幽門螺桿菌(Helicobacter pylori，

)感染是全球最普遍的傳染病之一，據(jù)估計(jì),

感染人數(shù)占全球人口的40%～50%

。國際癌癥研究機(jī)構(gòu)將

歸類為I型致癌物，它被認(rèn)為是胃癌的主要原因

。而根除

治療可明顯降低胃癌的風(fēng)險(xiǎn)

。因此，及早識別并根除

對于預(yù)防胃癌的發(fā)生至關(guān)重要。目前已有多種方法可用于

感染的檢測，例如尿素呼氣試驗(yàn)、病理組織學(xué)活檢、糞便抗原監(jiān)測、血清

抗體檢測等。其中，尿素呼氣試驗(yàn)因其快速、無創(chuàng)且準(zhǔn)確性高而廣泛應(yīng)用于臨床

。雖然傳統(tǒng)觀點(diǎn)認(rèn)為普通白光內(nèi)鏡下無法直接診斷

感染，但近年越來越多的

感染相關(guān)的胃黏膜特征得到確認(rèn)，如結(jié)節(jié)樣改變、黏膜腫脹、彌漫性發(fā)紅、皺襞腫大蛇形、規(guī)則排列的集合小靜脈叢(regular arrangement of collecting venules，RAC)、胃底腺息肉(fundic gland polyp,FGP)、脊?fàn)畎l(fā)紅、血痂附著、地圖樣發(fā)紅等

。內(nèi)鏡醫(yī)師基于以上黏膜特征診斷

感染狀態(tài)的總體準(zhǔn)確率高達(dá)82.9%

。本文主要回顧性總結(jié)普通白光內(nèi)鏡下診斷

感染狀態(tài)的研究進(jìn)展。

玉米膜下滴灌技術(shù)對玉米生育期有提前作用，對品種熟性不能要求過早，應(yīng)選用比當(dāng)?shù)卣Ｔ耘嗥贩N生育期長7～10d左右、生育期相對較長的品種，以發(fā)揮其增產(chǎn)潛力，突出高產(chǎn)特性。

1 普通白光內(nèi)鏡診斷H.pylori感染

普通白光內(nèi)鏡是目前最基礎(chǔ)最常用的內(nèi)鏡檢查。內(nèi)鏡下，胃黏膜的狀態(tài)可分為三大類：正常黏膜無

感染(非胃炎)、當(dāng)前

感染(活動(dòng)性胃炎)和既往

感染(非活動(dòng)性胃炎)

。Yagi等

首次提出正常胃黏膜下可以觀察到RAC，并指出 RAC 可以作為

陰性的診斷依據(jù)。當(dāng)胃黏膜被

感染后，胃黏膜會(huì)出現(xiàn)充血水腫、皺襞增生、滲出、點(diǎn)狀紅斑；成功根除

后，胃黏膜彌漫性充血水腫逐漸改善，表現(xiàn)為平坦至輕度凹陷紅色改變

。

感染在內(nèi)鏡下的特征通常無特異性，而且分布在多個(gè)病灶中，不易于識別。日本胃腸內(nèi)鏡學(xué)會(huì)于2014年提出《京都胃炎分類》

，分析總結(jié)了不同

感染狀態(tài)下的黏膜特征。其中結(jié)節(jié)樣改變、彌漫性發(fā)紅、點(diǎn)狀發(fā)紅、黏膜腫脹、皺襞腫大蛇形及黏液白濁為提示

陽性的絕對指征；而萎縮、腸上皮化生、黃斑瘤和增生性息肉為提示

感染的相對指征。Yoshii等

回顧性地對京都胃炎分類進(jìn)行驗(yàn)證，發(fā)現(xiàn)彌漫性發(fā)紅、黏膜腫脹、黏液白濁和皺襞腫大蛇形判斷

感染的診斷比值比(diagnostic odds ratio，

)分別為26.8、13.3、10.2和8.6，提示以上特征可以作為

感染的診斷指標(biāo)。Zhao等

進(jìn)一步前瞻性、多中心地驗(yàn)證了京都胃炎分類對中國患者

感染的診斷價(jià)值。其中，結(jié)節(jié)樣改變、彌漫性發(fā)紅、黏膜腫脹對

感染具有較高的診斷價(jià)值，將具有上述至少一項(xiàng)黏膜特征的病例歸為當(dāng)前感染時(shí)，其診斷

感染的靈敏度為69.1%，特異度為82.5%。除了以上特征，張琳珂等

發(fā)現(xiàn)，相比

陰性，消化性潰瘍和凹陷性糜爛更多見于

陽性。也就是說，消化道潰瘍及凹陷性糜爛對

感染也具有一定的提示作用。京都胃炎評分納入了與胃癌相關(guān)的5個(gè)胃黏膜特征(萎縮、腸上皮化生、皺襞腫大蛇形、結(jié)節(jié)樣改變和彌漫性發(fā)紅伴或不伴有RAC)以評估

感染及胃癌風(fēng)險(xiǎn)。他們認(rèn)為當(dāng)評分≥2分時(shí)，提示

感染；當(dāng)評分≥4分時(shí)，提示具有胃癌風(fēng)險(xiǎn)

。此外，Cho等

將胃黏膜分為RAC(大量微小的紅點(diǎn))、馬賽克樣外觀(A型；胃區(qū)腫脹或蛇皮外觀)、彌漫性發(fā)紅(B型)和不典型的模式(C型；不規(guī)則發(fā)紅帶凹槽)四類。其中，A型、B型和C型提示

感染，其預(yù)測

感染的靈敏度、特異度和總體準(zhǔn)確率分別為92.0%、95.6%和93.3%。

一是水資源安全，包括水量充裕和結(jié)構(gòu)均衡。水量充裕，既有總量的充裕，也有人均量的充裕。結(jié)構(gòu)均衡包括地區(qū)均衡與人群均衡。水資源分布的不均衡，不僅增加了供水時(shí)間和成本，還有可能引發(fā)取水糾紛和洪澇災(zāi)害，是導(dǎo)致水資源安全問題的原因之一；人群不均衡表現(xiàn)在人群階層，特別是收入階層的差異，導(dǎo)致獲取水資源經(jīng)濟(jì)能力（支付能力）上的差異，也是影響水資源安全的重要因素之一。

“人家蘋果論斤賣，我論個(gè)賣，去年5元一個(gè)賣了近萬個(gè)，今年還沒摘就按4元一個(gè)全被包了，用諾貝豐的水溶肥種蘋果就是不一樣！”走進(jìn)白水縣林皋鎮(zhèn)吳家堯村諾貝豐水肥一體化整體解決方案的示范田，果農(nóng)孫江斌正興奮地和前來觀摩的人們說著自己的感受。

隨著技術(shù)的發(fā)展，人工智能在用于計(jì)算機(jī)輔助診斷、放射組學(xué)、醫(yī)學(xué)影像分析和醫(yī)療保健決策的臨床醫(yī)學(xué)中迅速普及

。例如，在胃腸鏡檢查過程中，人工智能已被證實(shí)可用于結(jié)腸息肉的檢出

，早期胃癌的診斷

，胃癌深度的評估

及食管腫瘤良惡性的區(qū)分

。而鑒于越來越多的

感染相關(guān)內(nèi)鏡下特征被發(fā)現(xiàn)，人工智能基于白光內(nèi)鏡圖像輔助識別不同的

感染狀態(tài)也逐漸被重視。

2 人工智能輔助診斷H.pylori感染

以前

既往感染的判斷多基于

現(xiàn)癥感染跡象的改善。例如，Kato等

發(fā)現(xiàn),

根除之后，胃底的點(diǎn)狀發(fā)紅可得到明顯改善。Toyoshima等

發(fā)現(xiàn),彌漫性發(fā)紅、結(jié)節(jié)樣改變、皺襞腫大蛇形在

根除之后明顯改善。然而，在我國的實(shí)際臨床情況下，根除

之前和之后對胃黏膜進(jìn)行嚴(yán)格和連續(xù)的內(nèi)窺鏡監(jiān)測是非常困難和昂貴的。因此，內(nèi)鏡下對于

既往感染的準(zhǔn)確識別至關(guān)重要。根據(jù)京都胃炎分類

，

既往感染內(nèi)鏡下可見黏膜萎縮、點(diǎn)狀發(fā)紅和彌漫性發(fā)紅消失、地圖樣發(fā)紅明顯。其中，地圖樣發(fā)紅是目前診斷

既往感染特異度最高的黏膜特征

。此外，Zhao等

進(jìn)一步發(fā)現(xiàn)并分析了萎縮界限不清楚(unclear atrophy boundary，UAB)，被定義為萎縮無明顯的紅白分界線，而是具有斑點(diǎn)狀外觀和萎縮背景下RAC再現(xiàn)(RAC reappearance)，被定義為典型或非典型RAC在萎縮性胃黏膜中的再現(xiàn)，兩個(gè)新定義的特征對于

既往感染的診斷價(jià)值，其中，UAB的

為7.69，萎縮背景下RAC再現(xiàn)的受試者工作特性曲線下面積(area under the curve,

)為0.583。Kato等

進(jìn)一步分析了

根除成功與根除失敗的內(nèi)鏡下黏膜特征的差異，他們發(fā)現(xiàn)黏液白濁、彌漫性發(fā)紅、點(diǎn)狀發(fā)紅、黏膜腫脹、扁平糜爛等特征在兩組之間存在顯著性差異。

根據(jù)京都胃炎分類

，正常胃黏膜在內(nèi)鏡下表現(xiàn)為整個(gè)胃黏膜平滑、有光澤，胃內(nèi)黏液的稠度非常低，胃體大彎的皺襞細(xì)小，呈直線走行，可見RAC，有時(shí)可見FGP、血痂附著、脊?fàn)畎l(fā)紅等黏膜特征。Yoshii等

提出RAC、FGP和脊?fàn)畎l(fā)紅判斷

陰性的

分別為32.2、7.7和4.7，提示RAC、FGP和脊?fàn)畎l(fā)紅可作為判斷

陰性的診斷指標(biāo)。而Zhao等

認(rèn)為，RAC、脊?fàn)畎l(fā)紅、血痂附著對

陰性也有較好的診斷價(jià)值，將具有上述至少一項(xiàng)黏膜特征的病例歸為

陰性時(shí)，其特異度和陽性預(yù)測值分別為99.7%和94.4%。此外，杜會(huì)卿等

認(rèn)為，反流性食管炎(reflux esophagitis，RE)在

陰性者中發(fā)生率較

陽性者高，提示RE對

陰性也具有一定的提示作用。

Itoh等

前瞻性地收集了139例患者的179張胃小彎圖像進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)模型的訓(xùn)練和測試，其檢測

感染的靈敏度、特異度和

分別為86.7%、86.7%、0.956。Zheng等

對每例患者使用單張或多張不同部位的內(nèi)鏡圖像進(jìn)行不同CNN模型的訓(xùn)練。其中，單張胃圖像訓(xùn)練的CNN模型診斷

感染的靈敏度、特異度和準(zhǔn)確度分別為81.4%、90.1%和84.5%；多張胃圖像訓(xùn)練的CNN模型診斷

感染的靈敏度、特異度和準(zhǔn)確度分別為91.6%、98.6%和93.8%，表明使用多張內(nèi)鏡圖像訓(xùn)練的CNN模型可提高診斷

感染的精度。Shichijo等

在訓(xùn)練CNN模型的過程中加入了內(nèi)鏡圖像的部位信息(將胃分為賁門、胃底、胃角、胃竇、胃體上部、胃體中部和胃體下部)。其診斷

感染的靈敏度、特異度和準(zhǔn)確度分別為88.9%、87.4%、87.7%。同時(shí)，該研究使用同一批測試集對23名醫(yī)師診斷

感染的能力進(jìn)行評估。而內(nèi)鏡醫(yī)師診斷

感染的靈敏度、特異度和準(zhǔn)確度分別為79.0%、83.2%、82.4%，提示人工智能在一定程度上可輔助內(nèi)鏡醫(yī)師更準(zhǔn)確地判斷

感染。

隨著

既往感染狀態(tài)內(nèi)鏡下特征的發(fā)現(xiàn)，如地圖樣發(fā)紅、UAB、RAC再現(xiàn)等，人工智能可進(jìn)行

感染三分類(即

陽性、

陰性及

既往感染)的識別。Shichijo等

回顧性地收集了來自5 236例患者(742例陽性、3 649例陰性和845例既往感染)的98 564張內(nèi)鏡圖像進(jìn)行CNN模型的訓(xùn)練。其診斷

陽性、

陰性和

既往感染的準(zhǔn)確率分別為48%(44/91)、80%(465/582)、84%(147/174)。Yoshii等

基于京都胃炎分類，并納入了

根除病史，開發(fā)了新的CNN模型以識別三種

感染狀態(tài)。對于未納入

根除史的CNN模型診斷

感染狀態(tài)的總體準(zhǔn)確率為88.6%，納入

根除史的模型的總體準(zhǔn)確率為93.4%

。

3 總結(jié)和展望

迄今為止，越來越多的研究揭示了

感染相關(guān)的內(nèi)鏡下特征。其中，對于

現(xiàn)癥感染、結(jié)節(jié)樣改變、彌漫性發(fā)紅、點(diǎn)狀發(fā)紅、黏膜腫脹、皺襞腫大蛇形、黏液白濁、馬賽克樣外觀、不典型模式等特征具有較高的診斷價(jià)值，此外，京都胃炎評分≥2分對

感染也有較高的診斷價(jià)值；對于無

感染，RAC、FGP、血痂附著、脊?fàn)畎l(fā)紅等特征具有較高的診斷價(jià)值；對于

既往感染，地圖樣發(fā)紅、UAB、RAC再現(xiàn)等特征具有較高的診斷價(jià)值?；谶@些黏膜特征，內(nèi)鏡醫(yī)師可以更準(zhǔn)確地在普通白光內(nèi)鏡下判斷

感染狀態(tài)。但對于判斷

根除是否成功的內(nèi)鏡下特征有待繼續(xù)發(fā)現(xiàn)。有必要進(jìn)行下一步的研究來驗(yàn)證哪些內(nèi)鏡下特征可用于區(qū)分

根除成功與否。另一方面，越來越多的研究證實(shí)了人工智能對于

感染狀態(tài)的診斷價(jià)值。其對于

感染，甚至

既往感染診斷均獲得了很高的準(zhǔn)確性(90%左右)，與經(jīng)驗(yàn)豐富的內(nèi)鏡醫(yī)師的診斷精度相當(dāng)。相信在不久的將來，人工智能可用于實(shí)時(shí)判斷內(nèi)鏡下

感染狀態(tài)，還能對更多、更復(fù)雜的疾病甚至臨床狀況給出可靠的建議。

[1] Hafiz TA, D′Sa JL, Zamzam S, et al. Helicobacter pylori infection: comparison of knowledge between health science and non-health science university students [J]. Int J Environ Res Public Health, 2021, 18(15): 8173. DOI: 10.3390/ijerph18158173.

[2] Haile K, Timerga A. Evaluation of hematological parameters of Helicobacter pylori-infected adult patients at Southern Ethiopia: a comparative cross-sectional study [J]. J Blood Med, 2021, 12: 77-84. DOI: 10.2147/JBM.S294958.

[3] Kishikawa H, Ojiro K, Nakamura K, et al. Previous Helicobacter pylori infection-induced atrophic gastritis: a distinct disease entity in an understudied population without a history of eradication [J]. Helicobacter, 2020, 25(1): e12669. DOI: 10.1111/hel.12669.

[4] Sugimoto M, Murata M, Yamaoka Y. Chemoprevention of gastric cancer development after Helicobacter pylori eradication therapy in an East Asian population: Meta-analysis [J]. World J Gastroenterol, 2020, 26(15): 1820-1840. DOI: 10.3748/wjg.v26.i15.1820.

[5] Arai J, Niikura R, Hayakawa Y, et al. Use of antibiotics and probiotics reduces the risk of metachronous gastric cancer after endoscopic resection [J]. Biology, 2021, 10(6): 455. DOI: 10.3390/biology10060455.

[6] Makristathis A, Hirschl AM, Mégraud F, et al. Review: diagnosis of Helicobacter pylori infection [J]. Helicobacter, 2019, 24 Suppl 1: e12641. DOI: 10.1111/hel.12641.

[7] Glover B, Teare J, Ashrafian H, et al. The endoscopic predictors of Helicobacter pylori status: a meta-analysis of diagnostic performance [J]. Ther Adv Gastrointest Endosc, 2020, 13: 2631774520950840. DOI: 10.1177/2631774520950840.

[8] Yoshii S, Mabe K, Watano K, et al. Validity of endoscopic features for the diagnosis of Helicobacter pylori infection status based on the Kyoto classification of gastritis [J]. Dig Endosc, 2020, 32(1): 74-83. DOI: 10.1111/den.13486.

[9] Yagi K, Nakamura A, Sekine A. Characteristic endoscopic and magnified endoscopic findings in the normal stomach without Helicobacter pylori infection [J]. J Gastroenterol Hepatol, 2002, 17(1): 39-45. DOI: 10.1046/j.1440-1746.2002.02665.x.

[10] Hirai R, Hirai M, Shimodate Y, et al. Feasibility of endoscopic evaluation of Helicobacter pylori infection status by using the Kyoto classification of gastritis in the population-based gastric cancer screening program: a prospective cohort study [J]. Health Sci Rep, 2021, 4(3): e325. DOI: 10.1002/hsr2.325.

[11] Kamada T, Haruma K, Inoue K, et al. Helicobacter pylori infection and endoscopic gastritis-Kyoto classification of gastritis [J]. Nihon Shokakibyo Gakkai Zasshi, 2015, 112(6): 982-993. DOI: 10.11405/nisshoshi.112.982.

[12] Zhao J, Xu S, Gao Y, et al. Accuracy of endoscopic diagnosis of Helicobacter pylori based on the Kyoto classification of gastritis: a multicenter study [J]. Front Oncol, 2020, 10: 599218. DOI: 10.3389/fonc.2020.599218.

[13] 張琳珂, 代劍華, 李彥, 等. 白光胃鏡下食管及胃黏膜不同表現(xiàn)與幽門螺桿菌感染的相關(guān)性研究[J]. 中華消化內(nèi)鏡雜志, 2021, 38(2): 120-126. DOI: 10.3760/cma.j.cn321463-20200930-00668.

Zhang LK, Dai JH, Li Y, et al. Correlation between esophageal and gastric mucosal manifestations and Helicobacter pylori infection under white light gastroscopy [J]. Chin J Dig Endosc, 2021, 38(2): 120-126. DOI: 10.3760/cma.j.cn321463-20200930-00668.

[14] Toyoshima O, Nishizawa T, Koike K. Endoscopic Kyoto classification of Helicobacter pylori infection and gastric cancer risk diagnosis [J]. World J Gastroenterol, 2020, 26(5): 466-477. DOI: 10.3748/wjg.v26.i5.466.

[15] Cho JH, Jeon SR, Jin SY, et al. Standard vs magnifying narrow-band imaging endoscopy for diagnosis of Helicobacter pylori infection and gastric precancerous conditions [J]. World J Gastroenterol, 2021, 27(18): 2238-2250. DOI: 10.3748/wjg.v27.i18.2238.

[16] 杜會(huì)卿, 馬翠華, 陳紅玉, 等. 不同幽門螺旋桿菌感染狀態(tài)胃鏡下黏膜特點(diǎn)分析[J]. 中華胃腸內(nèi)鏡電子雜志, 2019, 6(4): 163-171. DOI: 10.3877/cma.j.issn.2095-7157.2019.04.004.

Du HQ, Ma CH, Chen HY, et al. Analysis of mucosal manifestations under different states of Helicobacter pylori infection [J]. Chin J Gastrointestinal Endoscopy (Electronic Edition), 2019, 6(4): 163-171. DOI: 10.3877/cma.j.issn.2095-7157.2019.04.004.

[17] Kato M, Terao S, Adachi K, et al. Changes in endoscopic findings of gastritis after cure of

infection: multicenter prospective trial [J]. Dig Endosc, 2013, 25(3): 264-273. DOI: 10.1111/j.1443-1661.2012.01385.x.

[18] Toyoshima O, Nishizawa T, Sakitani K, et al. Helicobacter pylori eradication improved the Kyoto classification score on endoscopy [J]. JGH Open, 2020, 4(5): 909-914. DOI: 10.1002/jgh3.12360.

[19] Tchapga CT, Mih TA, Kouanou AT, et al. Biomedical image classification in a big data architecture using machine learning algorithms [J]. J Healthc Eng, 2021, 2021: 9998819. DOI: 10.1155/2021/9998819.

[20] Jayatilake SMDAC, Ganegoda GU. Involvement of machine learning tools in healthcare decision making [J]. J Healthc Eng, 2021, 2021: 6679512. DOI: 10.1155/2021/6679512.

[21] Jin EH, Lee D, Bae JH, et al. Improved accuracy in optical diagnosis of colorectal polyps using convolutional neural networks with visual explanations [J]. Gastroenterology, 2020, 158(8): 2169-2179. e8. DOI: 10.1053/j.gastro.2020.02.036.

[22] Parsa N, Byrne MF. Artificial intelligence for identification and characterization of colonic polyps [J]. Ther Adv Gastrointest Endosc, 2021, 14: 26317745211014698. DOI: 10.1177/26317745211014698.

[23] Li L, Chen Y, Shen Z, et al. Convolutional neural network for the diagnosis of early gastric cancer based on magnifying narrow band imaging [J]. Gastric Cancer, 2020, 23(1): 126-132. DOI: 10.1007/s10120-019-00992-2.

[24] Ueyama H, Kato Y, Akazawa Y, et al. Application of artificial intelligence using a convolutional neural network for diagnosis of early gastric cancer based on magnifying endoscopy with narrow-band imaging [J]. J Gastroenterol Hepatol, 2021, 36(2): 482-489. DOI: 10.1111/jgh.15190.

[25] Zhu Y, Wang QC, Xu MD, et al. Application of convolutional neural network in the diagnosis of the invasion depth of gastric cancer based on conventional endoscopy [J]. Gastrointest Endosc, 2019, 89(4): 806-815. e1. DOI: 10.1016/j.gie.2018.11.011.

[26] Kumagai Y, Takubo K, Kawada K, et al. Diagnosis using deep-learning artificial intelligence based on the endocytoscopic observation of the esophagus [J]. Esophagus, 2019, 16(2): 180-187. DOI: 10.1007/s10388-018-0651-7.

[27] Du W, Rao N, Dong C, et al. Automatic classification of esophageal disease in gastroscopic images using an efficient channel attention deep dense convolutional neural network [J]. Biomed Opt Express, 2021, 12(6): 3066-3081. DOI: 10.1364/BOE.420935.

[28] Itoh T, Kawahira H, Nakashima H, et al. Deep learning analyzes Helicobacter pylori infection by upper gastrointestinal endoscopy images [J]. Endosc Int Open, 2018, 6(2): E139-E144. DOI: 10.1055/s-0043-120830.

[29] Zheng W, Zhang X, Kim JJ, et al. High accuracy of convolutional neural network for evaluation of Helicobacter pylori infection based on endoscopic images: preliminary experience [J]. Clin Transl Gastroenterol, 2019, 10(12): e00109. DOI: 10.14309/ctg.0000000000000109.

[30] Shichijo S, Nomura S, Aoyama K, et al. Application of convolutional neural networks in the diagnosis of Helicobacter pylori infection based on endoscopic images [J]. EBioMedicine, 2017, 25: 106-111. DOI: 10.1016/j.ebiom.2017.10.014.

[31] Shichijo S, Endo Y, Aoyama K, et al. Application of convolutional neural networks for evaluating Helicobacter pylori infection status on the basis of endoscopic images [J]. Scand J Gastroenterol, 2019, 54(2): 158-163. DOI: 10.1080/00365521.2019.1577486.