胃肠病学家利用计算机辅助检测技术，这是一种旨在识别黏膜异常的软件系统，可在不同患者群体中改变结肠镜检查的腺瘤检出率。人工智能作为一种模仿人类视觉处理的技术，可提供实时边界框来识别目标组织。
该技术在黏膜检查过程中运行，以标记视觉异常。内窥镜医师使用这些自动警报来评估结肠中的结构变化。
要点与核心数据：
- 汇总分析显示，临床医生整合算法辅助时，腺瘤检出率的合并比值比达到1.37。
- 多中心临床试验显示，检测指标的相对提升最高可达50%。
- 长期临床实践小组确认基线检测指标绝对提高了8%，但对长期生存终点的证据确定性极低。
机器学习平台间的统计差异
将机器学习（一种在大型数据集上训练的分析算法子集）应用于胃肠道检查室，会引入操作差异。GI Genius等经过监管批准的黏膜可视化平台与EndoScreener等算法实时病变检测工具同时运行。
汇总分析数据显示，使用自动化辅助时，总体息肉检出率的合并比值比为1.36。统计异质性反映了特定临床软件应用和操作员经验水平之间的显著差异。
不同算法架构以不同的速度和敏感度处理视频帧。个体操作员的视觉模式与系统警报相互作用，影响整体诊断输出。
微小息肉过度检测问题
临床证据显示，计算机辅助平台倾向于偏向特定类型的病变检测。自动化工具以高频率识别微小腺瘤，即测量小于5毫米的小型良性病变。
多中心试验表明，临床获益主要出现在5毫米以下的病变中。该系统在远端区域标记良性增生组织，但对较大高级腺瘤的敏感性较低。
这种模式导致检测指标与真实患者风险降低之间明确脱钩。临床资源被用于切除和病理分析低风险组织块。
内窥镜医师切除那些恶性转化潜力极小的小型病变。这种做法改变了切除组织的体积，但并未改变患者生存曲线。
临床差异源于微小黏膜皱襞的视觉特性。算法模型会对经常代表增生组织的微小轮廓触发警报。
病理学家将这些标本归类为良性，这增加了医疗系统的成本，但不改变患者预后。
临床膨胀与结直肠癌筛查质量指标
内窥镜科室监测结肠镜质量指标，这些可测量的标准用于评估操作效果，以确保高水平的患者安全。传统指标基于一个假设：检测到更多病变可降低长期癌症风险。
计算机辅助的部署降低了腺瘤漏检率，即检查过程中被忽略的癌前息肉百分比。这种降低提高了单个内窥镜医师记录的绩效指标，但未改变被筛查人群的基础临床病理特征。
对低风险病变的检测增加人为膨胀了绩效指标。质量保证计划在通过这些未加权指标评估内窥镜医师熟练度时面临挑战。
在自动化辅助制度下，高指标与癌症预防之间的相关性降低。质量指标的历史基准是使用标准白光内窥镜建立的。
引入计算机辅助改变了基线，使旧的风险模型不准确。管理人员必须重新校准绩效评分，以考虑自动检测优势。
对间隔期结直肠癌发病率的长期影响
结直肠癌筛查的主要目标，作为大肠的预防性诊断程序，是预防晚期恶性肿瘤。预防间隔期结直肠癌（在阴性筛查检查后但在下次预定监测前诊断出的恶性肿瘤）需要切除高级腺瘤。
长期微模拟显示，切除5毫米以下的病变对10年结直肠癌发病率影响甚微。临床实践指南小组指出，对关键长期生存终点的证据确定性非常低。
由于这一数据缺口，医疗组织尚未对常规自动化辅助做出明确推荐。缺乏明确证据导致对广泛部署的经济价值产生临床不确定性。
卫生系统将软件采购成本与记录的病理结果进行评估。欧洲胃肠内窥镜学会和美国胃肠病学会继续评估纵向数据。
当前登记处跟踪自动化筛查程序后晚期癌症的发生情况。多年期收集的数据将阐明是否存在真正的预防优势。
总结
将算法辅助整合到内窥镜检查室中，修改了既定的临床指标。对小型病变的记录增加改变了胃肠病学的数据格局，但未改变长期癌变表现。
未来框架需要能够区分低风险组织与高级癌前病理的质量指标。完善这些指标可确保清晰跟踪患者结果。
内窥镜实践必须严格基于生存终点评估技术。
参考文献
[1] Wang, A., Mo, J., Zhong, C., Wu, S., Wei, S., Tu, B., Liu, C., Chen, D., Xu, Q., Cai, M., Li, Z., Xie, W., Xie, M., Kato, M., Xi, X., & Zhang, B. (2021). Artificial intelligence-assisted detection and classification of colorectal polyps under colonoscopy: a systematic review and meta-analysis. Annals of Translational Medicine, 9(22), 1662.
[2] Sharma, A., et al. (2026). Enhancing colonoscopy outcomes: A systematic review and meta-analysis of randomized controlled trials evaluating artificial intelligence–assisted adenoma and polyp detection. Journal of Clinical Oncology, 44(16_suppl), e15519.
[3] AGA Living Clinical Practice Guideline Panel. (2025). AGA Living Clinical Practice Guideline on Computer-Aided Detection-Assisted Colonoscopy. Gastroenterology, 168(4), 1012–1025.
[4] D'Aquila, M. L., Linhares, S. M., Schultz, K. S., Hughes, M. L., & Mongiu, A. K. (2026). Computer-assisted detection of colorectal polyps: a narrative review of clinical utility, ongoing limitations, and opportunities for advancement. Translational Gastroenterology and Hepatology, 11, Article tgh-25-116.
【全文结束】