早期胃癌的内镜诊断
100年前，世界上最常见的恶性肿瘤就是胃癌。虽然现今全世界胃癌发病率呈逐年下降趋势，但每年仍有约100万人确诊，70多万人因此丧生。如今，胃癌是世界第五大最常见恶性肿瘤，死亡率排第二位，是东亚地区最常见癌症。
胃癌的5年生存率较低，为25%～30%，其中，早期胃癌为90%，进展期为15%。不难看出，早期胃癌明显高于进展期胃癌。故胃癌的疗效、生存质量及预后与其分期有非常密切的关系，提高胃癌的早期诊断率，有助于改善患者的生活质量及预后。但遗憾的是，我国早期胃癌诊断率仍然较低，为不足10%，远低于同属东亚地区的韩国（70%）和日本（50%）。
胃癌的诊断“金标准”为胃镜活组织检查。早期胃癌（Early Gastric Cancer，EGC）是指癌组织在黏膜或黏膜下层浸润，伴或不伴淋巴结转移。包括特殊类型微小胃癌（癌病灶最大直径＜5mm）、小胃癌（癌病灶最大直径5～10mm）。巴黎分型将早期胃癌的内镜下形态分为0-Ⅰ型（0-Ⅰp、0-Ⅰs）、0-Ⅱ型（0-Ⅱa、0-Ⅱb、0-Ⅱc）和0-Ⅲ型。其中以0-Ⅱ型最多见。所以如何快速精准地发现病灶是所有内镜医生追求的永恒目标。随着内镜技术及相关医学水平的不断提高，胃镜检查已不再是从前模糊、痛苦的方式，取而代之的是高效、清晰、舒适。本节将向读者介绍与早期胃癌诊断的相关内镜技术。
（一）提高胃镜检查质量主要建议
1.内镜前准备
使用二甲硅油或二甲硅油和N-乙酰半胱氨酸检查前用药可改善胃黏膜的可视化。
链霉蛋白酶是一种蛋白水解剂，可提高胃部可见度评分。
推荐使用解痉药来增强对高危浅表肿瘤的检测。
2.镇静剂
应就镇静方案向患者提供充分咨询。胃镜检查镇静后报告满意度较高。
丙泊酚镇静可缩短镇静时间并提高上消化道癌的检出率。与咪达唑仑相比，异丙酚在食管胃十二指肠镜检查（OGD）中具有更好的检查质量。在使用咪达唑仑镇静的患者中，常规芬太尼的使用减少了额外的咪达唑仑剂量，缩短了手术时间，减少了患者痛苦。
在低风险患者和手术过程中，使用由护士麻醉师给药的丙泊酚和阿芬太尼靶控输注已证明是安全的，并提高了麻醉质量。
在不愿进行镇静的患者中，经鼻或经口途径进行的小口径OGD可提供较好的患者耐受性，诊断准确率水平相近。
（二）目前临床使用的胃镜检查技术
1.普通白光内镜（White-lingtimaging endoscopy，WLE）
无论内镜技术如何发展，普通白光内镜仍然是全世界最为常用的胃镜检查。各种研究表明，普通白光内镜诊断早期胃癌的敏感性、特异性和准确性分别为57.33%～71.2%、50%～99.1%和25.58%～97.1%。普通白光内镜虽然不够清晰，只能检出相对形态学显著改变的病变，早期胃癌的检出率较低，但其特点为价格低、检查时间短、操作简单，故适用于早期胃癌的初筛，从而针对可疑病灶制订进一步检查方案。也就是说，我们通过普通白光胃镜发现可疑病灶后，可以通过放大内镜、色素内镜或将其联合进行检查，以更加精确地观察病变性质，避免大范围应用精查胃镜所造成的资源浪费。
2.放大内镜（Magnifying endoscopy，ME）
放大内镜与普通内镜的区别在于其变焦镜头，可以将内镜影像放大60～170倍，更加清晰地观察病变黏膜表面微血管及微结构，以发现早期肿瘤性病变。Kudo等提出了针对黏膜表面微结构分为管状、乳头状及破碎状3种形态，微血管分为网格状、网状、环状、螺旋状及树枝状5种形态。通过放大内镜观察104个病灶的黏膜表面微结构及微血管，在黏膜表面微结构方面，管状形态多为网状、格子状微血管；乳头状、破碎状形态多为螺旋状、环状、树枝状微血管形态；在微血管形态方面，75%的腺瘤为网格状，中分化、未分化腺癌多为网状、环状、螺旋状及树枝状形态；表明早期胃癌的微结构及微血管形态与病理结果密切相关，放大内镜可对早期胃癌进行定性诊断。有研究表明，放大内镜的优势在于观察小而扁平的病灶从而区分其良恶性，而且可用于早期胃癌边界的确定。
3.色素内镜（Chromoendoscopy）
色素内镜又称染色内镜，即将试剂或色素按一定浓度配置成溶液，直接口服或针对可疑病灶区域局部喷洒，可以使普通白光内镜难以观察到的病变清晰显示的内镜检查，它有助于发现黏膜层微小病变，以明确活检目标，提高早期病变的检出率。单用普通白光内镜检查早期胃肠道恶性肿瘤可能具有挑战性，特别是因为病变可能很微小且不显眼。随着电子色素内镜技术的出现，可以快速、简便地表征已经检测到的病变。在精心挑选的情况下，色素内窥镜仍然可以作为日常临床实践中白光内窥镜的有用辅助手段。常用染色剂有卢戈氏液、亚甲蓝、靛胭脂、醋酸及联合染色等。Zhao等的Meta分析显示色素内镜特异性为82%，敏感性为94.64%，对早期胃癌和胃癌前病变的诊断准确率高于普通白光内镜。色素内镜亦可以确定早期胃癌边界，Nagahama等分别使用窄带成像内镜和色素内镜对384位早期胃癌患者的病灶边界进行描绘，结果显示色素内镜检查组的准确描绘率为85.77%，窄带成像内镜组的准确描绘率为88.07%，提示窄带成像内镜和色素内镜均可用于确定早期胃癌的边界，临床上两者对确定病灶边界有相同的应用价值。靛蓝-胭脂红可以促进胃中可疑区域的评估，以检测EGC。醋酸和靛胭脂的组合已被用于评估胃腺瘤。Kono及其同事用这种技术评估了“红色变”的敏感性。与单独使用白光内窥镜进行颜色评估相比，该标志显著增加了EGC（多变量分析优势比=11）的检测率（87.0% vs 56.5%；P＜0.05）。
4.窄带成像内镜（Narrowbandimaging，NBI）
窄带成像内镜是目前应用范围较广的内镜检查技术，它是利用窄谱滤光器过滤掉内镜光源中的宽带光谱，仅留下605nm、540nm、415nm波长的红、绿、蓝色窄带光波。因血液会吸收窄带光波，从而使胃黏膜上皮和黏膜下血管能更加清晰的显示，易于观察。孙贤久对窄带成像内镜在诊断早期胃癌的价值进行研究，将600例消化内科患者随机分为3组，分别用普通胃镜、窄带成像内镜及0.2%靛胭脂染色后放大胃镜观察病变轮廓、胃黏膜微血管及胃小凹形态，结果表明窄带成像内镜在这3个方面明显优于普通胃镜。
5.窄带成像放大内镜（Magnifyingendoscopy with Narrowbandimaging，ME-NBI）
窄带成像放大内镜（ME-NBI）是近年来发展起来的一种将放大内镜与窄带成像相结合的技术。血管加表面（VS）分类系统是一种使用放大内镜区分癌性和非癌性病变的成熟诊断系统；该系统在2009年由姚等提出。该系统在诊断早期胃癌方面的有效性已得到高水平证据的验证。该诊断系统最有用的功能如下：①在胃炎样癌（早期胃癌浅表型，0-Ⅱ型）中，可诊断尺寸≤5mm的微小癌和浅表平坦型（0-Ⅱb）型早期胃癌，常规内镜无法诊断；②可术前必要确定早期胃癌边界。
VS分类系统的基本原理是评估微血管（MV）和微表面（MS）模式，使用解剖学术语来分析胃放大内镜检查的结果。用于分析MV模式的术语包括：上皮下毛细血管网（SEC）、集合小静脉（CV）和微血管（MV）。用于分析MS模式的术语包括：边缘隐窝上皮（MCE）、隐窝开口（CO）、隐窝（IP）间部分、亮蓝嵴（LBC）和白色不透明物质（WOS）。
根据VS分类系统，早期胃癌的特征性内镜检查结果包括癌变和非癌变黏膜之间存在清晰的分界线，分界线内存在不规则的MV模式和（或）不规则的MS模式。分界线定义为可通过病变和非病变区域之间MV或MS模式的突然变化识别的边界线。MV和MS模式分别评估其是否规则、不规则或不存在，符合以下诊断标准的病变被诊断为癌性，而那些不符合的则被诊断为非癌性。
（三）诊断标准
（1）存在带有边界的不规则MV模式。
（2）存在带有边界的不规则MS模式。
符合标准（1）或（2）或，两者兼有的病变被诊断为癌性病变，而其他则被诊断为非癌性病变。据报道，97%的早期胃癌理论上符合这些诊断标准。如前所述，MV和MS模式可以分为三类：规则、不规则、不存在。在规则的MV模式中，每个上皮下的毛细血管具有闭环（多边形）或开环形态，显示出对称分布的形状均匀的规则排列。不规则MV模式的特征是闭环（多边形）、开环、曲折、分支或不规则形态。MV具有异质的形状，并且它们不对称地分布，呈现出不规则的排列。没有可观察到的上皮下MV的情况被判定为不存在MV模式。在这种情况下，使用MS模式（显示MCE、WOS和LBC等功能）代替MV模式作为放大内镜诊断的指标。
尽管MCE经常用于判断MS模式，但如果存在其他发现，例如CO、IP、LBC和WOS，也可应用。在规则的MS模式中，每个MCE的形态是弯曲的或椭圆形的，呈现出均匀的形状、对称分布和规则排列。在不规则的MS模式中，每个MCE的形态是弯曲的或椭圆形的，或在少数情况下呈绒毛状，表现为形状不均匀、分布不对称、排列不规则。当没有观察到包括MCE的MS模式时，这种情况被判断为不存在MS模式。在这种情况下，MV模式必须清晰可见。因此，MV模式的特征，而不是MS模式，被用作放大内镜诊断的指标。
图3-1 NBI放大内镜筛查胃镜检查的策略。C-WLI，普通白光内镜；M-NBI，窄带成像放大内镜；NBI，窄带成像。
具体来说，我们建议对于变色、扁平的黏膜病变，活检是必要的，只要胃放大内镜具有高置信度的预测能力，可以作为其他病变进行光学活检（图3-1）。尽管日本和其他地方已经提出了许多旨在扩大早期胃癌内镜诊断的诊断系统，但尚未就一套既定和标准化的诊断标准或诊断系统达成共识。在此背景下，日本胃肠病学会指南小组委员会进行了系统评估，选择了用于扩大循证医学胃内镜诊断的术语和诊断系统。因此，采用VS分类系统作为诊断系统，连同用于该系统的解剖学术语。在此基础上，提出了MESDA-G。该算法得到了日本胃肠病学会、日本胃肠内镜学会、日本胃癌协会和世界内镜组织的认可，并就其作为标准化算法的地位达成了共识。先根据胃的系统筛查方案使用白光放大内镜观察胃内部，以检查任何提示早期胃癌的病变。如果发现这种可疑病变，应进行放大内镜检查以区分癌性和非癌性病变。更具体地说，应使用放大内镜确定分界线的存在/不存在。如果没有确定分界线，则应将病变诊断为非癌性病变。如果存在分界线，则应分别检查分界线内的MV和MS图案是否规则、不规则或不存在。如果识别出不规则的MV模式和（或）不规则的MS模式，则病变被诊断为癌，而如果未识别出这些模式，则病变被诊断为非癌性病变。这是一个真正简单明了的算法（图3-2）。
图3-2 早期胃癌的放大内镜简单诊断算法。VS，血管加表面；IMVP，不规则微血管；IMSP，不规则微表面。
WOS是一种白色物质，它掩盖了存在于黏膜表层的上皮下MV，在带窄带成像（NBI）的放大内镜检查中清晰可见。2008年，Yao等首次报道了胃黏膜中WOS的存在。这一发现通常在慢性胃炎黏膜的肠化生和具有肠表型的胃上皮肿瘤（腺瘤或癌症）中获得。WOS的本质被认为是一种白色物质，通过内窥镜投射的光在上皮内和上皮下积聚的微小脂肪滴上的强烈散射或反射观察到的现象。当WOS存在时，投射的光无法到达上皮下MV，导致血管的能见度较差。WOS形态学特征的差异可作为鉴别诊断癌症和腺瘤的有用指标。更具体地说，癌性病变具有不规则的WOS，而低级别腺瘤性病变具有规则的WOS。此外，有报道称，WOS阳性的胃上皮肿瘤具有某种肠道表型（肠型或胃肠道表型）的黏液特征，WOS可作为分化型癌的指标，因为未分化型癌中不存在WOS。
已有研究表明，NBI放大内镜可以用于肠上皮化生的诊断。将放大内镜与NBI和白光放大内镜进行比较，发现前者在正确诊断肠上皮化生方面优于后者。LBC最早由Uedo等于2006年报道，根据他们的报道，LBC被定义为在MCE边缘观察到的蓝白亮线。LBC被认为是组织病理学CD10阳性肠上皮化生吸收上皮表面刷状缘反射中心波长为415nm的窄带光时出现的现象。关于LBC对组织病理学肠上皮化生的诊断能力，文献报道的敏感性和特异性分别为89%和93%，Kanemitsu等联合应用LBC和WOS诊断肠上皮化生的敏感性和特异性分别为87.5%和93.8%，同时，包括日本以外的研究在内的Meta分析也证实了LBC诊断肠上皮化生的优良能力。LBC对确定肿瘤边界也有用，LBC缺失的边界往往与肿瘤边界相匹配。
苍白球（White globe appearance，WGA）如果存在于边界内，则是放大内镜的一个高度特异性的发现，可以对分化型癌变和非癌变进行鉴别诊断。WGA被定义为在放大内镜与NBI发现的上皮之下一个小的（直径≤1mm）白色球状外观。WGA最早由Doyama等于2015年报道，与所谓腺内坏死碎屑相对应，是近距离组织病理学检查观察到的一种明显扩张的肿瘤腺管，内含嗜酸性坏死物质。WGA是一种高度特异性的放大内镜肿瘤标志物。换句话说，WGA的存在使分化型癌和非癌性病变（如低级别腺瘤和胃炎）之间的鉴别诊断具有高度的特异性。
上皮环内血管（Vessels within epithelial circle，VEC）。据报道，病理检查显示乳头状腺癌的生物学恶性程度高于管状腺癌。然而，使用传统的内镜检查是不可能诊断出乳头状腺癌的。Kanemitsu等通过放大内镜观察早期胃癌，注意到血管存在于被圆形MCE包围的中间部位浅层上皮下。他们将此命名为“上皮环内血管（VEC）模式”，并报道这种模式的特点是分化型癌在组织学上表现为乳头状结构。此外，他们报道了大约1/4的早期胃癌组织标本中存在未分化型癌和（或）黏膜下浸润，并提示放大内镜下观察到的VEC模式可能是术前预测高度恶性的有用标志。(https://www.daowen.com)
（四）早期胃癌浸润深度的总结
内镜下浸润深度的诊断通常需要普通白光内镜及超声内镜检查，一般内镜下诊断为SM2的病变原则上应进行EUS检查。
目前，应用放大内镜的方法针对胃病变浸润深度进行诊断的系统理论尚未确立，所以普通白光内镜观察仍极为重要。
目前，为止，我们经常在SM或更深浸润的病例中看到以下表现：
①黏膜下肿瘤样缓坡隆起。
②黏膜皱襞增粗（肿大、融合）。
③弧形硬化、成片硬化。
④无结构黏膜。
下面我们逐一说明。
①黏膜下肿瘤样缓坡隆起。这种表现是因为黏膜下层或更深的病变把表面的黏膜层向上抬举所致。黏膜内癌突破黏膜肌层向黏膜下浸润时，发生了间质反应，成纤维细胞诱导纤维化后，纤维收缩变硬，向上牵拉黏膜肌层，导致黏膜肌层的中断。黏膜肌层和黏膜下层被破坏后，两边的断端有时会呈现羽毛样改变，此为EUS观察时第3层中断以及两侧断端羽毛样增宽的原因。此时注入空气，使胃壁充分伸展后，就会形成缓坡样隆起。
②黏膜皱襞增粗（肿大、融合）。黏膜肌层被破坏后，会导致皱襞走行的异常（类似于溃疡形成后皱襞的集中）。不论肿大还是融合，实质上都是黏膜下层的肿瘤将黏膜肌层和黏膜层向上抬举的结果（与黏膜下肿瘤样缓坡隆起相同）。
癌通过被破坏的黏膜肌层进一步浸润到黏膜下层，发生纤维化后病变会变硬变厚，从而在黏膜下层将黏膜肌层向上抬举，黏膜皱襞也会在黏膜肌层被破坏处纠集。纠集的皱襞碰巧集中到1个皱襞上时表现为皱襞的肿大。2个皱襞交叉时就会形成融合或环堤样改变。黏膜肌层的功能就是维持黏膜的形态，黏膜皱襞也是由黏膜肌层形成。相应地，黏膜肌层被破坏后，皱襞的走行也会发生变化。所以皱襞的肿大、融合也都是黏膜下层病变把黏膜肌层向上抬举所致。黏膜肌层下方伴随间质反应浸润的癌组织将黏膜肌层向上抬举，形成了边缘的缓坡，从而导致皱襞的融合。不过只是看到皱襞的集中并不能直接判断浸润深度，因为胃还有溃疡性的变化，在溃疡破坏黏膜肌层后也会产生皱襞的纠集。所以判断是不是从黏膜肌层下方向上的抬举才是最重要的。为了能够正确判断，白光下调整空气量反复观察才是重中之重。
③弧形硬化、成片硬化。这是癌向深部浸润，伴随黏膜肌层以下更深部的间质反应时，变得不能伸展的表现。这种病变内镜下观察时，隆起部位略显纠集，看上去表面紧绷、硬化，也就是典型的弧形硬化的表现。想要捕捉到这种弧形硬化以及成片硬化，注意调整空气量并从切线方向观察尤为重要。
④无结构黏膜。无结构黏膜其实是指间质反应的显露，我们观察到的表层并不是腺管，而是间质反应露出的部分，因此表现为无结构。然而，在未分化胃癌中，包括黏膜内癌在内都会呈现全层置换性的生长，此时也会出现腺管开口的消失，但是需要注意的是这种未分化胃癌的无结构形成机制与上述不同，需要通过色调和血管直径来鉴别。
（五）智能光谱成像色彩增强（Flexiblespectralimaging colourenhancement，FICE）
FICE是利用计算机处理和分析普通白光胃镜图像，从而产生特定波长的分光图像，它可增强图片的颜色对比度。通常，白光可以分为七种颜色，每种颜色都带有不同的波长。黏膜穿透的深度取决于波长。波长最短的紫色为400nm，它穿透黏膜的深度不如红色（波长700nm）。蓝色、绿色和黄色是波长介于紫色和红色之间的颜色。因此，这些颜色的渗透深度范围为0.15～0.30mm。血红蛋白是黏膜中负责可见光吸收的主要物质，在蓝色部分（415nm）有吸收峰值。因此，血管吸收415nm的光反射出深褐色，区别于周围较亮的黏膜反射的蓝光。高度血管化的恶性或炎症区域具有这种特点。FICE处理器以5nm的增量生成大量波长排列，共含10个预编程设置。所有首选波长都是可调节是后处理系统的优点。
一项研究表明，具有特定波长的FICE在评估早期胃癌中的有效性以及FICE可视化与血管之间的关系在100名患者中进行了回顾性评估。该研究得出的结论是，FICE改进了EGC的可视化，其优点是比经典染色方法的侵入性和耗时更小。
（六）高清智能电子染色内镜（I-Scan）
I-Scan包括3种类型的算法：表面增强（SE）、对比度增强（CE）和色调增强（TE）。SE通过获取每个像素的亮度强度数据并应用详细观察黏膜表面结构的算法来增强明暗对比度。CE通过获取每个像素的亮度强度数据并应用详细观察表面与周围细微不同之处的算法，在相对较暗的区域中以数字方式添加蓝光。两种增强功能实时起效，不影响器官的原色，因此SE和CE适用于筛查内镜以早期发现胃肠道肿瘤。TE分析正常图像的各个RGB分量，然后该算法改变每个组件的颜色频率，并将这些组件重新组合成一个新的彩色图像。这旨在增强微小的黏膜结构和颜色的细微变化。TE工作时由三种模式组成，如针对胃肿瘤的TE-g、针对结肠肿瘤的TE-c和针对食管肿瘤的TE-e。TE主要适用于对内镜检查中检测到的病变进行详细检查。I-Scan技术使我们能够更轻松地检测、诊断和治疗胃肠道疾病。
于NBI相比，I-Scan图像与传统的白光图像一样明亮，所以I-Scan能够在远处观察更大的区域。此外，I-Scan不需要放大内镜来观察病灶的分界。因此，I-Scan可能更适用于进行内镜筛查和诊断病变范围，尤其是胃中大型浅表病变的范围。另外，色素内镜作为一种识别病变并对其进行详细观察的方法，自40多年前开始应用于临床。特别是靛蓝胭脂红是日本最常用于色素内镜检查的染料。虽然这种方法比传统的内镜观察更容易识别病变和诊断病变边缘，但它可能更耗时。I-Scan只需按一下按钮即可非常简单地进行。因此，它是一种简单的检查方法，可以减少时间和成本。
（七）共聚焦激光显微内镜（Confocal laser endomicroscopy，CLE）
CLE是将传统内镜与显微镜技术结合的一种新兴内镜技术，是一种短焦距超高倍放大内镜，最高可显示1000倍显微结构，在活体组织内实时清楚地观察组织细胞及血管的微观结构，基本等同于病理显微镜，也称为“光学活检”。目前有整合式共聚焦激光显微内镜（eCLE）和探头式共聚焦激光显微内镜（pCLE）两种类型。Robles-Medranda等的研究指出，对于一些传统内镜诊断不明的患者，行CLE检查胃早癌病理符合率达87.38%。另有研究表明，CLE在胃癌病变的诊断中，灵敏度为91%、特异度为99%。CLE也具有局限性（如检查过程中图像欠稳定、需要内镜医生掌握大量的病理专科知识、诊断依赖结构异型性等），尚不能完全代替活检。
（八）超声内镜（Endoscopic ultrasonography，EUS）
EUS是内镜与超声微探头或超声内镜探头的结合。超声微探头适合对小的或平坦病灶的观察，超声内镜探头适合对较大的、深的、凹陷性的病灶及深层淋巴结的观察。EUS下的高、低、高、低、高5个回声团对应于正常胃壁的黏膜层、黏膜肌层、黏膜下层、固有肌层、浆膜层5层结构。EUS下可观察回声团高低，黏膜层及黏膜下层是否完整，病灶周围胃壁增厚程度及增厚方式，同时还可以实现EUS下细针穿刺淋巴结活检，进而判断病变的性质、肿瘤分期，指导是否内镜下治疗。目前，EUS诊断早期胃癌的灵敏度和特异度仍有争议。有研究指出，EUS用于胃癌分期，准确率约为0，灵敏度和特异度均为80%～90%。而其他一些研究则认为，EUS在预测早期胃癌T分期方面并不优于传统的白光内镜。理论上，EUS能够清楚地观察肿瘤的浸润深度及淋巴结转移，但由于受操作者熟练程度、病变位置、大小、形态以及胃内环境中气泡、黏液、炎症和转移导致淋巴结变化等的影响，EUS诊断早期胃癌黏膜浸润灵敏度和特异度出现差异。行内镜下黏膜切除的患者，术前借助EUS评估胃癌的浸润深度，对患者远期预后的判断有重要指导作用。
（九）人工智能（Artificial intelligence，AI）
虽然AI与日常医疗用途的完全结合还是几十年以后的事情，但是它的发展和在提高医学等领域的应用不能否认。我们可以观察比如胃癌，早期将人工智能应用于医学事业是否能产生有价值的结果。
人工智能衍生出许多概念，包括机械学习（ML）和深度学习（DL）（图3-3）。简而言之，ML被定义为无须明确编程即可学习数据特征的能力。它出现在数据科学和计算机科学的交叉点，旨在提高计算算法的效率。ML的卓越性能可以在相当短的时间内在相对较小的数据集上实现。它包含几个步骤，包括数据输入、预处理、特征提取、特征选择、分类和解释输出。传统上，机械学习的子群包括监督学习和无监督学习。为了将ML转化至医学领域，Deo Rahul提出了一个额外的划分：学习医生擅长的学科和成功率有限的学科。在癌症研究中，ML越来越多地用于预测预后模型。DL被定义为ML目标多层计算过程的子集。它包含多个层面，例如子采样层和卷积层。值得注意的是，与机械学习相比，深度学习不太依赖于对数据特征的理解。因此，DL的算法比ML更难解释，甚至可能无法解释。
图3-3 人工智能（AI）与机械学习（ML）和深度学习（DL）的示意图
谈到内镜的人工智能应用，Togashi认为，我们目前正在开启一个“黄金时代”。这是因为目前已经启动了大量研究，正在为未来奠定基础。仅在美国，美国胃肠内镜学会会员提交的AI相关研究论文在一年内（2017—2018年）从3篇增加到30篇，日本也有类似趋势。他解释，研究仍然主要局限于通过阅读各种图像类型分析AI检测算法敏感性的测试，即使用计算机显示的普通图像、放大图像、增强图像或视频。2018年，日本消化疾病周的研究主题有8项报告，其中6项针对结直肠癌、1项食管癌和1项胃癌。检测灵敏度取决于试验：8个实验中的敏感性范围为：100%（结肠T1中N+）、90%（结肠病变）、97.6%（结肠病变）、95.7%（结肠腺瘤）、95.2%（结肠腺瘤）、82.4%～90.4%（结肠）、98%（食管癌）和93.7%（胃底腺息肉）。虽然拥有高灵敏度，但特异性仍然不一致，范围是41.3%～99%。应该指出的是，临床试验数量少主要是因为这项技术较新，而且关于人工智能计算机辅助诊断（CAD）的伦理问题尚未得到解答。
内镜作为工具的一个重要进步是通过对视频质量和视频保真度的提高。与标准高清（1920×1080像素，约200万像素）相比，8K技术（7680×4320像素，约3300万像素）将分辨率提高了约16倍，使技术人员能够更清晰地识别结构和异常。虽然增加缩放能力和增加视野等附加工具对外科医生有帮助，但由人工智能支持的分割技术提供的帮助不仅仅是使图像质量增强。分割技术利用卷积神经网络（CNN）对图像或切片进行更清晰的识别和分割。它利用一个度量指标来衡量和量化检测对象的准确性，称之为交会合（Intersection-over-Union，IoU），也称之为Jaccard Index，这对于使用同一数据集比较不同算法的准确性是有帮助的。
Ali等设计了一个“内镜伪影检测挑战”来比较各种算法，看看是否有一种方法可以使用统一的视频帧数据集客观地了解分割算法的变化。在图像数据集中看到的人工制品包括气泡、图像质量问题（像素饱和度）和器官碎片等对象。在医疗环境中分割的总体目标是减少任何干扰，并允许对结果进行高质量的解释。理想情况下，这会使诊断更具体、更准确。Ali等假设技术人员在没有分割技术的情况下会遇到问题，其中包括不同的内镜模式使组织呈现不同的外观、物理现象以及观察对象的可变性和潜在重叠。由于分割可以处理和识别独特的对象，因此它可以作为CAD的一大优势，区别于看清而无法分辨其是什么。研究发现，能否识别的最重要因素是观察物的大小以及与其他物体有多少重叠。
尽管大多数与内镜相关的AI研究主要针对结肠镜检查，但强调上消化道应用的重要性已经取得了进步。Hirasawa等构建了一个CNN系统，通过内镜图像自动检测胃癌。该算法围绕单发多盒探测器架构，使用了12年（2004年4月至2016年12月）内从4个机构拍摄的13584张内镜图像的数据集，这些图像由经过认证的专家检验。为了检测算法的准确性，研究人员在2017年从77个胃病灶中收集了另外2296张图像以进行评估和比较。CNN有一个黄色矩形框，上面标明了“早期或晚期胃癌”和位置。结果显示，CNN需要47秒来评估所有图像，得出92.2%的灵敏度（71/77），遗漏的病变是表面凹陷或分化的黏膜内癌。假阳性是由胃的炎症和解剖学变异引起。Ruffle等介入了这种类型的试验，称为监督学习，指的是靠人来提供正确答案，即癌症，故可以围绕其构建模型。与监督学习相对的方式被称为无监督学习，它允许在不指定正确或不正确答案的情况下提供特定信息，允许从模式中得出结论，更类似于数据挖掘。
将DL应用于各种内镜模式是研究人员改进普通内镜的另一种方法。窄带成像（NBI）通过改变标准的红色、绿色和蓝色滤光器，允许使用不同波长和穿透力的光，从而减少红光的应用，透出更多的蓝光和绿光，从而获得表面黏膜和微血管系统的更多细节。Li等创建了一个包含CNN的系统，用于分析NBI图像。该研究由2名经验丰富的内镜医生观察，他们使用NBI将病变分类为非癌性或早期胃癌，基于（Ⅰ）VS分类系统和（Ⅱ）放大内镜检查早期胃癌的简单诊断算法MESDA-G。随后由2名病理学家使用修订后的维也纳分类审查病变的组织病理学。1～3类病变被认为是非癌性病变，而4～5类病变被认为是早期胃癌。
该研究最初从4个设备收集图像开始，得到386张非癌病变图像和1702张癌病变图像，但导致了泛化问题，因此需要将样本量增加到20000张图像对算法进行适当的训练（10000张非癌病变图像和10000个癌变图像）。算法架构采用Inception V3模型，通过将图像输入从299×299像素增加到512×512像素来提高准确性。此外，使用4人（2名专家和2名非专家）来解释图像并将其分为非癌性或癌性，以与算法进行比较171例非癌性病变和170例癌性病变用于检测CNN算法的诊断能力。CNN正确识别了170个癌性病变中的155个（灵敏度为91.2%）和171个非癌性病变中的155个（灵敏度为90.6%），而2位专家分别以78.2%和81.1%识别出非癌或癌，2位非专家为77.6%和74.1%。Lan等注意到与普通白光（WL）相比，NBI用于诊断的灵敏度和特异性要高得多，以及将AI纳入现有技术的重要性，因为早期检测对患者的预后很重要。
此外，研究人员一直在将AI作为诊断某些内镜检查的辅助手段。Ogawa等使用支持向量机（SVM）诊断和分类EGC。他们试图通过将3D向量与RGB值集成来帮助显示被认为是癌变或非癌变的区域的颜色差异，从而减少诊断的主观性，这是由SVM评估的。SVM是一种实用的AI工具，其优势在于可以对信息进行分类和归类。标准内镜检查通常在白光下进行，而靛蓝胭脂红染色内镜（Indigo）可用于一般癌症诊断，而醋酸-靛胭脂染色内镜（AIM）可区分黏液并具有较高的可诊断性，将这些纳入SVM以允许在使用不同的内镜技术时区分。
18名受试者接受内镜检查，使用WL、Indigo和AIM，然后手术切除。图像经组织病理学检查并诊断为EGC。成像按顺序进行，首先通过普通白光内镜检查，然后加入并喷洒靛蓝胭脂红12秒，最后喷洒乙酸留图。根据大体和组织病理学评估来自18名患者病变的54幅图像，以确定发现癌的区域。研究人员从癌性和非癌性图像中随机提取像素，通过使用RGB值计算每个像素来进一步评估，以确保亮度没有重大差异。总共从癌变和非癌变图像中采集了2000个具有相同亮度的像素（共4000个），然后将其表示为具有RGB值的3D向量。以癌变片段的2000像素样本来计算平均向量和协方差矩阵，并且对非癌性进行了同样的处理。此外，通过癌变或非癌变区域的颜色差异的清晰划分，对WL、Indigo和AIM进行了马氏距离的测量，比较了不同类型模式之间的平均距离。
来自癌变的100个样本和来自非癌变的100个样本用于训练LIBSVM，其余3800个用于测试，主要目标是确定该区域是癌变还是非癌变。他们创建了一个值来确定可诊断性，该值通过找到灵敏度和PPR的调和平均值，由F1测量组成。来自3种比较方式的总共54张图像被随机分类并提供给负责诊断胃癌的内镜医生，然后创建每种类型的比率以进行比较。来自三种模式的马氏距离和F1测量值是：①WL-MD 1.52和F1 0.636；②靛蓝-MD 1.32和F1 0.618；③AIM-MD 2.53和F1 0.687。基于色差最为明显，AIM被确定为具有最高的可诊断性。根据增强色差判定AIM的可诊断性最高。AIM图像也被确定为内镜医生主观解释的最佳来源，AIM诊断胃癌的平均正确率为83.3%，而WL为50.0%，靛蓝为52.2%。
早期癌症尤其是胃癌，检测的好处不容忽视。由于幽门螺杆菌仍然是最常见的原因，重要的是要关注用内镜早期检查幽门螺杆菌。Zheng等在内镜检测幽门螺杆菌的设定中采用CNN建模的准确性。除外在2周内接受过PPI或在1个月内接受抗生素治疗的患者，对患者的初始抽样排除了既往患有癌症、黏膜下肿瘤、消化性或镜下溃疡、肿块或狭窄的患者。包括的那些需要对所有样本进行免疫组织化学染色以检测H.pylori，如果在污渍上没有发现任何证据，那么H.pylori呼气试验需要在1个月内、采样前或采样后进行。图像采集由标准内镜完成，图像由专家筛选以保证质量并增强以帮助提高模型训练的准确性。该算法的基础来自ResNet-50，这是一个由多达50层组成的CAD支持系统，并使用PyTorch、DL框架进行训练，并进一步结合了ImageNet以帮助解决过拟合问题。构建模型后，使用验证队列来确定CNN的精度，并将终点定义为训练后的CNN的灵敏度、特异性和准确性，并通过添加基于解剖位置添加的子组来补充更多细节和活检方式。
共有1959名患者被发现符合要求并被纳入研究。患者人群中最常见的特征是男性、48.5岁、门诊患者和H.pylori在呼气试验或活检中阳性。最后，使用了15484张图像，并使用单个胃图像或多个胃图像对CNN进行了比较。对于单一胃图像，AUC为0.93（95%CI：0.92～0.94），而敏感性为81.4%（95%CI：79.8%～82.9%），特异性为90.1%（95%CI：88.4%～91.7%），准确度为84.5%（95%CI：83.3%～85.7%），最佳截止值为0.28。对于多张图像，平均使用8.3张图像，ROC的AUC计算为0.97（95%CI：0.96～0.99），此外，使用最佳截止值0.4，灵敏度为91.6%（95%CI：88.0%～94.4%），特异性为98.6%（95%CI：95%～99.8%），准确率为93.8%（95%CI：91.2%～95.8%）。这些结果强调了这样一种观点，即在使用CNN进行评估时，多张图像更有帮助。解剖位置的亚组显示，在仅来自胃窦活检（398名患者）的多张图像中，敏感性为91.7%（95%CI：87.9%～94.6%），特异性为98.2%（95%CI：93.5%～99.8%），准确率为93.5%（95%CI：90.6%～95.7%），而胃窦和胃体活检（54名患者）的敏感性为90.5%（95%CI：69.6%～98.8%），特异性为100%（95%CI：89.4%～100%），准确率为96.3%（95%CI：87.3%～99.5%）。当将单独的胃窦与胃窦和胃体活检进行比较时，这3个参数被证明没有差异。郑等假设CNN最终可能用于评估H.pylori，通过其图像识别能力，无须使用活检即可检测感染，但必须使用多个胃部图像才能做到这一点。