人工智能（AI）技术飞速发展，其在消化系统疾病诊治领域的应用持续深化，逐步从辅助诊断迈向覆盖全流程、全链条的智能化管理。CGC2026会议期间，围绕“AI+消化”这一前沿热点，与会专家共同探讨AI在消化内镜与疾病诊疗领域的创新实践，推动消化疾病诊疗向智能化、精准化方向迈进。

AI赋能结肠镜检查质量控制：从筛查入口到精准质控

结直肠癌是全球第三大常见恶性肿瘤、第二大癌症死亡原因。结肠镜检查是诊断早期结直肠癌及癌前病变的“金”标准，可显著降低该病的发病率和死亡率。但在实际临床应用中，结肠镜检查面临双重困境：一是患者依从性较差，筛查参与率低；二是内不同镜医师的操作技术与认知水平存在差异，导致26%的结肠腺瘤、9%的进展期腺瘤和27%的锯齿状息肉被漏诊，进而引发结肠镜后间期结直肠癌（PCCRC）。

在国家卫健委发布的结直肠癌筛查方案中，结肠镜检查和粪便免疫化学检测（FIT）已经被列为一线筛查手段。对于筛查中拒绝直接接受结肠镜检查的群体，采用FIT进行初筛可显著提高筛查参与率；在机会性筛查中，对就诊时不愿立即接受肠镜检查的患者，可采用“两步法”策略——先进行FIT检测，若结果为阳性再行结肠镜检查；与低阈值FIT相比，粪便DNA检测在进展期腺瘤检出方面并未体现出统计学优势，这进一步凸显了定量FIT在结直肠癌筛查中的成本效益优势与临床价值。

AI赋能让高质量结肠镜检查从“个人技术”变为“系统能力”。内镜检查的质量受肠道准备、退镜时间、病灶识别等多重因素影响，而AI的介入，正是将主观经验转化为客观、连续、可反馈的数据。

在肠镜检查前，AI可通过患者上传的排泄物照片实时评估肠道准备情况，提供个体化指导，提高肠道准备成功率。

在肠镜检查过程中，AI质控系统（CAQ）可实时判定各肠段波士顿肠道准备评分，自动确认盲肠到达率，还会将退镜时间拆解为真正用于黏膜观察的“合格黏膜观察时间”，而非单纯统计总时长。计算机辅助检测（CADe）则通过实时声光提示病灶，提高腺瘤检出率（ADR）。

在诊断与治疗决策环节，计算机辅助诊断（CADx）结合放大内镜鉴别息肉病理类型，持续提高诊断准确率。

在肠镜检查完成后，AI还能推动结构化报告生成，实现部位、大小、形态、切除方式与病理结果自动匹配，并依据指南生成随访计划，形成“检查视频—诊断报告—病理结果—术后随访”的数据闭环。

AI赋能结肠镜质控，不是简单的“装上即增益”，需要同步防范性能漂移、自动化偏倚与过度诊断等潜在风险。只有将质控关口前移至预约与肠道准备阶段，将检查过程量化为可追踪的客观指标，CAQ与CADe协同应用，将数据闭环至随访环节并持续实时改进，才能真正实现高质量结肠镜检查的系统化、常态化，让肠镜检查成为降低结直肠癌发病率与死亡率的坚固防线。

结直肠息肉管理全链条转化实践——从AI发现到全程智能管理

结直肠息肉是结直肠癌最重要的癌前病变，从腺瘤发展到腺癌往往有数年甚至十余年的窗口期，及时干预可阻断这一进程。但临床现实困境是：腺瘤漏诊率可达到20%到40%；传统热切除技术伴随出血、穿孔风险；息肉切除后患者往往就此失联，随访依从性差，间期癌风险随之升高。笔者团队围绕“发现—治疗—管理—规范”构建了一套全链条闭环体系，将原本碎片化的诊疗动作整合为连续、规范、可复制的全过程管理。

针对临床中微小、平坦病灶难以辨认的痛点，内镜AI可实时捕捉容易被忽略的息肉，自动完成病灶测量、边界增强和操作质控，还能辅助生成内镜报告，显著提升了不同资历医生之间的诊断一致性。AI的价值从来不是替代医生，而是帮助消除观察盲区、守住检查质量的底线。笔者团队大力推广冷圈套息肉切除技术十余年，大幅降低了迟发性出血与穿孔的发生率，先后牵头制定了《中国结直肠息肉冷切专家共识》及《结直肠息肉门诊管理专家共识》。随着门诊诊疗模式的推广，实现了患者、医院、医保三方共赢。

息肉切除从来不是诊疗的终点，离院后的管理断点才是保证长期诊疗效果的关键。笔者团队搭建起医生、护士、专病管理师与睿宾Agent协同的四级管理体系，把术前宣教评估、术中记录、术后监测、病理结果查看及复查安排串联成完整的服务链条。睿宾Agent会根据患者信息和诊疗记录建立个体化用户画像，制定分阶段随访计划，主动推送饮食生活指导、用药提醒、病理结果通知和内镜复查预约；通过拟人化语音交互，它能了解患者术后的症状变化，及时识别异常并反馈给医护团队处理。患者不再是被动等待通知的个体，而是被纳入一个持续运转的闭合管理回路。随访依从性从不足30%提升至超过70%，医生重复解释的工作量降低60%。真实数据给出了直观的反馈：4012例入组患者中，冷切除占比97.6%，总体并发症发生率仅0.25%，人均就医费用降至2129.54元，平均住院日缩短至0天，满意度从83.67%升至97.88%。

从AI辅助医生识别更多病灶，到冷切技术让治疗更安全，再到睿宾Agent保障随访不断链，这套模式改变了结直肠息肉“发现后切除、切除后失联”的传统路径。患者从一次性就诊转向全周期健康管理，医生也从单点操作转向对诊疗质量和长期结局的持续把控。技术创新、器械转化、专家共识与数字化管理相互衔接，让结直肠息肉诊疗更加规范、便捷和可追踪。真正的进步，不仅是完成一次高质量的息肉切除，更是把“发现—治疗—管理”凝练成为连续、可评估、可推广的闭环，推动结直肠癌防控真正实现关口前移。

AI辅助内镜诊断幽门螺杆菌感染的研究

现有研究显示，AI辅助内镜诊断幽门螺杆菌（Hp）感染具有较高准确性，并可在一定程度上超越人工判读，尤其在提高初学者表现、实现多中心泛化、支持农村地区Hp筛查方面展现出应用潜力。尽管京都胃炎分类等评分体系尝试对Hp相关内镜表现进行标准化，但该方式依赖医师个人经验，不同级别医院和不同资历医师之间一致性较差，易出现漏诊和误诊。AI具备强大的特征提取和模式识别能力，能够从大量标注数据中学习并建立标准化诊断模型，有望降低主观差异，提升诊断一致性。

AI辅助内镜诊断的技术原理主要基于深度学习图像识别算法，当前主流技术路线是以卷积神经网络（CNN）为核心的深度学习模型，用于从白光内镜图像中自动识别Hp相关的黏膜改变。也有研究采用更复杂的架构，如残差网络（ResNet-50）结合长短期记忆网络（LSTM）、多实例学习（MIL）框架、图神经网络（GNN）等，以增强对空间关系和序列信息的理解。

构建这类模型需要收集数千至上万张内镜图像或视频帧，再按照一定比例将数据划分为训练集、内部验证集和外部测试集。我们构建的HOPE-AI模型共纳入了来自6207例患者的308,887张图像和197段视频，在七家医院完成了多中心开发与验证工作。我们还引入了梯度加权类激活映射（Grad-CAM）、注意力热图等解释性模块，用于展示模型关注的关键区域，有助于医生理解AI判断依据，增强信任感。

多项研究显示，AI模型在Hp感染识别中总体表现良好。一项纳入16项研究的Meta分析结果显示，外部验证集中AI模型的汇总灵敏度为0.91、特异度为0.94、AUC为0.98。HOPE-AI在外部时间验证集中AUC为0.903，视频集AUC为0.923。随机对照研究显示，AI辅助可显著提升内镜医师的Hp感染诊断准确性：一项多中心临床对照研究结果显示，AI辅助组的诊断准确率92.8%，高于未辅助组的75.6%；灵敏度为91.8% vs 78.6%，特异度为93.4% vs 74.5%。HOPE-AI的诊断灵敏度为85.7%，同样高于资深内镜医师的68.0%。系统评价同样提示AI的整体诊断表现优于初级和高级内镜医师。

当前研究的主要局限性在于，研究设计偏回顾性，且许多研究基于精选图像开展，难以代表真实操作条件下的图像质量。真实世界中变量影响明显，血液、黏液、充气不足、焦距变化等因素都会降低模型的稳定性。此外，该领域缺乏统一标准，不同研究使用的“金”标准、对图像质量的要求、使用的设备型号不一致，限制不同研究间的横向比较。

未来研究可从三方面推进：一是开展前瞻性、多中心、真实世界研究，验证模型的实时视频分析能力和与临床工作流整合的效果；二是加强多模态融合，结合血清学、尿素呼气试验、病理结果等信息，提升模型的综合判断能力；三是构建可解释性更强的模型，通过可视化解释增强临床信任，推动技术落地应用。

人工智能在消化疾病诊治中的应用

近年来，AI技术在消化疾病诊疗领域展现出广阔的应用前景，其发展动力源于该领域亟待突破的临床痛点和实际需求。据统计，全球每年因消化道肿瘤死亡的人数超过380万，其中我国占比高达三分之一。这类疾病死亡率居高不下的关键原因在于，多数患者确诊时病情已处于中晚期，错失了最佳治疗时机。

消化内镜是实现消化道疾病早诊早治的核心手段，但长期以来存在三大共性难题：一是消化道结构复杂、病变表现隐匿，导致病变“看不清”；二是病变表型多样、评估依赖医生经验，导致结果“判不准”；三是报告生成与随访管理缺乏统一标准，导致全流程“管不好”。这些问题严重制约了诊消化内镜疗质量的提升。

为此，笔者团队联合医工交叉技术团队，经过近十年持续攻关，构建了覆盖全国43家医院、涵盖16类病种、纳入近10万名患者，囊括上亿张高清内镜图像和近10万个内镜视频的大规模多维数据库；在此基础上，创建了“教练理论”医工协作新模式。该模式的核心理念在于，临床医生担任“总教练”，负责定义问题与验证标准；工程师作为“金牌翻译”，将医学知识转化为客观可计算的目标与质控规则；AI系统作为“超级学徒”，在临床验证闭环中迭代学习。

在此框架下，项目组围绕实时诊断与质量控制、胆胰疾病精准评估、检查后自动管理三大方向，系统研发了覆盖消化内镜诊疗全过程的关键核心技术，取得一系列重要成果，成功推出覆盖内镜下质量控制、目标检测、辅助诊断及内镜报告管理的AI系列产品——“内镜精灵”“胆胰大师”“报告精灵”。该系统产品在临床应用中表现出色，能够减少胃肠镜检查盲区，提升早期肿瘤识别率，并显著提高诊断报告的准确性与完整性，为消化道肿瘤的早诊早治提供有力工具。

与此同时，笔者团队围绕“疾病辅助管理—基础AI研究”方向持续推进产学研协同创新，取得了一系列代表性成果：在疾病管理方面，基于知识图谱的AI Agent——GI-Doctor，可自动生成高质量病历，减轻临床医师的病历书写负担，显著改善患者的就医体验；在科研支持方面，文献自动分析与可视化分子调控网络平台则大幅提升了医学机制研究的效率，为AI与临床科研深度融合奠定了基础。

展望未来，团队将继续聚焦消化系统疾病的全流程智慧诊疗，致力于构建整合型、闭环式的智能医疗生态系统，进一步推动消化道肿瘤智慧医疗与大健康产业的深度融合与跨越发展，为我国“健康中国”战略的落地贡献科技力量。