综述：基于超声内镜人工智能的胃肠道上皮下病变诊断

这篇综述系统阐述了超声内镜（EUS）结合人工智能（AI）在胃肠道上皮下病变（SELs）诊断中的应用进展，重点探讨了机器学习（ML）、深度学习（DL）和卷积神经网络（CNN）在区分胃肠道间质瘤（GISTs）、平滑肌瘤等病变及预测恶性风险中的价值，为无创精准诊断提供了新思路。

　　

引言

胃肠道上皮下病变（SELs）是起源于黏膜肌层、黏膜下层或固有层的肿块样结构，包括胃肠道间质瘤（GISTs）、平滑肌瘤（GILs）、神经内分泌肿瘤（NETs）等。这些病变的良恶性鉴别直接影响治疗决策，而超声内镜（EUS）因其高分辨率成像成为首选诊断工具。然而，传统EUS诊断依赖医师经验，且活检存在出血、穿孔等风险。人工智能（AI）技术的介入为SELs的无创评估开辟了新路径。

人工智能技术概览

AI通过机器学习（ML）和深度学习（DL）模拟人类认知。ML中的随机森林（RFs）、支持向量机（SVMs）等算法可提取图像特征进行分类；而DL通过卷积神经网络（CNN）自动学习多层特征，显著提升识别精度。例如，CNN模型在区分GISTs与平滑肌瘤时准确率达91.7%，AUC值达0.948。

AI辅助SELs诊断

二分类模型

多项研究验证了AI在GISTs与非GISTs鉴别中的优势。Minoda等开发的CNN模型对>20 mm病变的诊断准确率达90%，显著优于内镜医师（53.3%）。Lu等的多中心研究进一步证实，AI联合EUS可将诊断敏感性提升至82.01%。

多分类模型

更复杂的模型如Hirai等开发的五分类系统，对GISTs、NETs等病变的整体识别准确率达86.1%。Kim等的CNN-CAD系统还能进一步区分非GISTs亚型（如平滑肌瘤与神经鞘瘤），准确率75.5%。

GISTs恶性风险分层

AI在风险预测中表现突出。Li等的放射组学模型将GISTs分为高低风险组，AUC达0.839。Seven等的四分级模型简化后敏感性和特异性均超99%。值得注意的是，两分级模型（高低风险）的稳定性优于复杂分级。

局限与展望

当前AI模型仍依赖静态图像，且数据不平衡（如罕见病变样本不足）。未来需开发视频分析系统，并通过多中心合作建立标准化数据库。"黑箱"问题可通过LIME等可视化技术部分缓解。尽管存在挑战，EUS-AI有望成为精准医疗的重要工具，辅助医师优化诊疗流程，而非取代人工判断。

结论

EUS-AI通过整合影像特征与临床数据，显著提升了SELs诊断效率和客观性。随着技术迭代，其或将成为无创诊断的新标准，推动基层医疗资源均衡化，最终实现患者获益最大化。