的表现,结果显示CADe系统能够显著提升ADR和平均腺瘤数[12]。有研究应用一款灵敏度为94.38%、特异度为95.92%的高准确度CADe系统在美国开展了多中心串联结肠镜检查随机对照试验,发现相较于单独使用白光结肠镜检查,使用CADe能显著降低AMR和无蒂锯齿状病变的漏诊率,并且有助于提高平均腺瘤数[13]。由此可见,CADe对于帮助内镜医师提升ADR、平均腺瘤数等肠镜检查指标大有裨益。然而,CADe的主要贡献在于提高直径≤5mm的小型息肉的检出率,这些小息肉的恶变潜能往往低于进展期腺瘤[14]。所以将CADe应用于临床的费效比问题一直备受讨论,部分学者质疑增加对小息肉的检测对降低长期的结直肠癌发病率是否有意义,以及增加的息肉检测和切除工作是否会加重内镜医师的负担、占用过多医疗资源。世界内镜组织在2023年发表的文献中认为,从长远来看,CADe增加的成本可以通过预防相关癌症节省下的治疗成本(如手术、化疗、姑息治疗费用)来平衡,但各国的医疗保健提供系统也应仔细评估CADe的成本效益,以支撑其在临床实践中的应用[15]。Hassan等[16]的成本效应分析也显示,基于患者隐血试验结果阳性后进行的人工智能辅助结直肠镜检查是一种预防结直肠癌发生和死亡的节省成本的策略。总体而言,内镜专家与研究者们倾向于认同CADe具备有效降低结直肠癌发病率和节约医疗资源的作用,但相应的论据仍不充分,需要进一步开展长期、大样本临床研究。三、人工智能辅助肠镜下息肉的光学诊断由于难以区分肿瘤性息肉与非肿瘤性息肉,内镜医师往往倾向于在结肠镜检查期间切除所有息肉。因此,包括炎性和增生性息肉在内的许多非肿瘤性微小息肉被不加选择地切除,增加了医疗成本并导致不必要的并发症[17]。近年来,对微小结直肠息肉实行光学诊断策略已被证实可以在不影响疗效和安全性的情况下带来显著的经济效益[18-19]。这种策略要求当微小息肉的诊断具有高置信度时,病灶可以被切除并丢弃,而无需进行组织学评估;此外,位于直肠和乙状结肠的非肿瘤性病变没有恶性潜能,可以被留在原位不予切除。CADx的算法着重于评估病变的类型、严重程度、阶段和进展程度,在结肠镜检查期间实时处理并放大息肉图像,对息肉病理进行实时光学诊断,从而使肠道息肉的光学诊断过程简单、快速、客观且可重复。我国学者Cheng等[20]开展的单中心回顾性研究显示,CADx的光学诊断准确度为84.49%,在白光和窄带成像模式下均明显优于各水平的内镜医师,并且能够帮助新手内镜医师显著提高光学诊断准确度。Houwen等[21]基于1339个息肉的2637张注释图像训练出的CADx模型,区分肿瘤与非肿瘤病变的准确度为79%,灵敏度为89%,与20名内镜医师光学诊断的平均水平相当。CADx可以辅助内镜医师提高结直肠息肉光学诊断的准确性,减少不必要的增生性息肉切除;而且相比大部分只能应用于白光模式的CADe,CADx经常与放大窄带成像、彩色成像、蓝光成像和自体荧光成像等其他光学成像技术结合使用[22];拥有很强的泛用性和拓展性(CADx与CADe的特点对比见表1)。Sako等[23]的前瞻性研究显示,CADx与增强蓝光成像联合使用时的诊断准确度达到88.7%,高于内镜医师在白光模式下的诊断准确度,与运用增强蓝光模式进行光学诊断的内镜医师水平相当。CADx提供独立于内镜医师的标准化和客观的评估,减少内镜初学者与专家之间的诊断能力差异,帮助内镜医师对病变进行定性诊断;但一项包括11项研究的meta分析发现,CADx对近端结肠息肉的诊断性能不足,其特异度相较于远端结肠显著降低[24]。目前市面上CADx的性能仍有较大的提升空间,在将CADx应用于临床之前,内镜医师需要对其诊断各型病变的准确度、灵敏度、特异度等指标有充分了解,能诊断更多种类病变、具有更高性能的CADx也有待被开发。四、人工智能辅助肠镜质量控制结肠镜检查后癌症的发生风险取决于操作医师进行结肠镜检查的质量。低质量的结肠镜检查容易漏诊腺瘤和锯齿状病变,不仅降低了肠镜筛查效率,也增加部分住院患者预后不良的风险。引入人工智能对肠镜检查进行质量控制有利于提高各水平内镜医师尤其是新手内镜医师的肠镜检查质量,从而降低肠道癌症发病率、节省医疗资源。可用于评估肠镜质量的指标多种多样,人工智能的应用使监测这些指标更加便利,并且能够提出更可靠的肠镜检查质量控制指标。Hsu等[25]聚焦于内镜医师的盲肠插管率,建立了相应的人工智能评估系统并定期向各内镜医师反馈;相应的回顾性队列研究比较了该系统应用前后的情况,发现在应用人工智能辅助盲肠识别系统后,内镜医师在所有肠道节段中的ADR均显著增加,进展期腺瘤检出率(advancedadenomadetectionrate,AADR)也较前明显提高。Zhou等[26]所在的团队针对BBPS评分无法完整连续地评估肠道准备与内镜医师评分存在主观因素这两大问题,于2019年运用CNN开发了一个名为ENDOANGEL的肠镜实时监控系统,每30s进行1次肠道准备评分,并显示退镜阶段每个BBPS评分所占视频帧数的比例;该系统在对120张图像进行BBPS评分的人机竞赛中达到了93.33%的准确度,优于所有内镜医师。之后该研究组对深度学习模型进行了优化,开发出一个计算eBBPS评分的人工智能系统,以反映退镜期间BBPS评分为0~1分的结肠镜检查帧的比例[27];在616例接受结肠镜检查的患者中,eBBPS评分与ADR呈强相关性。将肠镜检查的ADR阈值设定为25%,研究显示eBBPS评分较低患者的ADR更高,因此认为eBBPS评分系统有可能为充分肠道准备的量化提供更客观、更精确的阈值。该研究组后续又进行了一项单中心、前瞻性观察性试验,以eBBPS评分3分作为阈值来评估肠道准备是否充分,分析了393例患者的肠镜数据,发现被人工智能系统分类为肠道准备不充分的患者的直径>5mm腺瘤AMR显著更高(35.71%),其总体AMR、息肉漏诊率也比肠道准备充分组更高[28]。可以认为,退镜过程中辅助评估肠道准备的人工智能有较高可信度,有望使未来的肠镜检查质量控制更加标准化。Lui等[29]通过利用人工智能监测退镜时间,提出了有效退镜时间(effectivewithdrawaltime,EWT)这一评判退镜质量的指标,即标准退镜时间(standardwithdrawaltime,SWT,指排除息肉切除和活体组织检查取样时间后,从盲肠到肛门的退镜时间)中清晰有效的画面所占的时间。随后研究者们通过回顾性研究比较EWT与SWT,发现EWT与ADR的相关性明显更高,说明从人工智能衍生出的EWT是一种有效的新型结肠镜检查质量检测指标。通过单一的指标去评价内镜医师的肠镜检查质量或许有所偏颇,而运用多种指标构建人工智能肠镜检查质量监测体系则是一个有前景的方向。我国学者Su等[30]开发了一种肠镜检查自动质量控制系统,集成了多种深度学习CNN,可以在肠镜操作中实时提示内镜医师退镜时间、进镜速度过快、肠道准备不充分、息肉位置。一项纳入659例患者的单中心、随机对照试验发现,此系统有效改善了结肠镜医师在退镜时的工作表现。应用此种质控系统的内镜医师的ADR和每次手术的平均腺瘤数量均显著提高,息肉检出率和每次手术检出的平均息肉数量也显著增加,在退镜时间和肠道准备充分率上也略优于对照组。Wittbrodt等[31]用进镜时间、退镜时间、息肉检出率、每次结肠镜检出息肉数、清晰图像的退镜时间、退镜时间与息肉切除时间的差值这6个指标开发了评估肠镜质量的人工智能系统。此系统在50例肠镜视频的验证集中表现出色,对各指标监测的准确度与内镜专家相当,有望被用作内镜培训中的交互式工具,为新手内镜医师提供有价值的操作评价与反馈。五、人工智能辅助肠镜后患者随访肠镜息肉切除术后需要进行结肠镜监测,以检出并切除新发和先前漏诊的癌前病变。《中国结直肠癌及癌前病变内镜诊治共识(2023,广州)》[32]指出早期结直肠癌及癌前病变患者在治疗后进行密切随访者的生存率明显高于不随访者,推荐在高质量结肠镜诊疗后根据息肉或腺瘤的病理性质、大小及数量等因素综合决定结肠息肉或腺瘤切除术后的随访间隔。然而在临床实践中,有相当一部分结直肠息肉切除患者没有在推荐时间内接受监测结肠镜检查。美国一项临床数据研究显示,患者对息肉切除术监测指南的总体依从性只有48.9%[33]。我国缺乏相似的随访依从性研究,但考虑到不同国家间医疗资源的差距,如何提高肠镜患者随访依从性和随访效率也是一个重要的课题。我国内镜医师Wu等[34]开发了一款基于自然语言处理的自动随访系统,能够通过内镜报告、病理报告等资料准确识别结直肠息肉切除术后患者,分配适当的监测间隔,并及时通过短信和电话主动随访患者;研究者依据全球5个不同地区指南,对该系统的性能进行了全面的内部和外部测试,并与内镜医师进行了比较,发现在3个测试集中该系统识别息肉切除术患者的准确度在99.5%以上,依据指南制定随访间隔的准确度最低为98.56%,显著高于各内镜医师组。由此可见,运用自动随访系统有望帮助医师制定更符合指南要求的随访间隔,对患者的主动随访也可以督促患者及时进行肠镜监测,从而减少医师和护士的工作量,提高随访效率。国外也有利用大语言模型ChatGPT辅助制定肠镜监测间隔的文献报道,Lim等[35]研究发现GPT4模型为62个病例中的60例都提供了正确的结肠镜检查间隔,几乎在所有情况下都能恰当引用肠镜相关的医学指南。尽管目前仍未有被大规模应用于临床的肠镜术后人工智能辅助随访系统,相关研究也较缺乏,但目前人工智能制定随访间隔的准确度已足够亮眼,能够媲美甚至超越很多经验丰富的内镜医师,未来人工智能与肠镜随访的深度融合也许可以进一步提高患者肠镜随访的依从性。六、人工智能应用于围结肠镜期所面临的挑战虽然大部分研究都肯定了人工智能辅助结肠镜水平与发展潜力,但也有少量文献反映人工智能在肠镜临床实践中存在应用效益不佳的情况。以模型和应用最多的CADe为例,Sinonquel等[36]于2020至2022年在欧洲多个医学中心利用一款CADe进行前瞻性试验,对比CADe与内镜医师的息肉检测水平,发现尽管参与研究的内镜医师内部水平差异很大(ADR为20%~50%),但CADe的息肉检出率并不优于内镜医师的整体表现。CADe在ADR上略优于内镜医师整体水平,但与高水平内镜医师差异无统计学意义。该研究还发现CADe有较低的额外ADR和异常高假阳性率,认为CADe的应用会增加对非肿瘤性病变的额外检查,延长肠镜操作时间,增加检查和息肉切除的工作量。一篇2024年的系统综述与meta分析纳入了12项在临床场景中进行的CADe研究,发现使用CADe的试验组与不使用CADe的对照组仅在ADR上差异存在统计学意义,临床意义上的改善非常微小[37]。亦有少数研究者对人工智能应用的收益表示怀疑,人工智能要实现在临床上的广泛应用还面临着诸多问题。用于结肠镜检查的人工智能工具目前仍缺乏相关的临床效益和成本收益的可靠数据,缺少可信的使用指南,具有不确定的适应证和实施成本[15]。如何训练、测试、验证人工智能并无统一的标准,人工智能应用于临床需要满足的指标要求也并无相关规定。诸如操作界面、内镜医师对待人工智能的态度等人机交互因素也可能使人工智能在实验室和临床应用中的表现出现较大差异[38]。复杂的操作系统会分散内镜医师的注意力,对人工智能系统的过度依赖也可能降低内镜医师提升业务水平的动力。另外,人工智能的研发、部署与维护升级均需要大量临床数据和资金支持,对于发展水平一般的医学中心应用门槛较高。七、总结与展望人工智能在围结肠镜期的各阶段中均有优异的表现,在不同场景中展现出极大的临床应用潜力(表2)。人工智能在评估肠道准备、识别息肉、光学诊断肠道病变等专业领域中展现出的效能与专家内镜医师接近一致,且部分人工智能辅助系统已经可以被应用在真实的临床环境中,帮助内镜医师,尤其是初学者提高肠镜操作质量,从而提升各医学中心的整体肠镜操作水平,降低结直肠癌发病率。此外,人工智能可以帮助肠镜医师提高光学诊断准确度,避免不必要的活体组织检查,若能大规模投入临床应用,长期看来有望节约相当一部分宝贵的医疗资源,减轻肠镜医师和护士的工作负担。近2年以DeepSeekR1、ChatGPT4o为代表的大语言模型取得突破性进展,也为人工智能在围结肠镜期的应用注入新的可能性。例如,大语言模型可以通过整合患者信息,在肠镜术前为患者生成个体化肠道准备方案并推送宣教视频,或是与患者对话缓解焦虑情绪;在肠镜术中调用最新医学文献与相关图片来为可疑病变提供鉴别诊断依据;术后结合患者个体特征与医师建议为患者生成动态随访计划;利用大语言模型创造虚拟培训场景、模拟易漏诊的罕见病变来提升肠镜医师的诊疗水平,也是颇具可行性的想法。尽管仅少数研究质疑人工智能的临床效益不佳,辅助肠镜的各种人工智能系统仍未被大规模投入临床应用,仍有缺少临床使用指南、收益不确定、人机交互操作繁琐、成本高昂等问题需要克服。但考虑到近年来人工智能迅猛的发展速度和研发成本的降低,相信在未来更多大样本、长期、多中心、高质量的临床研究开展后,能够使目前人工智能在肠镜应用中面临的问题迎刃而解,人工智能将渗透到围结肠镜期的方方面面,为肠道疾病的诊疗提供更大助力。参考文献[1]BrayF,LaversanneM,SungH,etal.Globalcancerstatistics2022:GLOBOCANestimatesofincidenceandmortalityworldwidefor36cancersin185countries[J].CACancerJClin,2024,74(3):229-263.DOI:10.3322/caac.21834.[2]MoriY,EastJE,HassanC,etal.Benefitsandchallengesinimplementationofartificialintelligenceincolonoscopy:WorldEndoscopyOrganizationpositionstatement[J].DigEndosc,2023,35(4):422-429.DOI:10.1111/den.14531.[3]韦冰妮,陈栩槿,杨成,等.基于预防早期结直肠癌的"围结肠镜期"管理模式初探[J].中华消化杂志,2023,43(12):853-855.DOI:10.3760/311367-20230415-00186.[4]GuoX,YangZ,ZhaoL,etal.Enhancedinstructionsimprovethequalityofbowelpreparationforcolonoscopy:ameta-analysisofrandomizedcontrolledtrials[J].GastrointestEndosc,2017,85(1):90-97.e6.DOI:10.1016/j.gie.2016.05.012.[5]LuYB,LuSC,HuangYN,etal.AnovelconvolutionalneuralnetworkmodelasanalternativeapproachtobowelpreparationevaluationbeforecolonoscopyintheCOVID-19era:amulticenter,single-blinded,randomizedstudy[J].AmJGastroenterol,2022,117(9):1437-1443.DOI:10.14309/ajg.0000000000001900.[6]InabaA,ShinmuraK,MatsuzakiH,etal.Smartphoneapplicationforartificialintelligence-basedevaluationofstoolstateduringbowelpreparationbeforecolonoscopy[J].DigEndosc,2024,36(12):1338-1346.DOI:10.1111/den.14827.[7]ZhuY,ZhangDF,WuHL,etal.Improvingbowelpreparationforcolonoscopywithasmartphoneapplicationdrivenbyartificialintelligence[J/OL].NPJDigitMed,2023,6(1):41(2023-03-14)[2025-02-12]./10.1038/s41746-023-00786-y.DOI:10.1038/s41746-023-00786-y.[8]DoubeniCA,CorleyDA,QuinnVP,etal.Effectivenessofscreeningcolonoscopyinreducingtheriskofdeathfromrightandleftcoloncancer:alargecommunity-basedstudy[J].Gut,2018,67(2):291-298.DOI:10.1136/gutjnl-2016-312712.[9]CorleyDA,JensenCD,MarksAR,etal.Adenomadetectionrateandriskofcolorectalcanceranddeath[J].NEnglJMed,2014,370(14):1298-1306.DOI:10.1056/NEJMoa1309086.[10]ZhaoS,WangS,PanP,etal.Magnitude,riskfactors,andfactorsassociatedwithadenomamissrateoftandemcolonoscopy:asystematicreviewandmeta-analysis[J].Gastroenterology,2019,156(6):1661-1674.e11.DOI:10.1053/j.gastro.2019.01.260.[11]AhmadOF,SoaresAS,MazomenosE,etal.Artificialintelligenceandcomputer-aideddiagnosisincolonoscopy:currentevidenceandfuturedirections[J].LancetGastroenterolHepatol,2019,4(1):71-80.DOI:10.1016/S2468-1253(18)30282-6.[12]HassanC,SpadacciniM,IannoneA,etal.Performanceofartificialintelligenceincolonoscopyforadenomaandpolypdetection:asystematicreviewandmeta-analysis[J].GastrointestEndosc,2021,93(1):77-85.e6.DOI:10.1016/j.gie.2020.06.059.[13]GlissenBrownJR,MansourNM,WangP,etal.Deeplearningcomputer-aidedpolypdetectionreducesadenomamissrate:aUnitedStatesmulti-centerrandomizedtandemcolonoscopystudy(CADeT-CSTrial)[J].ClinGastroenterolHepatol,20(7):1499-1507.e4.DOI:10.1016/j.cgh.2021.09.009.[14]BaruaI,VinsardDG,JodalHC,etal.Artificialintelligenceforpolypdetectionduringcolonoscopy:asystematicreviewandmeta-analysis[J].Endoscopy,2021,53(3):277-284.DOI:10.1055/a-1201-7165.[15]MoriY,EastJE,HassanC,etal.Benefitsandchallengesinimplementationofartificialintelligenceincolonoscopy:WorldEndoscopyOrganizationpositionstatement[J].DigEndosc,2023,35(4):422-429.DOI:10.1111/den.14531.[16]HassanC,PoveroM,PradelliL,etal.Cost-utilityanalysisofreal-timeartificialintelligence-assistedcolonoscopyinItaly[J].EndoscIntOpen,2023,11(11):E1046-E1055.DOI:10.1055/a-2136-3428.[17]CorleyDA,JensenCD,MarksAR,etal.Adenomadetectionrateandriskofcolorectalcanceranddeath[J].NEnglJMed,2014,370(14):1298-1306.DOI:10.1056/NEJMoa1309086.[18]WilsonAI,SaundersBP.Newparadigmsinpolypectomy:resectanddiscard,diagnoseanddisregard[J].GastrointestEndoscClinNAm,2015,25(2):287-302.DOI:10.1016/j.giec.2014.12.001.[19]HassanC,PickhardtPJ,RexDK.Aresectanddiscardstrategywouldimprovecost-effectivenessofcolorectalcancerscreening[J].ClinGastroenterolHepatol,2010,8(10):865-869,e1-e3.DOI:10.1016/j.cgh.2010.05.018.[20]ChengY,LiL,BiY,etal.Computer-aideddiagnosissystemforopticaldiagnosisofcolorectalpolypsunderwhitelightimaging[J].DigLiverDis,2024,56(10):1738-1745.DOI:10.1016/j.dld.2024.04.023.[21]HouwenBBSL,HazewinkelY,GiotisI,etal.Computer-aideddiagnosisforopticaldiagnosisofdiminutivecolorectalpolypsincludingsessileserratedlesions:areal-timecomparisonwithscreeningendoscopists[J].Endoscopy,2023,55(8):756-765.DOI:10.1055/a-2009-3990.[22]DingM,YanJ,ChaoG,etal.Applicationofartificialintelligenceincolorectalcancerscreeningbycolonoscopy:futureprospects(review)[J/OL].OncolRep,2023,50(5):199(2023-09-28)[2025-02-12]./10.3892/or.2023.8636.DOI:10.3892/or.2023.8636.[23]SatoK,KuramochiM,TsuchiyaA,etal.Multicentrestudytoassesstheperformanceofanartificialintelligenceinstrumenttosupportqualitativediagnosisofcolorectalpolyps[J/OL].BMJOpenGastroenterol,2024,11(1):e001553(2024-10-22)[2025-02-12]./10.1136/bmjgast-2024-001553.DOI:10.1136/bmjgast-2024-001553.[24]RizkalaT,HassanC,MoriY,etal.Accuracyofcomputer-aideddiagnosisincolonoscopyvariesaccordingtopolyplocation:asystematicreviewandmeta-analysis[J].ClinGastroenterolHepatol,2025,23(4):531-541.DOI:10.1016/j.cgh.2024.08.021.[25]HsuWF,ChangWY,KuoCY,etal.Effectofanovelartificialintelligence-basedcecumrecognitionsystemonadenomadetectionmetricsinascreeningcolonoscopysetting[J].GastrointestEndosc,2025,101(2):452-455.DOI:10.1016/j.gie.2024.09.019.[26]ZhouJ,WuL,WanX,etal.Anovelartificialintelligencesystemfortheassessmentofbowelpreparation(withvideo)[J].GastrointestEndosc,2020,91(2):428-435.e2.DOI:10.1016/j.gie.2019.11.026.[27]ZhouW,YaoL,WuH,etal.Multi-stepvalidationofadeeplearning-basedsystemforthequantificationofbowelpreparation:aprospective,observationalstudy[J].LancetDigitHealth,2021,3(11):e697-e706.DOI:10.1016/S2589-7500(21)00109-6.[28]YaoL,XiongH,LiQ,etal.Validationofartificialintelligence-basedbowelpreparationassessmentinscreeningcolonoscopy(withvideo)[J].GastrointestEndosc,2024,100(4):728-736.e9.DOI:10.1016/j.gie.2024.04.015.[29]LuiTKL,KoMKL,LiuJJ,etal.Artificialintelligence-assistedreal-timemonitoringofeffectivewithdrawaltimeduringcolonoscopy:anovelqualitymarkerofcolonoscopy[J].GastrointestEndosc,2024,99(3):419-427.e6.DOI:10.1016/j.gie.2023.10.035.[30]SuJR,LiZ,ShaoXJ,etal.Impactofareal-timeautomaticqualitycontrolsystemoncolorectalpolypandadenomadetection:aprospectiverandomizedcontrolledstudy(withvideos)[J].GastrointestEndosc,2020,91(2):415-424.e4.DOI:10.1016/j.gie.2019.08.026.[31]WittbrodtM,KlugM,EtemadiM,etal.Assessmentofcolonoscopyskillusingmachinelearningtomeasurequal
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026年二级人工智能训练师资格证考试理论知识冲刺模拟考试卷及答案(共十九套)
- 2026年备考一级建造师之一建市政公用工程实务通关题库(附答案)
- 2026年备考一级建造师之一建工程法规模拟题库及答案下载
- 中央广播电视总台招聘15人笔试备考题库与答案解析
- 2026山西吕梁石楼县社区工作者招聘33人笔试备考题库与答案解析
- 成都市成华区2026年下半年事业单位专项招聘4人(一)考试参考题库及答案解析
- 2026四川省中车铁投轨道交通有限公司招聘工艺工程师等岗位8人笔试备考题库与答案解析
- 2026广东中山大学附属第五医院放射科医师招聘1人考试参考题库及答案解析
- 2027中国铁路兰州局集团有限公司招聘普通高校毕业生584人(一)考试参考题库及答案解析
- 2026山东烟台市莱州湾区海洋投资有限公司所属子公司招聘5人笔试备考题库与答案解析
- 橡胶制品模具维护管理制度
- (2026年新教材)人教版小学数学六年级上册第五单元百分数《1.百分数的意义》示范课教学课件第一课时
- 人教版五年级上册语文第七单元第22课《白鹭》第2课时教学课件(新教材)
- 2026-2030中国甲醛市场前景预判与供需平衡状况监测研究报告
- 《智能电动汽车产品开发与管理》课后习题参考答案
- 2026年中学生语文素养竞赛题库及标准答案
- 2026年呼吸影像读片考试题目含答案
- 2026年税务注销清算代理合同模板
- 《机械基础(第七版)》课件(上)
- 西藏农村普通话培训课件
- 急诊科三基培训
评论
0/150
提交评论