人工智能在炎症性肠病图像诊断的应用进展

来源期刊：广州医药 | 571-580 发布时间：2025-05-20 收稿时间：2025/6/16 13:22:49 阅读量：302

作者：: 赵柳淇,

戴世学,

沙卫红,

关键词：: 炎症性肠病人工智能内镜诊断组织病理检查诊断模型; inflammatory bowel disease artificial intelligence endoscopy histopathology diagnostic models

DOI：: 10. 20223 / j. cnki. 1000-8535. 2025. 05. 001

收稿时间：: 2024-02-06
修订日期：
接收日期：
引用总数：: 4

人工智能（AI）这一新兴技术的出现和应用给炎症性肠病（IBD）的诊断带来了巨大的变革。越来越多的研究着手于开发基于机器学习（ML）和深度学习（DL）的诊断模型，并获得了良好的诊断性能，尤其是在IBD的图像诊断，卷积神经网络（CNN）等模型由于其出色的图像分析能力，在内镜检查和组织病理检查等方面具有十分可观的发展前景。近年来AI诊断模型的应用越发广泛，但与此同时，关于算法、数据库及其应用方面仍存在一些难以忽视的局限性。本文将主要就图像识别方面对AI在IBD诊断中的应用进行综述，以期为IBD精准图像诊断领域下步研究提供参考。

沙卫红 主任医师，医学博士，博士生导师，广东省人民医院消化内科主任，大内科副主任。广东省“三八”红旗手，广东医师奖、首届“羊城好医生”获得者。现任中华医学会消化內镜分会全国委员，中国医师协会消化医师分会全国委员，广东省医师协会消化内镜医师分会主任委员、广东省医学会消化病学分会副主任委员及《中华消化内镜杂志》、Gastroenterology中文版、GUT中文版等国内外消化权威杂志编委。

毕业于中山医科大学全英班并相继取得硕士、博士学位，曾在日本崎玉省立肿瘤医院消化内镜中心、香港威尔士亲王医院内镜中心进修，并在美国德州大学医学分部（University of Texas Medical Branch，UTMB）消化内科从事博士后研究工作。承担国家自然科学基金、广东省自然科学基金及广东省人民医院登峰计划重大项目等各级科研课题10余项，获广东省、广州市科技进步奖5项，在国内外核心杂志上发表论文100余篇。其中包括在顶级医学期刊《英国医学杂志》（The British Medical Journal，BMJ）及《柳叶刀》子刊E Clinical Medicine上发表研究论文。

致力于消化系统疾病的临床、教学和科研工作，洞悉本专业领域国内外研究动向，尤其擅长胃食管反流病、消化性溃疡出血等酸相关性疾病，功能性胃肠病，炎症性肠病的诊断与治疗以及内镜下球囊扩张、支架放置、胆总管取石、套扎及注射止血、息肉切除等各种临床治疗。

1 人工智能技术的发展

1.1 概述

人工智能（artificial intelligence，AI）是一个新兴的跨学科领域，致力于使计算机和机器能够模拟人类的学习、理解、创造能力和自主性，最终替代人工，智能高效地执行任务^［1］。基于对大数据的分析，AI可以辅助疾病的诊断，特别是对于一些多因素疾病，如高血压、冠心病、2型糖尿病等，其病因涉及基因及环境等多因素，而AI则有助于更深层次地揭示以上疾病病因^［2］。

机器学习（machine learning，ML）是AI的一个子集，即实现AI的一种方法。在ML中大量的数据和算法被用来训练机器，使得机器能够通过数据学习来自行改进任务的执行。经过训练后，ML算法能从数据中识别提取特征，且具有较快的速度和较高的可重复性，这种能力也将随着新数据的增加而不断提升^［3］。ML主要有监督学习、无监督学习和强化学习三种方式^［4］，其中有监督学习指模型将在特定的数据下训练，然后对未知的数据进行预测，相反在无监督学习中，模型的训练样本则是未知的；而强化学习则是使模型在没有明确指令的情况下通过尝试和错误来学习，最终自行改进算法。

现阶段A I的成功主要源于深度学习（deep learning，DL）。DL是ML的一个子集，它不需要手动挑选特征进行相关训练，而是可以利用深层神经网络模拟人脑处理和分析信息，数据的特征将在多层网络的转换中逐层放大，因此模型拥有自主处理输入的数据的能力^［5］。其中卷积神经网络（convolutional neural networks，CNN）是用于图像分析的主要深度学习算法，在辅助图像识别方面大放异彩^［6］。CNN的灵感来自于视觉皮层组织，其结构则类似于人类大脑中的生物神经元。CNN在处理广泛的图像分析任务中表现出卓越的性能，并已在多个领域中得到了有效的应用。近年来，基于相关算法的完善和进步，ML和DL模型日趋复杂化，同时也推动着AI技术进一步向智能化发展。

1.2 ML和DL的区别

DL是ML的一种特定形式，与ML中的神经网络（neural network，NN）强相关。使用ML时，训练模型所使用的数据中大多数应用的特征都需要经过人工确定再编码为一种数据类型，其性能依赖于所提取特征的准确度。DL的训练数据则不需要人工的筛选，而是自行尝试从数据中直接获取高等级的特征^［7］。与ML相比，DL具有更高的自主性和智能性，这是DL与传统ML算法的主要不同。

此外，ML适应各种数据量，特别是数据量较小的场景，对硬件的依赖性较小、执行所需时间也较少；相反DL的神经网络架构则在处理较大及较复杂的数据时有更为突出的表现，尤其是在图像识别领域，DL强大的数据特征提取能力使其拥有着极大的发挥空间，目前已有性能良好的疾病诊断模型基于DL训练诞生^［8］。而相较于ML，DL的运行需要充足的硬件资源和较长的算法训练时间作为支持^［9］。

1.3 编程及模型训练软件

随着AI领域的快速发展，相关的编程及模型训练软件的数量也在不断激增，并趋向复杂化以解决更困难的问题。收集数据后，对数据进行去除异常值、处理缺失值、特征选择等预处理是进行ML或DL必不可少的步骤^［10］，从大量原始数据中提取有用信息可以辅助后续算法的进行；而在训练中如何根据所处理问题的特点和数据的特征选择合适的学习算法和模型，也是需要深思熟虑的重要一环。

Python、Matlab、keras等是进行ML或DL常用的编程工具，可用于构建、训练和评估相关学习模型。对于ML，常见的算法有线性回归、决策树、朴素贝叶斯、支持向量机、K近邻算法等^［3］，对算法的不同选择，将影响最终训练模型的性能。在Liu等^［11］基于ML开发的预测儿童溃疡性结肠炎治疗反应的自动图像分析模型中，朴素贝叶斯模型、CatBoost、随机森林、决策树等14个模型被应用于训练模型中，对250个组织特征训练ML模型的结果显示训练的最优模型为随机森林，其接受者操作特征曲线下面积为0.92，准确率为0.92。而DL作为ML的子集，同时也代表了ML的进化。除了CNN外，人工神经网络（artificial neural network，ANN）、深度神经网络（deep neural network，DNN）等也是常用的神经网络模型^［12］。熟练掌握相关的算法，有助于在建立模型的过程中更加游刃有余。

1.4 DL与图片识别

在图片识别领域，常基于DL建立模型。其中CNN通过卷积操作以在处理视觉任务中提取出相关特征，在图像和视频识别方面应用广泛，如Mohan等^［13］利用CNN自动检测胶囊内镜图像中的病变，Brancaccio等^［14］根据皮肤镜图像进行皮肤癌的诊断和分类，Zhang等^［15］借助CNN处理CT体积数据以更好地筛查和检测肺炎病例，Nordblom等^［16］在正畸治疗中使用CNN辅助进行计划和评估等等。而与CNN不同，ANN主要用于分类和疾病预测^［17］。

2 AI 在消化道疾病图像诊断中的应用

近年来，得益于AI在图像识别方面的强大分析能力，其在消化道疾病领域的应用已十分广泛，包括辅助诊断与治疗、评估预后等方面，同时涉及内镜图像、组织病理图像及手术视频等的识别。AI日益广泛的被应用在临床研究中，例如针对内镜和组织病理图像所开发的AI诊断系统，将降低不同内镜医师和病理医师之间的主观性所造成的影响，甚至有助于普通医师发现难以发现的细节。因此，AI技术的应用和推广，在当今医疗资源分配不平衡、医师诊断水平良莠不齐的大环境下是十分有必要的。很多学者对此进行了相关的研究，并收获了颇有价值的成果。

在消化道癌症的诊断与治疗方面，A I的出现极大地提高了诊断的效率以及治疗的效果。以胃癌（gastric cancer，GC）为例，幽门螺杆菌（Helicobacter pylori，Hp）感染是胃癌发生的独立危险因素之一，张梦娇等^［18］开发的AI辅助诊断系统，可根据患者的内镜图像识别Hp感染并进行评估，其诊断性能良好，判断患者Hp感染的灵敏度、特异度、准确率和接受者工作特征曲线下面积分别为89.6%、61.8%、74.8%和0.757。Niikura等^［19］使用包含100例GC的500例患者的内镜图像，将AI与内镜专家进行1∶1匹配诊断，评估AI对每例GC诊断率的非劣效性和诊断率，结果显示AI对胃癌单幅诊断率（99.87%）高于内镜专家组（88.17%），差异为11.7%，显示出AI对GC的诊断具有非劣效性，但与内镜专家相比则优越性有限。Iwaya等^［20］将5 753张胃活检的组织病理图像的胃肠上皮化生（intestinal metaplasia，IM）情况进行评分，接着使用经过深度卷积神经网络（deep convolutional neural networks，DCNN）训练的模型ResNet50对其进行分类，结果显示该模型对有无IM的图像进行分类的敏感度为97.7%，特异度为94.6%，且能够成功识别病理学家遗漏的最小IM区域，有助于准确可靠地识别GC。除了胃癌，在其他消化道肿瘤方面，Jiang等^［21］使用4 428名患者的组织病理图片数据开发并外部验证了一种基于DL的预后分层系统，用于自动预测结直肠癌患者术后的生存情况，基于DL的风险评分将患者分为高风险和低风险组，而最后发现在内部测试集上高风险评分组的预后差于低风险评分组，总生存期的风险比为4.50，疾病特异性生存期的风险比为8.35。

除了分析静态图像，AI对动态视频也具有良好的分析性能。Zhai等^［22］选取100例腹腔镜GC手术患者的手术录像并标记为8期的不同手术阶段，提出了一种基于CNN的AI识别模型，可自动进行准确的手术分期预测，所有手术视频的平均时间为9 114±2 571 s，最终的分期正确率为90.128%，可作为GC手术视频的辅助分析工具。Chen等^［23］开发的一种AI腹腔镜探查系统（artificial intelligence laparoscopic exploration system，AiLES），将用于在腹腔镜GC手术中自动识别腹腔内转移（intra-abdominal metastasis，IAM）病灶，以帮助外科医生在术中对肿瘤进行分期并指导后续的治疗，其具有较为优异的诊断速度和性能，dice系数为0.76。

A I技术在其他消化道疾病的诊断、治疗及预后方面上的应用，说明了A I用于炎症性肠病（inflammatory bowel disease，IBD）图像诊断的可行性，同时也昭示其拥有着广阔的发展空间。

3 AI 在 IBD 图像诊断中的应用

3.1 概述

IBD分为克罗恩病（Crohn’s disease，CD）和溃疡性结肠炎（ulcerative colitis，UC）两种。其缺乏诊断的金标准，需在排除其他疾病的情况下，根据临床表现、实验室检查、内镜检查、影像学检查和病理组织学检查进行综合判断^［24-25］。

IBD目前病因不明，可能是免疫、遗传、微生物、环境等^［26］多种因素共同导致的，这增加了IBD诊疗的挑战性。此外，在内镜和组织病理图像的识别方面，尚存在许多问题，局限着IBD精准医疗的发展。如相关内镜和病理医师之间存在主观上的差异，以及一些医师受限于经验不足、当地医院医疗条件差、内镜中心的内镜设备较为落后等；同时IBD的组织病理图像十分多样化，一些不典型的图像易被忽视等。而随着科学技术的进步，AI的出现和应用有望为寻找IBD病因、进而实现精准医疗指出明路。获益于现代医学所能提供的大量临床资料，AI分析新数据的能力将更上一层楼，其强大的数据检索和分析能力有助于进一步探明IBD的病因，其将从自动识别内镜和组织病理图像、寻找IBD有关生物标志物、辅助进行多组学分析等方面不断优化IBD的诊断手段。同时AI作为一种辅助诊断系统，有助于降低内镜医师和病理医师由于主观性对诊断结果产生的影响，推动IBD诊断的标准化和规范化。综上所述，AI在IBD的诊断方面具有巨大的发展前景。接下来，本文将以内镜检查和组织病理检查等主要诊断方法为重点，基于AI在图像识别和分析上的优异性能，就AI在IBD图像诊断方面的应用展开论述。

3.2 AI辅助识别内镜图像

内镜检查是IBD诊断和鉴别诊断的关键检查之一^［27］。目前使用的IBD内镜评分系统推动了内镜下评估的标准化和均质化，但仍受限于临床医生的诊断主观性及患者体内的差异。而AI实时评估大量数据、重复性良好的特性，有助于提供更准确客观的内镜结果。AI赋能内镜技术，包括纤支镜、超声内镜和胶囊内镜（capsule endoscopy，CE）、细胞内镜（endocytoscopy，EC）等多种类型，将有助于开发识别内镜图像的自动化系统^［28］、辅助进行内镜评分、对溃疡严重程度进行分级、辅助进行IBD鉴别诊断等。

如何利用AI技术自动识别UC和非UC内镜图像以及进行相关评分，是当前研究的热点。CNN模型由于其出色的图像分析能力，在开发图像识别模型方面备受青睐。如在识别图像方面，Sutton等^［29］使用来自HyperKvasir的8 000个内镜图像训练了多个CNN模型，具有良好的区分UC和非UC内镜图像的预测准确性，其中模型DenseNet121的接受者工作特性曲线下面积最高，达0.999。而在Sharma等^［30］的研究中，包含胃肠道息肉、溃疡性结肠炎、食管炎以及健康结肠图像的数据集被应用于预测模型的训练中，并使用数据增强策略和统计方法来改进和评估模型的性能，最终结果显示这些基于CNN的模型在诊断胃肠道疾病方面均具有较好的预测性能，其中ResNet50模型在训练集上的平均准确率最高，约为99.80%。同样基于DL，一些功能更加全面的AI模型在识别图像的同时还能自动对其进行评分，以更好地评估患者的病情。徐昶等^［31］针对UC建立了Mayo内镜评分模型并评估模型效能，其中2 400张内镜图像将作为训练集（75%）和验证集（25%），选取的4种DNN模型已在ImageNet数据集进行相关预训练，接着采用迁移学习特征提取策略，最终成功建立4个Mayo评分模型，分类准确性分别达0.785、0.800、0.815、0.830，平均分类准确率为0.808。Takabayashi等^［32］使用排名卷积神经网络（ranking-CNN）基于IBD内镜专家对随机图像的相对严重性等级数据开发相关AI算法，将ranking-CNN的输出校正为0到10范围内的严重程度得分，称为UC内镜分级量表（UCEGS），最后将四名IBD专家内镜医师的评估结果与AI比较，显示出极高的相关性（0.96，0.98，0.97，0.96），P＜0.01。

对于一些较为特殊的内镜类型，AI的应用空间同样十分广阔。Klang等^［33］开发了一个基于DL的CE图像检测模型，其使用27 892张包括CD患者正常黏膜、溃疡黏膜和狭窄的CE图像，该模型对于狭窄的判断具有较高的准确性，对于狭窄与非狭窄的分类的平均准确率为93.5%，同时对狭窄和正常黏膜、狭窄与所有溃疡均具有较好的区分效果，曲线下面积（area under the curve，AUC）分别为0.989、0.942。对于EC，Maeda等^［34］开发了一个计算机辅助诊断（computer-aided diagnosis，CAD）系统，将来自于患者的12 900张EC图像用于ML以构建CAD，结果显示该CAD系统可以完全自动识别UC相关的持续性组织学炎症，诊断的敏感性、特异性和准确率分别为74%、97%和91%。

基于内镜图像，AI技术还可以预测炎症活动的情况。而对于IBD患者来说，在内镜下对肠道黏膜损伤的准确评估，有助于判断疾病的严重程度和开展后续的治疗。Fan等^［35］获得5 875张内镜图像后，先由4名内镜医师进行评分，再使用CNN训练AI提取出血、病变、正常组织等特征后进行算法优化，最后输出预测结果并对整个肠道进行分段评分，建立肠道炎症活动的可视化三维模型。与内镜医师的评分结果相比，炎症预测的准确率分别为90.7%、84.6%和77.7%，kappa系数分别为0.822、0.784和0.702。其中包含视觉清晰度模块和图像相似度判定模块的特殊CNN模型，还可对图像进行预处理，去除低清晰度和重复图像。Kratter等^［36］收集了来自PillCam-SB3胶囊和PillCam-Crohn胶囊的33 100张CE图像，基于ML算法针对CE图像的正常或溃疡分类从而构建了三种模型，分别为每种胶囊类型的单独模型、跨域模型（在一种胶囊类型上训练模型并在另一种胶囊类型上测试）和组合模型，结果显示每种胶囊类型的单独模型提供了高且一致的诊断准确性，平均AUC分别为0.95和0.98，但跨域模型的精度范围很广（0.569~0.88），AUC为0.93，而联合模型的平均AUC为0.99，平均患者准确率为0.974，基本达到最佳效果。

由于IBD诊断金标准的缺乏，UC和CD之间需要鉴别，同时肠结核、感染性结肠炎、缺血性结肠炎等几种与UC和CD表现情况相似的疾病，也有必要纳入相关的鉴别诊断之中。Wang等^［37］通过217例CD患者、279例UC患者和100例健康受试者的15 330张内镜图像训练基于CNN的ResNeXt-101模型，再与6名临床医生的诊断结果进行比较以评估其性能，最终结果显示在单图像分析中，ResNeXt-101完成鉴别任务的总体准确率为92.04%，高于临床医生。罗举^［38］为实现IBD与肠结核的鉴别诊断，使用内镜图像训练DL模型，同时使用临床资料数据训练ML模型，发现两个模型均具有较为优异的鉴别诊断效能，且两个模型的诊断结果具有较高的一致率，为88.1%，而其中DL模型虽然仅凭内镜图像即可初步进行鉴别诊断，但ML模型在特异性上表现优于DL模型（89.6% vs 74.6%，P=0.024）。而在Guimarães等^［39］进行的研究中，研究人员收集了来自494名分别患有IBD、缺血性结肠炎和感染性结肠炎三种疾病患者的1 796张内镜图像以训练CNN模型、基于梯度增强决策树（gradient enhanced decision tree，GEDT）算法的模型及混合模型（CNN+GEDT），结果表明其阳性预测值分别为0.602、0.702和0.657，AUC分别为0.727、0.888和0.838。

除了自动识别图像、进行相关评分及辅助鉴别诊断，AI在内镜图像识别方面尚存在广阔的发展空间，如实时监测、视频识别等，有待研究人员进一步开发有关模型以进行更深入的探索。

3.3 AI辅助识别组织病理图像

黏膜活检是诊断和鉴别诊断IBD必不可少的检查之一^［40］。IBD的有关诊断和鉴别诊断是基于对每个结肠束的最小组织学病变的评估^［40］，包括腺体成分的变化、腺体细胞成分的变化、固有层浸润炎症细胞等，但目前对每一种最小组织学病变及其各自诊断标准的定义还没有达成共识。此外，较多的工作量、病理医生之间的主观影响，将导致潜在的诊断差异。在这样的情况下，AI对大量组织病理图像进行的自动分析，可提高诊断结果的可重复性，推动其标准化的进展。

组织图像自动分析过程可分为数据采集、数据准备、特征提取、模型构建与训练、模型测试与评估、模型部署、图像分类几个方面^［10］。Hamamoto等^［41］使用无代码A I平台Teac ha ble Machine来训练UC的诊断模型，该模型可以区分UC、非UC结直肠炎、腺癌和正常的组织学图像。研究人员使用了5 100张用于训练的组织学图像和900张用于测试的组织学图像来构建该模型，模型显示出良好的诊断性能，诊断UC、非UC结直肠炎、腺癌和正常图像的准确率分别为0.99、1.00、0.99和0.99。

除了对IBD进行诊断外，AI也可辅助进行相关的组织学评分、炎症活动度分级。与分析内镜图像相似，DL在分析组织病理图像方面具有较大的优势。Najdawi等^［42］收集病理学家提供的组织和细胞注释，使用人工注释训练基于CNN的模型，可量化并自动识别组织病理切片中与UC活动有关的组织学特征，最终准确预测Nancy组织学指数评分，且与病理学家得出的评分具有较强的相关性，加权kappa（κ=0.91）和Spearman相关性（r=0.89，P＜0.001），基于有无中性粒细胞的外渗，模型还能够预测组织学缓解，准确率高达0.97。Rubin等^［43］开发的AI组织学工具同样具有巨大的临床应用潜力，模型利用NN结构将组织病理图像表征为细胞和组织类型的位置和组合，Nancy指数评分将由其中的分类器模块进行分配，最终的混淆矩阵分析表明，当Nancy指数为0或4时，预测结果与真实结果之间的相关性为80%。Cai等^［44］基于DL提出了一种用于UC病理全片图像（whole-slide images，WSIs）的炎症活性分级方法，利用ImageNet数据集上预训练的ResNet50模型提取UC患者的图像斑块特征，根据特征和病理学家提供的注释对模型进行训练，以预测UC WSI的炎症活动水平，其模型算法的性能与具有五年经验的病理学家相当，内部测试集的AUC为0.863，敏感度为0.913，特异度为0.816，同时外部测试集的AUC为0.947，敏感度为0.889，特异度为0.858。

IBD的病理诊断在AI的发展浪潮下日益可重复化和客观化，未来AI技术的深层次进步将推动其标准化的进行。

4 AI 在 IBD 其他诊疗领域中的应用

IBD的传统治疗药物包括氨基水杨酸制剂、免疫抑制剂、激素等，这些药物可以对症状进行一定的控制，但难以阻止病情的进展。近年来使用方法简单快捷、疗效明确且副作用少的生物制剂被发现并广泛用于IBD的治疗^［45］。与此同时，AI的出现也在一定程度上革新了IBD的治疗方式，如为克服使用生物制剂时所带来的注射给药、长期使用可能引发的严重副作用、部分患者会产生抗药抗体等不便，Berger等^［46］的研究团队采用了名为“从头设计"（de novo design）的计算机辅助蛋白质设计方法，不依赖于现有的天然蛋白质结构，而是从头设计全新的蛋白质分子，开发口服给药的蛋白质药物。

除此之外，AI技术还可辅助评估患者的治疗效果。IBD不同程度的疾病愈合分为临床缓解、内镜缓解、组织学缓解和屏障愈合。目前的治疗目标正在从内镜缓解转向新兴的组织学缓解、肠壁愈合和肠道屏障深层愈合等。AI辅助的愈合评估模型，将通过DL增强的NN模型，准确对内镜内组织病理图像进行分类，预测内镜和组织学缓解，同时更全面地评估炎症的分布，辅助治疗选择和结直肠癌筛查^［47］。在病人的管理方面，大型语言模型作为AI的一种形式，自交互式人工智能ChatGPT发布以来，基于在线聊天的人工智能（chat-based AI，CB-AI）模型越来越受欢迎。它具有互动性强、个性化响应、数据知识储备丰富等优势。对于IBD患者来说，CB-AI可为IBD患者提供较为适当和准确的饮食管理教育^［48］，现今有关于饮食健康的CB-AI模型已初步建立，在治疗过程中应如何改善饮食结构等问题可以通过它得到回答。但AI的所有回答都表明需要咨询医生进行个性化管理，提示患者不应盲目遵循AI提供的信息。在使用AI辅助诊断模型促进精准化、便捷化诊断的同时，合理地利用CB-AI为患者提供相关治疗建议，有利于加强对患者的健康管理。

综上足以可见AI的应用广泛，其囊括诊断、治疗、预后及患者管理等多个方面。AI的发展是时代进步的产物，未来将出现于更多领域、为医疗事业做出更大的贡献。

5 局限性与展望

随着时代的进步、算法技术的发展和成熟，AI技术在IBD图像诊断方面的应用已越发广泛，涉及组织病理切片、常规胃肠镜及胶囊内镜、超声内镜等特殊内镜类型。它的出现极大推动了医疗事业的发展，但仍存在着许多难以忽视的不足。对于训练模型所需的数据集来说：（1）ML或DL所依赖的数据集均为人为筛选，大多来自于单中心回顾性图像，缺乏多中心、前瞻性的图像^［49］，且可能存在选择上的偏差，导致训练出来的模型泛化能力较差；（2）同样由于人工选择的数据集，AI模型将无法诊断那些没有包含在数据集中的疾病类型，也无法自行发现新的病种，其对医学事业创新性的贡献有限；（3）AI算法的开发需要大量的数据，但由于临床数据具有一定的保密性，同时格式的不统一性也使得数据难以自由共享；（4）数据集的来源涉及安全和隐私问题，关于数据集的使用需要格外谨慎。对于AI本身来说：（1）如何评价AI产生的结果质量尚未出现统一的标准，相关评价标准还需要更多的研究人员参与制订；（2）AI算法的决策系统较为复杂，部分临床医师可能难以掌握，同时AI辅助诊断模型的应用多在大型内镜中心开展，局限于经验丰富的内镜医师和病理医师当中，难以普及至基层医院，大大限制了AI技术的推广^［50］；（3）AI的实用性还有待临床实践的验证，与AI有关的临床实验的开展将有助于加快AI应用于临床的进程；（4）目前AI的研究热点主要在于技术层面，其是否涉及伦理问题还有待研究人员的思考。对于图像诊断上的应用来说：（1）AI难以自动识别结肠位置，导致其在内镜上的应用受到了一定限制；（2）目前基于AI开发的图像诊断模型大多针对的是静态图像，如何具备良好的动态识别性能，以实现在内镜手术中对患者进行实时评估，还需要模型的进一步升级、相关研究的更多开展；（3）AI算法难以识别部分细微病理改变，如隐窝结构扭曲等。

在当前医疗资源分布不均衡的大背景下，AI技术的开发和应用可以辅助医师进行IBD等疾病的诊断，进一步推动精准医疗的实行。但以上的种种局限性提示，今后还需深入地攻克数据集和相关算法所带来的种种局限，建立大型标本库和数据库，解决隐私安全和人文伦理等问题，完善与AI有关的评价体系，推动AI技术的普及、帮助其下沉至基层，同时以更加先进的技术和算法改进模型，加强临床数据、内镜图像和病理图像的结合，提高相关图像诊断模型的诊断能力，开发出更加简便实用的AI模型。

1、ANICKAM%E2%80%83P%EF%BC%8CMARIAPPAN%E2%80%83S%E2%80%83A%EF%BC%8CMURUGESAN%E2%80%83%0AS%E2%80%83M%EF%BC%8Cet%E2%80%83al%EF%BC%8EArtificial%E2%80%83Intelligence%EF%BC%88AI%EF%BC%89and%E2%80%83%20Internet%E2%80%83%0Aof%E2%80%83Medical%E2%80%83Things%EF%BC%88IoMT%EF%BC%89assisted%E2%80%83%20biomedical%E2%80%83%0Asystems%E2%80%83for%E2%80%83intelligent%E2%80%83healthcare%EF%BC%BBJ%EF%BC%BD%EF%BC%8EBiosensors%0A%EF%BC%88Basel%EF%BC%89%EF%BC%8C2022%EF%BC%8C12%EF%BC%888%EF%BC%89%EF%BC%9A562%EF%BC%8E

2、STIDHAM%E2%80%83R%E2%80%83W%EF%BC%8CTAKENAKA%E2%80%83K%EF%BC%8EA%20rtifi%20ci%20al%E2%80%83%0Aintelligence%E2%80%83for%E2%80%83%20disease%E2%80%83%20assessment%E2%80%83in%E2%80%83inflammatory%E2%80%83%0Abowel%E2%80%83disease%EF%BC%9AHow%E2%80%83will%E2%80%83it%E2%80%83change%E2%80%83our%E2%80%83practice%3F%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AGastroenterology%EF%BC%8C2022%EF%BC%8C162%EF%BC%885%EF%BC%89%EF%BC%9A1493-1506%EF%BC%8E

3、JAVAID%E2%80%83A%EF%BC%8CSHAHAB%E2%80%83O%EF%BC%8CADORNO%E2%80%83W%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AMachine%E2%80%83learning%E2%80%83%20predictive%E2%80%83%20outcomes%E2%80%83%20modeling%E2%80%83in%E2%80%83%0Ainflammatory%E2%80%83bowel%E2%80%83diseases%EF%BC%BBJ%EF%BC%BD%EF%BC%8EInflamm%E2%80%83Bowel%E2%80%83%0ADis%EF%BC%8C2022%EF%BC%8C28%EF%BC%886%EF%BC%89%EF%BC%9A819-829%EF%BC%8E

4、SCOTT%E2%80%83I%E2%80%83A%EF%BC%8CCOOK%E2%80%83D%EF%BC%8CCOIERA%E2%80%83E%E2%80%83W%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AMachine%E2%80%83learning%E2%80%83in%E2%80%83clinical%E2%80%83practice%EF%BC%9AProspects%E2%80%83and%E2%80%83%0Apitfalls%EF%BC%BBJ%EF%BC%BD%EF%BC%8EMed%E2%80%83J%E2%80%83Aust%EF%BC%8C2019%EF%BC%8C211%EF%BC%885%EF%BC%89%EF%BC%9A203-%0A205%EF%BC%8Ee1%EF%BC%8E

5、SOFFER%E2%80%83S%EF%BC%8CKLANG%E2%80%83E%EF%BC%8CSHIMON%E2%80%83O%EF%BC%8Cet%E2%80%83al%EF%BC%8EDeep%E2%80%83%0Alearning%E2%80%83for%E2%80%83wireless%E2%80%83capsule%E2%80%83endoscopy%EF%BC%9AA%E2%80%83systematic%E2%80%83%0Areview%E2%80%83and%E2%80%83meta-analysis%EF%BC%BBJ%EF%BC%BD%EF%BC%8EGast%20rointest%E2%80%83%0AEndosc%EF%BC%8C2020%EF%BC%8C92%EF%BC%884%EF%BC%89%EF%BC%9A831-839%EF%BC%8Ee8%EF%BC%8E

6、MOHAN%E2%80%83B%E2%80%83P%EF%BC%8CKHAN%E2%80%83S%E2%80%83R%EF%BC%8CKASSAB%E2%80%83L%E2%80%83L%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AHigh%E2%80%83%20pooled%E2%80%83%20performance%E2%80%83%20of%E2%80%83%20convolutional%E2%80%83%20neural%E2%80%83%0Anetworks%E2%80%83in%E2%80%83computer-aided%E2%80%83diagnosis%E2%80%83of%E2%80%83GI%E2%80%83ulcers%E2%80%83and%2F%0Aor%E2%80%83hemorrhage%E2%80%83on%E2%80%83wireless%E2%80%83capsule%E2%80%83endoscopy%E2%80%83images%EF%BC%9A%0AA%E2%80%83systematic%E2%80%83review%E2%80%83and%E2%80%83meta-analysis%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AGastrointestinal%E2%80%83Endoscopy%EF%BC%8C2021%EF%BC%8C93%EF%BC%882%EF%BC%89%EF%BC%9A356-%0A364%EF%BC%8Ee4%EF%BC%8E

7、CHECHEKHINA%E2%80%83E%EF%BC%8CVOLOSHIN%E2%80%83N%EF%BC%8CKULEBYAKIN%E2%80%83%0AK%EF%BC%8Cet%E2%80%83al%EF%BC%8ECode-free%E2%80%83machine%E2%80%83learning%E2%80%83%20solutions%E2%80%83for%E2%80%83%0Amicroscopy%E2%80%83image%E2%80%83processing%EF%BC%9ADeep%E2%80%83learning%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0ATissue%E2%80%83Eng%E2%80%83Part%E2%80%83A%EF%BC%8C2024%EF%BC%8C30%EF%BC%8819-20%EF%BC%89%EF%BC%9A627-639%EF%BC%8E

8、GU%E2%80%83P%EF%BC%8CMENDONCA%E2%80%83O%EF%BC%8CCARTER%E2%80%83D%EF%BC%8Cet%E2%80%83al%EF%BC%8EAI%02luminating%E2%80%83artificial%E2%80%83intelligence%E2%80%83in%E2%80%83inflammatory%E2%80%83bowel%E2%80%83%0Adiseases%EF%BC%9AA%E2%80%83%20narrative%E2%80%83%20review%E2%80%83%20on%E2%80%83the%E2%80%83%20role%E2%80%83%20of%E2%80%83AI%E2%80%83in%E2%80%83%0Aendoscopy%EF%BC%8Chistology%EF%BC%8Cand%E2%80%83imaging%E2%80%83for%E2%80%83IBD%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AInflamm%E2%80%83Bowel%E2%80%83Dis%EF%BC%8C2024%EF%BC%8C30%EF%BC%8812%EF%BC%89%EF%BC%9A2467-2485%EF%BC%8E

9、NIGAM%E2%80%83S%EF%BC%8CGJELAJ%E2%80%83E%EF%BC%8CWANG%E2%80%83R%EF%BC%8Cet%E2%80%83al%EF%BC%8EMachine%E2%80%83%0Alearning%E2%80%83and%E2%80%83%20deep%E2%80%83learning%E2%80%83applications%E2%80%83in%E2%80%83magnetic%E2%80%83particle%E2%80%83imaging%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Magn%E2%80%83Reson%E2%80%83Imaging%EF%BC%8C%0A2025%EF%BC%8C61%EF%BC%881%EF%BC%89%EF%BC%9A42-51%EF%BC%8E

10、CANNAROZZI%E2%80%83A%E2%80%83L%EF%BC%8CMASSIMINO%E2%80%83L%EF%BC%8CLATIANO%E2%80%83%0AA%EF%BC%8Cet%E2%80%83al%EF%BC%8EArtificial%E2%80%83intelligence%EF%BC%9AA%E2%80%83%20new%E2%80%83tool%E2%80%83in%E2%80%83the%E2%80%83%0Apathologist%E2%80%99s%E2%80%83armamentarium%E2%80%83for%E2%80%83the%E2%80%83diagnosis%E2%80%83of%E2%80%83IBD%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EComput%E2%80%83Struct%E2%80%83Biotechnol%E2%80%83J%EF%BC%8C2024%EF%BC%8823%EF%BC%89%EF%BC%9A%0A3407-3417%EF%BC%8E

11、LIU%E2%80%83X%EF%BC%8CPRASATH%E2%80%83S%EF%BC%8CSIDDIQUI%E2%80%83I%EF%BC%8Cet%E2%80%83al%EF%BC%8EMachine%E2%80%83%0Alearning-based%E2%80%83prediction%E2%80%83of%E2%80%83pediatric%E2%80%83ulcerative%E2%80%83colitis%E2%80%83%0Atreatment%E2%80%83response%E2%80%83using%E2%80%83diagnostic%E2%80%83histopathology%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EGastroenterology%EF%BC%8C2024%EF%BC%8C166%EF%BC%885%EF%BC%89%EF%BC%9A921-%0A924%EF%BC%8Ee4%EF%BC%8E

12、LECUN%E2%80%83Y%EF%BC%8CBENGIO%E2%80%83Y%EF%BC%8CHINTON%E2%80%83G%EF%BC%8EDeep%E2%80%83learning%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8ENature%EF%BC%8C2015%EF%BC%8C521%EF%BC%887553%EF%BC%89%EF%BC%9A436-444%EF%BC%8E

13、SAITO%E2%80%83H%EF%BC%8CAOKI%E2%80%83T%EF%BC%8CAOYAMA%E2%80%83K%EF%BC%8Cet%E2%80%83al%EF%BC%8EAutomatic%E2%80%83%0Adetection%E2%80%83%20and%E2%80%83%20classification%E2%80%83%20of%E2%80%83%20protruding%E2%80%83lesions%E2%80%83in%E2%80%83%0Awireless%E2%80%83capsule%E2%80%83endoscopy%E2%80%83images%E2%80%83%20based%E2%80%83on%E2%80%83a%E2%80%83%20deep%E2%80%83%0Aconvolutional%E2%80%83neural%E2%80%83network%EF%BC%BBJ%EF%BC%BD%EF%BC%8EGastrointest%E2%80%83%0AEndosc%EF%BC%8C2020%EF%BC%8C92%EF%BC%881%EF%BC%89%EF%BC%9A144-151%EF%BC%8Ee1%EF%BC%8E

14、BRANCACCIO%E2%80%83G%EF%BC%8CBALATO%E2%80%83A%EF%BC%8CMALVEHY%E2%80%83J%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AArtificial%E2%80%83intelligence%E2%80%83in%E2%80%83skin%E2%80%83cancer%E2%80%83diagnosis%EF%BC%9AA%E2%80%83%0Areality%E2%80%83check%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Invest%E2%80%83Dermatol%EF%BC%8C2024%EF%BC%8C144%0A%EF%BC%883%EF%BC%89%EF%BC%9A492-499%EF%BC%8E

15、ZHANG%E2%80%83J%EF%BC%8CWANG%E2%80%83S%EF%BC%8CJIANG%E2%80%83Z%EF%BC%8Cet%E2%80%83al%EF%BC%8ECD-Net%EF%BC%9A%0ACascaded%E2%80%833D%E2%80%83Dilated%E2%80%83convolutional%E2%80%83neural%E2%80%83network%E2%80%83for%E2%80%83%0Apneumonia%E2%80%83lesion%E2%80%83segmentation%EF%BC%BBJ%EF%BC%BD%EF%BC%8EComput%E2%80%83Biol%E2%80%83%0AMed%EF%BC%8C2024%EF%BC%88173%EF%BC%89%EF%BC%9A108311%EF%BC%8E

16、NORDBLOM%E2%80%83N%E2%80%83F%EF%BC%8CB%C3%9CTTNER%E2%80%83M%EF%BC%8CSCHWENDICKE%E2%80%83%0AF%EF%BC%8EArtificial%E2%80%83intelligence%E2%80%83in%E2%80%83orthodontics%EF%BC%9ACritical%E2%80%83%0Areview%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Dent%E2%80%83Res%EF%BC%8C2024%EF%BC%8C103%EF%BC%886%EF%BC%89%EF%BC%9A577-%0A584%EF%BC%8E

17、CANNAROZZI%E2%80%83A%E2%80%83L%EF%BC%8CLATIANO%E2%80%83A%EF%BC%8CMASSIMINO%E2%80%83%0AL%EF%BC%8Cet%E2%80%83al%EF%BC%8EInflammatory%E2%80%83bowel%E2%80%83disease%E2%80%83genomics%EF%BC%8C%0Atranscriptomics%EF%BC%8Cproteomics%E2%80%83%20and%E2%80%83%20metagenomics%E2%80%83%0Ameet%E2%80%83artificial%E2%80%83intelligence%EF%BC%BBJ%EF%BC%BD%EF%BC%8EUnited%E2%80%83European%E2%80%83%0AGastroenterol%E2%80%83J%EF%BC%8C2024%EF%BC%8C12%EF%BC%8810%EF%BC%89%EF%BC%9A1461-1480%EF%BC%8E

18、张梦娇，吴练练，邢达奇，等．基于深度学习的幽门螺杆菌人工智能辅助诊断系统研究［J］．中华消化内镜杂志，2023，40（2）：109-114．

19、IIKURA%E2%80%83R%EF%BC%8CAOKI%E2%80%83T%EF%BC%8CSHICHIJO%E2%80%83S%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AArtificial%E2%80%83intelligence%E2%80%83%20versus%E2%80%83%20expert%E2%80%83%20endoscopists%E2%80%83%0Afor%E2%80%83%20diagnosis%E2%80%83%20of%E2%80%83gastric%E2%80%83%20cancer%E2%80%83in%E2%80%83%20patients%E2%80%83who%E2%80%83%20have%E2%80%83%0Aundergone%E2%80%83upper%E2%80%83gastrointestinal%E2%80%83endoscopy%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AEndoscopy%EF%BC%8C2022%EF%BC%8C54%EF%BC%888%EF%BC%89%EF%BC%9A780-784%EF%BC%8E

20、IWAYA%E2%80%83M%EF%BC%8CHAYASHI%E2%80%83Y%EF%BC%8CSAKAI%E2%80%83Y%EF%BC%8Cet%E2%80%83al%EF%BC%8EArtificial%E2%80%83intelligence%E2%80%83for%E2%80%83evaluating%E2%80%83the%E2%80%83%20risk%E2%80%83of%E2%80%83gastric%E2%80%83%0Acancer%EF%BC%9AReliable%E2%80%83%20detection%E2%80%83and%E2%80%83%20scoring%E2%80%83of%E2%80%83intestinal%E2%80%83%0Ametaplasia%E2%80%83with%E2%80%83deep%E2%80%83learning%E2%80%83algorithms%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AGastrointest%E2%80%83Endosc%EF%BC%8C2023%EF%BC%8C98%EF%BC%886%EF%BC%89%EF%BC%9A925-933%EF%BC%8Ee1%EF%BC%8E

21、JIANG%E2%80%83X%EF%BC%8CHOFFMEISTER%E2%80%83M%EF%BC%8CBRENNER%E2%80%83H%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AEnd-to-end%E2%80%83%20prognostication%E2%80%83in%E2%80%83colorectal%E2%80%83cancer%E2%80%83%20by%E2%80%83%0Adeep%E2%80%83learning%EF%BC%9AA%E2%80%83retrospective%EF%BC%8Cmulticentre%E2%80%83study%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8ELancet%E2%80%83Digit%E2%80%83Health%EF%BC%8C2024%EF%BC%8C6%EF%BC%881%EF%BC%89%EF%BC%9A%0Ae33-e43%EF%BC%8E

22、ZHAI%E2%80%83Y%EF%BC%8CCHEN%E2%80%83Z%EF%BC%8CZHENG%E2%80%83Z%EF%BC%8Cet%E2%80%83al%EF%BC%8EArtificial%E2%80%83%0Aintelligence%E2%80%83for%E2%80%83automatic%E2%80%83surgical%E2%80%83phase%E2%80%83%20recognition%E2%80%83of%E2%80%83%0Alaparoscopic%E2%80%83gastrectomy%E2%80%83in%E2%80%83gastric%E2%80%83cancer%EF%BC%BBJ%EF%BC%BD%EF%BC%8EInt%E2%80%83J%E2%80%83%0AComput%E2%80%83Assist%E2%80%83Radiol%E2%80%83Surg%EF%BC%8C2024%EF%BC%8C19%EF%BC%882%EF%BC%89%EF%BC%9A345-%0A353%EF%BC%8E

23、CHEN%E2%80%83H%EF%BC%8CGOU%E2%80%83L%EF%BC%8CFANG%E2%80%83Z%EF%BC%8Cet%E2%80%83al%EF%BC%8EArtificial%E2%80%83%0Aintelligence%E2%80%83assisted%E2%80%83real-time%E2%80%83recognition%E2%80%83of%E2%80%83intra%02abdominal%E2%80%83metastasis%E2%80%83during%E2%80%83laparoscopic%E2%80%83gastric%E2%80%83cancer%E2%80%83%0Asurgery%EF%BC%BBJ%EF%BC%BD%EF%BC%8ENPJ%E2%80%83Digit%E2%80%83Med%EF%BC%8C2025%EF%BC%8C8%EF%BC%881%EF%BC%89%EF%BC%9A9%EF%BC%8E

24、中华医学会消化病学分会炎症性肠病学组，中国炎症性肠病诊疗质量控制评估中心，陈旻湖，等．中国克罗恩病诊治指南（2023年·广州）［J］．胃肠病学，2024，29（4）：200-235．

25、中华医学会消化病学分会炎症性肠病学组，中国炎症性肠病诊疗质量控制评估中心，吴开春，等．中国溃疡性结肠炎诊治指南（2023年·西安）［J］．胃肠病学，2024，29（3）：145-173．

26、SINGH%E2%80%83N%EF%BC%8CBERNSTEIN%E2%80%83C%E2%80%83N%EF%BC%8EEnvironmental%E2%80%83%20risk%E2%80%83%0Afactors%E2%80%83for%E2%80%83inflammatory%E2%80%83bowel%E2%80%83disease%EF%BC%BBJ%EF%BC%BD%EF%BC%8EUnited%E2%80%83%0AEuropean%E2%80%83Gastroenterol%E2%80%83J%EF%BC%8C2022%EF%BC%8C10%EF%BC%8810%EF%BC%89%EF%BC%9A1047-%0A1053%EF%BC%8E

27、宋孝美，于劲，史立伟，等．炎症性肠病内镜评分的临床应用及评价［J］．中华炎性肠病杂志，2023，7（1）：2-6．

28、吴朴仙，王红霞，林婧，等．人工智能在炎症性肠病中的应用进展［J］．胃肠病学和肝病学杂志，2024，33（10）：1377-1381．

29、SUTTON%E2%80%83R%E2%80%83T%EF%BC%8CZAI%E2%80%83ANE%E2%80%83O%E2%80%83R%EF%BC%8CGOEBEL%E2%80%83R%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AArtificial%E2%80%83intelligence%E2%80%83enabled%E2%80%83automated%E2%80%83diagnosis%E2%80%83and%E2%80%83%0Agrading%E2%80%83of%E2%80%83ulcerative%E2%80%83colitis%E2%80%83endoscopy%E2%80%83images%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0ASci%E2%80%83Rep%EF%BC%8C2022%EF%BC%8C12%EF%BC%881%EF%BC%89%EF%BC%9A2748%EF%BC%8E

30、SHARMA%E2%80%83A%EF%BC%8CKUMAR%E2%80%83R%EF%BC%8CGARG%E2%80%83P%EF%BC%8EDeep%E2%80%83learning%02based%E2%80%83prediction%E2%80%83model%E2%80%83for%E2%80%83diagnosing%E2%80%83gastrointestinal%E2%80%83%0Adiseases%E2%80%83using%E2%80%83endoscopy%E2%80%83images%EF%BC%BBJ%EF%BC%BD%EF%BC%8EInt%E2%80%83%20J%E2%80%83Med%E2%80%83%0AInform%EF%BC%8C2023%EF%BC%88177%EF%BC%89%EF%BC%9A105142%EF%BC%8E

31、徐昶，林嘉希，王玉，等．基于深度学习的溃疡性结肠炎Mayo内镜评分模型的建立［J］．中华炎性肠病杂志（中英文），2024，08（1）：71-76．

32、TAKABAYASHI%E2%80%83K%EF%BC%8CKOBAYASHI%E2%80%83T%EF%BC%8CMATSUOKA%E2%80%83%0AK%EF%BC%8Cet%E2%80%83al%EF%BC%8EArtificial%E2%80%83intelligence%E2%80%83quantifying%E2%80%83endoscopic%E2%80%83%0Aseverity%E2%80%83of%E2%80%83ulcerative%E2%80%83colitis%E2%80%83in%E2%80%83gradation%E2%80%83scale%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0ADig%E2%80%83Endosc%EF%BC%8C2024%EF%BC%8C36%EF%BC%885%EF%BC%89%EF%BC%9A582-590%EF%BC%8E

33、KLANG%E2%80%83E%EF%BC%8CGRINMAN%E2%80%83A%EF%BC%8CSOFFER%E2%80%83S%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AAutomated%E2%80%83detection%E2%80%83of%E2%80%83Crohn%E2%80%99s%E2%80%83%20disease%E2%80%83intestinal%E2%80%83%0Astrictures%E2%80%83%20on%E2%80%83%20capsule%E2%80%83%20endoscopy%E2%80%83images%E2%80%83%20using%E2%80%83%20deep%E2%80%83%0Aneural%E2%80%83networks%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Crohns%E2%80%83Colitis%EF%BC%8C2021%EF%BC%8C15%0A%EF%BC%885%EF%BC%89%EF%BC%9A749-756%EF%BC%8E

34、MAEDA%E2%80%83Y%EF%BC%8CKUDO%E2%80%83S%E2%80%83E%EF%BC%8CMORI%E2%80%83Y%EF%BC%8Cet%E2%80%83al%EF%BC%8EFully%E2%80%83%0Aautomated%E2%80%83diagnostic%E2%80%83system%E2%80%83with%E2%80%83artificial%E2%80%83intelligence%E2%80%83%0Ausing%E2%80%83%20endocytoscopy%E2%80%83%20to%E2%80%83%20identify%E2%80%83%20the%E2%80%83%20presence%E2%80%83%20of%E2%80%83%0Ahistologic%E2%80%83inflammation%E2%80%83%20associated%E2%80%83%20with%E2%80%83%20ulcerative%E2%80%83%0Acolitis%EF%BC%88with%E2%80%83video%EF%BC%89%EF%BC%BBJ%EF%BC%BD%EF%BC%8EGastrointest%E2%80%83Endosc%EF%BC%8C%0A2019%EF%BC%8C89%EF%BC%882%EF%BC%89%EF%BC%9A408-415%EF%BC%8E

35、FAN%E2%80%83Y%EF%BC%8CMU%E2%80%83R%EF%BC%8CXU%E2%80%83H%EF%BC%8Cet%E2%80%83al%EF%BC%8ENovel%E2%80%83deep%E2%80%83learning%02based%E2%80%83computer-aided%E2%80%83diagnosis%E2%80%83system%E2%80%83for%E2%80%83predicting%E2%80%83%0Ainflammatory%E2%80%83activity%E2%80%83in%E2%80%83ulcerative%E2%80%83colitis%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AGastrointest%E2%80%83Endosc%EF%BC%8C2023%EF%BC%8C97%EF%BC%882%EF%BC%89%EF%BC%9A335-346%EF%BC%8E

36、KRATTER%E2%80%83T%EF%BC%8CSHAPIRA%E2%80%83N%EF%BC%8CLEV%E2%80%83Y%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ADeep%E2%80%83learning%E2%80%83multi-domain%E2%80%83model%E2%80%83provides%E2%80%83accurate%E2%80%83%0Adetection%E2%80%83and%E2%80%83grading%E2%80%83of%E2%80%83mucosal%E2%80%83%20ulcers%E2%80%83in%E2%80%83%20different%E2%80%83%0Acapsule%E2%80%83endoscopy%E2%80%83types%EF%BC%BBJ%EF%BC%BD%EF%BC%8EDiagnostics%0A%EF%BC%88Basel%EF%BC%89%EF%BC%8C2022%EF%BC%8C12%EF%BC%8810%EF%BC%89%EF%BC%9A2490%EF%BC%8E

37、WANG%E2%80%83L%EF%BC%8CCHEN%E2%80%83L%EF%BC%8CWANG%E2%80%83X%EF%BC%8Cet%E2%80%83al%EF%BC%8EDevelopment%E2%80%83%0Aof%E2%80%83a%E2%80%83convolutional%E2%80%83neural%E2%80%83network-based%E2%80%83colonoscopy%E2%80%83%0Aimage%E2%80%83assessment%E2%80%83model%E2%80%83for%E2%80%83differentiating%E2%80%83Crohn%E2%80%99s%E2%80%83%0Adisease%E2%80%83and%E2%80%83ulcerative%E2%80%83colitis%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%E2%80%83Front%E2%80%83Med%0A%EF%BC%88Lausanne%EF%BC%89%EF%BC%8C2022%EF%BC%889%EF%BC%89%EF%BC%9A789862%EF%BC%8E

38、罗举．炎症性肠病和肠结核的人工智能辅助鉴别诊断模型的研发与应用研究［D］．长沙：中南大学，2023．

39、GUIMAR%C3%83ES%E2%80%83P%EF%BC%8CFINKLER%E2%80%83H%EF%BC%8CREICHERT%E2%80%83M%E2%80%83C%EF%BC%8Cet%E2%80%83%0Aal%EF%BC%8EArtificial-intelligence-based%E2%80%83decision%E2%80%83support%E2%80%83tools%E2%80%83%0Afor%E2%80%83the%E2%80%83differential%E2%80%83diagnosis%E2%80%83of%E2%80%83colitis%EF%BC%BBJ%EF%BC%BD%EF%BC%8EEur%E2%80%83J%E2%80%83Clin%E2%80%83%0AInvest%EF%BC%8C2023%EF%BC%8C53%EF%BC%886%EF%BC%89%EF%BC%9Ae13960%EF%BC%8E

40、VILLANACCI%E2%80%83V%EF%BC%8CREGGIANI-BONETTI%E2%80%83L%EF%BC%8C%0ASALVIATO%E2%80%83T%EF%BC%8Cet%E2%80%83al%EF%BC%8EHistopathology%E2%80%83of%E2%80%83IBD%E2%80%83Colitis%EF%BC%8E%0AA%E2%80%83%20practical%E2%80%83%20approach%E2%80%83from%E2%80%83the%E2%80%83%20pathologists%E2%80%83%20of%E2%80%83the%E2%80%83%0AItalian%E2%80%83Group%E2%80%83for%E2%80%83the%E2%80%83study%E2%80%83of%E2%80%83the%E2%80%83gastrointestinal%E2%80%83tract%0A%EF%BC%88GIPAD%EF%BC%89%EF%BC%BBJ%EF%BC%BD%EF%BC%8EPathologica%EF%BC%8C2021%EF%BC%8C113%EF%BC%881%EF%BC%89%EF%BC%9A%0A39-53%EF%BC%8E

41、HAMAMOTO%E2%80%83Y%EF%BC%8CKAWAMURA%E2%80%83M%EF%BC%8CUCHIDA%E2%80%83H%EF%BC%8Cet%20al%EF%BC%8EThe%E2%80%83histological%E2%80%83detection%E2%80%83of%E2%80%83ulcerative%E2%80%83colitis%E2%80%83using%E2%80%83%0Aa%E2%80%83no-code%E2%80%83artificial%E2%80%83intelligence%E2%80%83model%EF%BC%BBJ%EF%BC%BD%EF%BC%8EInt%E2%80%83%20J%E2%80%83%0ASurg%E2%80%83Pathol%EF%BC%8C2024%EF%BC%8C32%EF%BC%885%EF%BC%89%EF%BC%9A890-894%EF%BC%8E

42、NAJDAWI%E2%80%83F%EF%BC%8CSUCIPTO%E2%80%83K%EF%BC%8CMISTRY%E2%80%83P%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AArtificial%E2%80%83intelligence%E2%80%83enables%E2%80%83quantitative%E2%80%83assessment%E2%80%83%0Aof%E2%80%83ulcerative%E2%80%83colitis%E2%80%83histology%EF%BC%BBJ%EF%BC%BD%EF%BC%8EMod%E2%80%83Pathol%EF%BC%8C%0A2023%EF%BC%8C36%EF%BC%886%EF%BC%89%EF%BC%9A100124%EF%BC%8E

43、RUBIN%E2%80%83D%E2%80%83T%EF%BC%8CKUBASSOVA%E2%80%83O%EF%BC%8CWEBER%E2%80%83C%E2%80%83R%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ADeployment%E2%80%83of%E2%80%83an%E2%80%83artificial%E2%80%83intelligence%E2%80%83histology%E2%80%83tool%E2%80%83to%E2%80%83%0Aaid%E2%80%83qualitative%E2%80%83assessment%E2%80%83of%E2%80%83histopathology%E2%80%83using%E2%80%83the%E2%80%83%0Anancy%E2%80%83histopathology%E2%80%83index%E2%80%83in%E2%80%83ulcerative%E2%80%83colitis%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AInflamm%E2%80%83Bowel%E2%80%83Dis%EF%BC%8C2024%EF%BC%9Aizae204%EF%BC%8E

44、%E2%80%83%20CAI%E2%80%83C%EF%BC%8CSHI%E2%80%83Q%EF%BC%8CLI%E2%80%83J%EF%BC%8Cet%E2%80%83al%EF%BC%8EPathologist-level%E2%80%83%0Adiagnosis%E2%80%83of%E2%80%83ulcerative%E2%80%83colitis%E2%80%83inflammatory%E2%80%83activity%E2%80%83level%E2%80%83%0Ausing%E2%80%83an%E2%80%83automated%E2%80%83histological%E2%80%83grading%E2%80%83method%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AInt%E2%80%83J%E2%80%83Med%E2%80%83Inform%EF%BC%8C2024%EF%BC%88192%EF%BC%89%EF%BC%9A105648%EF%BC%8E

45、李静慧，林梓瀚，黄志豪．乌司奴单抗治疗炎症性肠病研究进展［J］．医学理论与实践，2024，37（24）：4171-4173．

46、BERGER%E2%80%83S%EF%BC%8CSEEGER%E2%80%83F%EF%BC%8CYU%E2%80%83T%E2%80%83Y%EF%BC%8Cet%E2%80%83al%EF%BC%8EPreclinical%E2%80%83proof%E2%80%83of%E2%80%83principle%E2%80%83for%E2%80%83orally%E2%80%83delivered%E2%80%83Th17%E2%80%83antagonist%E2%80%83%0Aminiproteins%EF%BC%BBJ%EF%BC%BD%EF%BC%8ECell%EF%BC%8C2024%EF%BC%8C187%EF%BC%8816%EF%BC%89%EF%BC%9A4305-%0A4317%EF%BC%8Ee18%EF%BC%8E

47、MAEDA%E2%80%83Y%EF%BC%8CDITONNO%E2%80%83I%EF%BC%8CPUGA-TEJADA%E2%80%83M%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AArtificial%E2%80%83intelligence-enabled%E2%80%83advanced%E2%80%83endoscopic%E2%80%83%0Aimaging%E2%80%83to%E2%80%83assess%E2%80%83deep%E2%80%83healing%E2%80%83in%E2%80%83inflammatory%E2%80%83bowel%E2%80%83%0Adisease%EF%BC%BBJ%EF%BC%BD%EF%BC%8EeGastroenterology%EF%BC%8C2024%EF%BC%8C2%EF%BC%883%EF%BC%89%EF%BC%9A%0Ae100090%EF%BC%8E

48、DAUNGSUPAWONG%E2%80%83H%EF%BC%8CWIWANITKIT%E2%80%83V%EF%BC%8E%0AEvaluation%E2%80%83of%E2%80%83online%E2%80%83chat-based%E2%80%83artificial%E2%80%83intelligence%E2%80%83%0Aresponses%E2%80%83about%E2%80%83inflammatory%E2%80%83bowel%E2%80%83disease%E2%80%83and%E2%80%83diet%EF%BC%9A%0Acorrespondence%EF%BC%BBJ%EF%BC%BD%EF%BC%8EEur%E2%80%83J%E2%80%83Gastroenterol%E2%80%83Hepatol%EF%BC%8C%0A2024%EF%BC%8C36%EF%BC%8810%EF%BC%89%EF%BC%9A1243%EF%BC%8E

49、吴海迪，杨景玉，吴振伦，等．胶囊内镜中人工智能的应用现状［J］．临床医学研究与实践，2024，9（7）：195-198．

50、付一鸣，刘晓燕，韩泽龙，等．人工智能辅助内镜在消化道早癌筛查应用研究进展［J］．中华消化内镜杂志，2019，36（4）：296-299．

1、朱黎明.智能图像识别技术在断路器状态监测中的应用[J].集成电路应用,2025,42(05):240-241.DOI:10.19339/j.issn.1674-2583.2025.05.102.

2、刘越,周熠.智能图像识别在变电站设备缺陷检测中的应用[J].集成电路应用,2025,42(05):214-215.DOI:10.19339/j.issn.1674-2583.2025.05.089.

3、唐皎,肖颖,李立奇,等.人工智能在结直肠癌术前肠道准备中的应用及研究进展[J].局解手术学杂志,2025,34(12):1107-1110.

1、国家自然科学基金面上项目（82170561）；广东省自然科学基金面上项目（2022A1515012081）()