摘要：人工智能（AI）是計(jì)算機(jī)領(lǐng)域的一項(xiàng)前沿技術(shù)，主要應(yīng)用集中在模擬、延伸并擴(kuò)展人類智力。醫(yī)學(xué)的相關(guān)領(lǐng)域中，AI在醫(yī)學(xué)影像學(xué)診斷、臨床病理診斷、臨床治療決策等方面表現(xiàn)出越來越重要的價(jià)值。目前，上消化道早期癌發(fā)病率逐年上升，早發(fā)現(xiàn)、早診斷和早期個體化精準(zhǔn)治療對改善患者的預(yù)后至關(guān)重要。AI可提高上消化道相關(guān)早期癌診斷的準(zhǔn)確率及效率，同時可協(xié)助臨床完成對患者的診療決策。本文探討了AI在上消化道早期癌領(lǐng)域的應(yīng)用，并對其應(yīng)用前景進(jìn)行展望。

關(guān)鍵詞：食管早期癌;人工智能;胃早期癌

中圖分類號：R735" " " " " " " " " " " " " " " " " " 文獻(xiàn)標(biāo)識碼：A" " " " " " " " " " " " " " " " DOI：10.3969/j.issn.1006-1959.2024.15.042

文章編號：1006-1959（2024）15-0181-06

Research Progress of Artificial Intelligence in Early-stage Upper Gastrointestinal Cancer

Abstract：Artificial intelligence （AI） is a cutting-edge technology in the field of computer science. Its main applications focus on simulating， extending and expanding human intelligence. In the related fields of" medicine， AI has shown more and more important value in medical imaging diagnosis， clinical pathological diagnosis， clinical treatment decision-making and so on. At present， the incidence of early-stage upper gastrointestinal cancer is increasing year by year. Early detection， early diagnosis and early individualized precise treatment are crucial to improve the prognosis of patients. AI can improve the accuracy and efficiency of early diagnosis of upper gastrointestinal cancer， and can assist in clinical decision-making for patients. This paper discusses the application of AI in the field of early-stage upper gastrointestinal cancer， and prospects its application prospects.

Key words：Early esophageal cancer;Artificial intelligence;Early-stage gastric cancer

近年來，隨著與計(jì)算機(jī)相關(guān)的新技術(shù)不斷更新，人工智能（artificial intelligence， AI）得到了跨越式的發(fā)展，逐步在眾多領(lǐng)域中發(fā)揮著越來越重要角色，開拓了AI的新局面，如AI聯(lián)合金融、AI聯(lián)合教育、AI聯(lián)合醫(yī)療等[1]。研究發(fā)現(xiàn)[2]，AI已在醫(yī)學(xué)各個領(lǐng)域廣泛應(yīng)用，尤其是在上消化道相關(guān)腫瘤的領(lǐng)域作用顯著。隨著科學(xué)技術(shù)的進(jìn)步，世界范圍內(nèi)正在進(jìn)行一場從人工智能研究階段向人工智能實(shí)際應(yīng)用階段推進(jìn)的深刻變革。臨床上AI應(yīng)用在篩查和診斷食管、胃早癌方面取得長足的發(fā)展，在診斷幽門螺桿菌（H.pylori）感染相關(guān)的胃炎，以及基于內(nèi)鏡圖像的胃解剖分類方面同樣取得了進(jìn)步。本文主要剖析AI在上消化道腫瘤領(lǐng)域的應(yīng)用，并對其應(yīng)用前景進(jìn)行展望。

1 AI在胃病變中的應(yīng)用

1.1胃早期癌的篩查" 胃癌是世界范圍內(nèi)常見的惡性腫瘤之一。在胃早期癌篩查已經(jīng)做得較成熟的日本，Ⅰ期胃癌且無淋巴結(jié)轉(zhuǎn)移患者的5年生存率約為91.5%[3]。因此，早發(fā)現(xiàn)、早診斷和早期個體化精準(zhǔn)治療對改善患者的預(yù)后至關(guān)重要。胃、食管早癌治療的主流方法為內(nèi)鏡黏膜下剝離術(shù)（ESD），不但可以一次性根治性切除，而且避免了開腹手術(shù)所帶來的痛苦，同時可獲得與手術(shù)相同的臨床效果[4]。

研究顯示[5]，大規(guī)模胃鏡篩查有助于發(fā)現(xiàn)胃早癌，但由于各地區(qū)醫(yī)療技術(shù)水平、資源分布不均存在一定漏診率，從6.4%至11.3%不等。因此，隨著與計(jì)算機(jī)相關(guān)的新技術(shù)不斷更新，為了最大限度地減少漏診率，并同質(zhì)化提高胃早癌篩查的檢出率，AI輔助的內(nèi)鏡檢查系統(tǒng)得到了可喜的發(fā)展，各種胃早期癌篩查的AI系統(tǒng)應(yīng)運(yùn)而生。Hirasawa T等[6]以13 584張胃癌圖像作為訓(xùn)練集，對2296張胃癌圖像進(jìn)行AI驗(yàn)證，敏感性為92.2%。另有研究[7]基于AI篩查系統(tǒng)驗(yàn)證了68個胃早癌的視頻圖像，其敏感性達(dá)到了94.1%。以上兩項(xiàng)研究具有相似的敏感性，表明了AI輔助內(nèi)鏡檢查可以顯著提高胃早期癌篩查與診斷的準(zhǔn)確性，對胃早期癌患者診斷具有重要臨床價(jià)值。一項(xiàng)AI輔助內(nèi)鏡檢查與內(nèi)鏡醫(yī)生對胃早期癌診斷對比的報(bào)告指出，AI在胃早期癌識別高度抽象特征的圖片數(shù)據(jù)具有獨(dú)特優(yōu)勢，診斷敏感性為58.4%，高于內(nèi)鏡醫(yī)生敏感性31.9%[8]。我國幅員遼闊，醫(yī)療資源分布不均，在多數(shù)基層醫(yī)院醫(yī)療資源相對匱乏，醫(yī)務(wù)人員防癌意識相對不足，部分患者發(fā)展為進(jìn)展期胃癌才被發(fā)現(xiàn)，因此喪失了最佳的治療時機(jī)。AI輔助的內(nèi)鏡篩查系統(tǒng)可提高基層醫(yī)療機(jī)構(gòu)在胃早癌方面的檢出率。

目前AI相關(guān)研究多數(shù)為回顧性分析，易受到研究者主觀、設(shè)備差異、視覺感知迥異等影響。為了避免這些偏倚，2019年一項(xiàng)多中心、前瞻性研究評估AI輔助的內(nèi)鏡檢查對胃早期癌檢出的準(zhǔn)確率為92.7%，AI輔助的內(nèi)鏡技術(shù)不僅高效識別胃早期癌，同時還可根據(jù)病變部位顏色對比劃定胃早期癌的邊界[9]。Wu L等[10]隨機(jī)對照試驗(yàn)也驗(yàn)證了AI輔助的內(nèi)鏡檢查在篩查胃早期癌的準(zhǔn)確率為84.7%，其敏感性為100.0%，特異度為84.3%，此結(jié)果表明AI輔助的內(nèi)鏡檢查不但全部識別胃早期癌病變，而且具有較高的特異度。有效識別胃早期癌是診治過程的核心步驟，以AI技術(shù)輔助的內(nèi)鏡檢查在胃早期癌領(lǐng)域中的研究表明，AI可提高臨床醫(yī)師在胃早期癌診斷的準(zhǔn)確率和決策的效率，通過計(jì)算機(jī)模型精準(zhǔn)分析，對胃早癌的診斷和治療決策過程進(jìn)行補(bǔ)充。因此，AI在胃早癌診斷方面具有較好的應(yīng)用前景。

1.2胃幽門螺桿菌感染的診斷" 幽門螺桿菌感染是胃癌獨(dú)立的危險(xiǎn)因素，臨床上幽門螺桿菌的檢測方法多采用14碳或13碳呼氣試驗(yàn)，費(fèi)時且費(fèi)用較高。在內(nèi)鏡檢查的過程中判斷胃是否存在幽門螺桿菌感染就變得尤為重要。不僅如此，內(nèi)鏡檢查過程中判斷有無幽門螺桿菌感染的存在，對判斷胃早期癌的類型也有很大的幫助。Luo D等[11]以32 208張幽門螺桿菌感染的內(nèi)鏡圖像作為AI訓(xùn)練集，然后對11 481張幽門螺桿菌感染圖像進(jìn)行識別，準(zhǔn)確率達(dá)87.7%，敏感性為88.9%，特異度為87.4%。由此驗(yàn)證了AI不但可以篩查胃早期癌，同時具有識別胃幽門螺桿菌的能力。除此之外，AI與人工讀圖相比，在精細(xì)識別、快速判讀方面優(yōu)勢明顯，在內(nèi)鏡檢查過程中，通過陽性病變部位的提示以此提高內(nèi)鏡醫(yī)生診斷效率和準(zhǔn)確性。此外，Shichijo S等[12]同樣用98 564張內(nèi)鏡圖像對AI進(jìn)行訓(xùn)練，對23 699張內(nèi)鏡圖像進(jìn)行測試，區(qū)分幽門螺桿菌感染內(nèi)鏡圖像的準(zhǔn)確率為80.0%（Hp陽性）、未感染內(nèi)鏡圖像48.0%（Hp陰性）和除菌后內(nèi)鏡圖像84.0%（除菌后）。AI系統(tǒng)不但對幽門螺桿菌感染具有較高診斷價(jià)值，而且還能精準(zhǔn)識別除菌后內(nèi)鏡圖像。AI的輔助下低年資內(nèi)鏡醫(yī)師的診斷準(zhǔn)確率可顯著提高[13]。

1.3胃早期癌侵襲深度的判斷" ESD作為消化道早期癌的主要治療方法[14]，ESD治療粘膜內(nèi)早期癌（M）和黏膜下層早期癌（SM1），未發(fā)現(xiàn)腫瘤復(fù)發(fā)。ESD具有創(chuàng)傷小、恢復(fù)快、費(fèi)用低等優(yōu)點(diǎn)，而且可獲得與外科手術(shù)相同的治療效果[15，16]。ESD相對適應(yīng)證的擴(kuò)展進(jìn)一步證實(shí)了它作為一種消化道早期病變有效的治療手段[17，18]。ESD治療不但保留組織器官的完整性，同時還可以改善患者的預(yù)后[19]。因此，準(zhǔn)確判斷胃早癌的浸潤深度尤為重要，AI技術(shù)開啟了胃早期癌領(lǐng)域全新的視角。Zhou S等[20]試驗(yàn)表明，AI在評估胃早期癌侵襲深度的敏感性為76.5%，特異度為95.6%，準(zhǔn)確性為89.2%，AI可準(zhǔn)確、有效識別胃早期癌的浸潤深度，高特異度可降低侵襲深度過度診斷，一定程度避免不必要的外科手術(shù)。另外，在Yoon HJ等[21]研究顯示，AI判斷胃早期癌浸潤深度的敏感性為79.2%，特異度為77.8%。與Zhou S等[20]研究對比，具有相似的敏感性，但特異度較低，可能是兩者地域差異、選擇性偏倚、主觀因素等造成，仍需要多中心、跨地區(qū)及前瞻性研究進(jìn)一步驗(yàn)證。Nagao S等[22]開發(fā)的AI模型通過建立循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network， RNN）判斷胃早期癌在黏膜下侵潤的深度（SM1、SM2或更深）的敏感性為84.4%，特異度為99.4%，準(zhǔn)確性為94.5%。由此推斷，在臨床實(shí)踐中，AI輔助內(nèi)鏡檢查與內(nèi)鏡醫(yī)師的判斷相結(jié)合，不但可以有效識別胃早期癌，而且對胃早期癌浸潤深度做出更加準(zhǔn)確判斷。

2 AI在食管病變中的應(yīng)用

2.1食管鱗狀細(xì)胞癌的診斷" 食管癌在癌癥相關(guān)死亡因素的第6位，食管鱗狀細(xì)胞癌（ESCC）在亞洲、非洲和南美洲等地較常見[23]。如早期發(fā)現(xiàn)并通過內(nèi)鏡下微創(chuàng)治療，多數(shù)預(yù)后較好，一旦進(jìn)入晚期預(yù)后不良[24]。因此早期發(fā)現(xiàn)ESCC顯得尤為重要[25]。但即使經(jīng)驗(yàn)豐富的內(nèi)鏡醫(yī)生，也可能漏診早期ESCC?；诂F(xiàn)狀，需一套內(nèi)鏡AI輔助診斷系統(tǒng)（gastrointestinal artificial intelligence diagnostic system， GRAIDS）協(xié)助對食管早期腫瘤的篩查及診斷，以減少漏診[26]。

已有多項(xiàng)研究證明了GRAIDS在篩查早期ESCC方面的卓越輔助診斷價(jià)值，幫助內(nèi)鏡醫(yī)師讀圖，協(xié)助快速診斷[27-30]。為減少AI在篩查中出現(xiàn)假陽性，研究以視頻圖像作為AI的驗(yàn)證集，場景更真實(shí)更能反映臨床[31-33]。Waki K等[34]用100個視頻圖像評估AI篩查早期ESCC的能力，敏感性為85.7%。為了更加貼近臨床，Shiroma S等[35]提高了AI識別難度，視頻圖像不聚焦于任何特定的部分，且以恒定的速度通過食道來模擬內(nèi)鏡通過食道俯瞰ESCC的情況，在低速視頻圖像中，AI的敏感性為100.0%，而在高速視頻圖像中的敏感性為85.0%。因此，AI在適當(dāng)速率下對早期ESCC的診斷表現(xiàn)出令人滿意的實(shí)踐效果，輔助下內(nèi)鏡醫(yī)生快速準(zhǔn)確的發(fā)現(xiàn)早期ESCC。

另外，早期ESCC患者在制定治療策略時，準(zhǔn)確判斷浸潤深度對治療方式的選擇同樣至關(guān)重要。內(nèi)鏡下微創(chuàng)治療的指征是病變位于上皮層（EP）、黏膜固有層（LPM）、黏膜肌層（MM），以及浸潤至黏膜下200 μm（SM1）[36]。對于浸潤深度在SM2～SM3的ESCC不宜內(nèi)鏡治療，主要的治療手段為手術(shù)切除或放化療[37]。AI在判斷早期ESCC浸潤深度方面，其效果與放大內(nèi)鏡（ME）和超聲內(nèi)鏡（EUS）結(jié)果大致相同[38]。然而，有臨床實(shí)踐發(fā)現(xiàn)不同的AI判斷ESCC浸潤深度可能不同。Tokai Y等[39]評估了非ME靜止圖像區(qū)分EP-SM1 ESCC和SM2 ESCC浸潤深度的準(zhǔn)確率為80.9%。Nakagawa K等[40]以非ME和ME靜止圖像區(qū)分EP-SM1 ESCC和SM2-SM3 ESCC的浸潤深度，其準(zhǔn)確率較高（91.0%），兩者研究結(jié)果有所差異，但都證實(shí)了AI輔助內(nèi)鏡檢查評估早期ESCC浸潤深度的有效性。

目前的研究多數(shù)是基于普通白光（C-WLI），需要進(jìn)一步探討普通白光、放大內(nèi)鏡（ME）及色素內(nèi)鏡輔助的AI在判斷ESCC浸潤深度方面是否存在不同。一項(xiàng)以非ME與C-WLI、ME與窄帶成像/藍(lán)色激光成像（NBI/BLI）對比的研究，區(qū)分102個視頻圖像的EP-SM1和SM2-SM3，結(jié)果顯示AI在非ME視頻和ME視頻中的準(zhǔn)確率分別為87.3%和89.2%[41]，兩者具有相似的準(zhǔn)確率，由此判斷AI在判斷早期ESCC浸潤深度與是否ME無關(guān)。

2.2食管腺癌（EAC）的診斷" 食管腺癌主要分布在北美和歐洲地區(qū)[23]。巴雷特食管（BE）是食管腺癌發(fā)生發(fā)展的癌前病變，建議巴雷特食管患者定期復(fù)查胃鏡檢查以便動態(tài)觀察[42]。早期發(fā)現(xiàn)食管腺癌并內(nèi)鏡黏膜下剝離術(shù)治療，可行治愈性切除[43，44]。早發(fā)現(xiàn)、早診斷及早治療對于降低與食管腺癌相關(guān)的死亡率至關(guān)重要[45]。因此，為了減少漏診，自動識別功能的AI輔助內(nèi)鏡技術(shù)顯得尤為重要，可幫助內(nèi)鏡醫(yī)師發(fā)現(xiàn)病灶、施行精準(zhǔn)的靶向活檢，提高EAC的診斷率。

一些國家利用AI技術(shù)的智能識別、深度學(xué)習(xí)以及多學(xué)科的交叉融合等優(yōu)勢，已有廣泛的開展早期診斷食管腺癌的相關(guān)研究[46-48]，并取得了顯著成效，其中不乏對早期EAC診斷的真實(shí)案例[46，47]。de Groof AJ等[48]開發(fā)的AI篩查巴雷特食管相關(guān)食管腺癌的準(zhǔn)確率與53名經(jīng)驗(yàn)豐富的內(nèi)鏡醫(yī)生相當(dāng)。因此，AI可輔助低年資的內(nèi)鏡醫(yī)師提高診斷的準(zhǔn)確性。另有一項(xiàng)前瞻性研究同樣也證實(shí)了AI在實(shí)時內(nèi)鏡可高精度地識別食管腺癌[46]。Ebigbo A等[47]利用AI實(shí)時捕獲攝像過程中隨機(jī)圖像，能很好區(qū)分正常巴雷特食管和早期食管腺癌，其敏感性、特異度和準(zhǔn)確性分別為83.7%、100.0%和89.9%，具有很高的臨床應(yīng)用價(jià)值。然而，這些研究主要集中在歐美國家，其食管腺癌的特征可能與亞洲國家的食管腺癌存在差異[49，50]。故適用于歐美國家的AI技術(shù)是否仍然適用于亞洲人群值得商榷。為此，Iwagami H等[51]開發(fā)了一套符合亞洲人的AI輔助的內(nèi)鏡檢查系統(tǒng)，此系統(tǒng)在篩查食管、食管胃連接處的腺癌的敏感性、特異度和準(zhǔn)確性為94.0%、42.0%和66.0%。表明該系統(tǒng)敏感性較高，但特異度和準(zhǔn)確性相對不足，需要更大的樣本以及前瞻性試驗(yàn)來完善，有望在不遠(yuǎn)的將來得到廣泛應(yīng)用。

3 AI技術(shù)的局限性

AI與內(nèi)鏡結(jié)合研究是目前的熱點(diǎn)，盡管在這充滿前景的領(lǐng)域取得了長足的進(jìn)步，但仍面臨著一些挑戰(zhàn)。AI輔助內(nèi)鏡檢查多數(shù)以靜態(tài)圖為研究對象[52]，而動態(tài)圖像才能真實(shí)的反映臨床實(shí)踐。實(shí)時評估幽門螺旋桿菌感染、食管早癌、胃早癌，以及浸潤深度對篩查至關(guān)重要，但是否完全準(zhǔn)確，仍然需要多中心、跨地區(qū)、大樣本的研究證實(shí)其可靠性。目前，AI輔助內(nèi)鏡篩查系統(tǒng)還需要進(jìn)一步完善，以滿足臨床對高質(zhì)量醫(yī)療技術(shù)的追求。

4總結(jié)與展望

食管、胃早期癌、幽門螺桿菌感染的自動識別和精準(zhǔn)判斷是疾病治療的重要前提，決定治療的方向及可能的預(yù)后。AI與內(nèi)鏡結(jié)合是計(jì)算機(jī)與醫(yī)學(xué)融合的表現(xiàn)，AI技術(shù)用于食管、胃早期癌、幽門螺桿菌感染的篩查、診斷，可提高內(nèi)鏡醫(yī)師診斷疾病的能力和效率，也可協(xié)助臨床決策、評估病變程度，有助于不同患者的個體化精細(xì)診療，推動消化內(nèi)鏡的發(fā)展。同樣，AI也可以在臨床教學(xué)中發(fā)揮重要作用，在初級內(nèi)鏡醫(yī)師培訓(xùn)方面，做到與經(jīng)驗(yàn)豐富的內(nèi)鏡醫(yī)師一樣提示初學(xué)者可能遺漏的病變，降低教學(xué)成本、提高學(xué)習(xí)效率。到目前為止，雖然AI在評估食管、胃早期癌、幽門螺桿菌感染的診療應(yīng)用的研究還未得到有效的論證，但已顯示應(yīng)用于臨床實(shí)踐的優(yōu)勢以及必要性。AI輔助診斷決策可更全面而深入地影響食管、胃早期癌、幽門螺桿菌感染的診療的全過程，最終實(shí)現(xiàn)個體化精準(zhǔn)治療，提高患者的生存質(zhì)量、改善患者的預(yù)后。

參考文獻(xiàn)：

[1]傅山，王嘉義，寧華，等.基于人工智能的人臉識別技術(shù)與評估體系研究[J].信息通信技術(shù)與政策，2021，47（4）：71-75.

[2]Dlamini Z，F(xiàn)rancies FZ，Hull R，et al.Artificial intelligence （ai） and big data in cancer and precision oncology[J].Comput Struct Biotechnol，2020，18：2300-2311.

[3]Katai H，Ishikawa T，Akazawa K，et al.Registration Committee of the Japanese Gastric Cancer Association. Five-year survival analysis of surgically resected gastric cancer cases in Japan： a retrospective analysis of more than 100，000 patients from the nationwide registry of the Japanese Gastric Cancer Association （2001-2007）[J].Gastric Cancer，2018，21（1）：144-154.

[4]Japanese Gastric Cancer Association.Japanese gastric cancer treatment guidelines 2018 （5th edition）[J].Gastric Cancer，2021，24（1）：1-21.

[5]Cao R，Tang L，F(xiàn)ang M，et al.Artificial intelligence in gastric cancer： applications and challenges[J].Gastroenterol Rep（Oxf），2022，10：goac064.

[6]Hirasawa T，Aoyama K，Tanimoto T，et al.Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images[J].Gastric Cancer，2018，21（4）：653-660.

[7]Ishioka M，Hirasawa T，Tada T.Detecting gastric cancer from video images using convolutional neural networks[J].Dig Endosc，2019，31（2）：e34-e35.

[8]Ikenoyama Y，Hirasawa T，Ishioka M，et al.Detecting early gastric cancer：Comparison between the diagnostic ability of convolutional neural networks and endoscopists[J].Dig Endosc，2021，33（1）：141-150.

[9]Luo H，Xu G，Li C，et al.Real-time artificialintelligence for detection of upper gastrointestinal cancer by endoscopy： a multicentre，case-control，diagnostic study[J].Lancet Oncol，2019，20（12）：1645-1654.

[10]Wu L，He X，Liu M.Evaluation of the effects of an artificial intelligence system on endoscopy quality and preliminary testing of its performance in detecting early gastric cancer： a randomized controlled trial[J].Endoscopy，2021，53（12）：1199-1207.

[11]Luo D，Kuang F，Du J，et al.Artificial Intelligence-Assisted Endoscopic Diagnosis of Early Upper Gastrointestinal Cancer： A Systematic Review and Meta-Analysis[J].Front Oncol，2022，12：855175.

[12]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.

[13]王智杰，高杰，孟茜茜，等. 基于深度學(xué)習(xí)的人工智能技術(shù)在早期胃癌診斷中的應(yīng)用[J].中華消化內(nèi)鏡雜志，2018，35（8）：551-556.

[14]Gotoda T，Kondo H，Ono H，et al.A new endoscopic mucosal resection procedure using an insulation-tipped electrosurgical knife for rectal flat lesions：report of two cases[J].Gastrointest Endosc，1999，50（4）：560-563.

[15]Tokat M，van Tilburg L，Koch AD，et al.Artificial Intelligence in Upper Gastrointestinal Endoscopy[J].Dig Dis，2022，40（4）：395-408.

[16]Nagao S，Tani Y，Shibata J，et al.Implementation of artificial intelligence in upper gastrointestinal endoscopy[J].DEN Open，2022，2（1）：e72.

[17]Goto A，Kubota N，Nishikawa J，et al.Cooperation between artificial intelligence and endoscopists for diagnosing invasion depth of early gastric cancer[J].Gastric Cancer，2023，26（1）：116-122.

[18]Hatta W，Gotoda T，Oyama T，et al.A Scoring System to Stratify Curability after Endoscopic Submucosal Dissection for Early Gastric Cancer： \"eCura system\"[J].Am J Gastroenterol，2017，112（6）：874-881.

[19]Vo D，Ghosh P，Sahoo D.Artificial intelligence-guided discovery of gastric cancer continuum[J].Gastric Cancer，2023，26（2）：286-297.

[20]Zhou S，Lin L，Chen C，et al.Application of Convolutional Neural Network in Motor Bearing Fault Diagnosis[J].Comput Intell Neurosci，2022，2022：9231305.

[21]Yoon HJ，Kim S，Kim JH，et al.A Lesion-Based Convolutional Neural Network Improves Endoscopic Detection and Depth Prediction of Early Gastric Cancer[J].J Clin Med，2019，8（9）：1310.

[22]Nagao S，Tsuji Y，Sakaguchi Y，et al.Highly accurate artificial intelligence systems to predict the invasion depth of gastric cancer： efficacy of conventional white-light imaging， nonmagnifying narrow-band imaging， and indigo-carmine dye contrast imaging[J].Gastrointest Endosc，2020，92（4）：866-873.

[23]Voron T，Julio C，Pardo E.Cancers esophagiens： nouveautés et défis des prises en charge chirurgicales [Esophageal carcinoma：novelties and challenges in surgery][J].Bull Cancer，2023，110（5）：533-539.

[24]Yamashina T，Ishihara R，Nagai K，et al.Long-term outcome and metastatic risk after endoscopic resection of superficial esophageal squamous cell carcinoma[J].Am J Gastroenterol，2013，108（4）：544-551.

[25]Muto M，Minashi K，Yano T，et al.Early detection of superficial squamous cell carcinoma in the head and neck region and esophagus by narrow band imaging： a multicenter randomized controlled trial[J].J Clin Oncol，2010，28（9）：1566-1572.

[26]Xiao Z，Ji D，Li F，et al.Application of Artificial Intelligence in Early Gastric Cancer Diagnosis[J].Digestion，2022，103（1）：69-75.

[27]Cai SL，Li B，Tan WM，et al.Using a deep learning system in endoscopy for screening of early esophageal squamous cell carcinoma （with video）[J].Gastrointest Endosc，2019，90（5）：745-753.

[28]Fukuda H，Ishihara R，Kato Y，et al.Comparison of performances of artificial intelligence versus expert endoscopists for real-time assisted diagnosis of esophageal squamous cell carcinoma （with video）[J].Gastrointest Endosc，2020，92（4）：848-855.

[29]Guo L，Xiao X，Wu C，et al.Real-time automated diagnosis of precancerous lesions and early esophageal squamous cell carcinoma using a deep learning model （with videos）[J].Gastrointest Endosc，2020，91（1）：41-51.

[30]Ohmori M，Ishihara R，Aoyama K，et al.Endoscopic detection and differentiation of esophageal lesions using a deep neural network[J].Gastrointest Endosc，2020，91（2）：301-309.

[31]Yang XX，Li Z，Shao XJ，et al.Real-time artificial intelligence for endoscopic diagnosis of early esophageal squamous cell cancer （with video）[J].Dig Endosc，2021，33（7）：1075-1084.

[32]Li B，Cai SL，Tan WM，et al.Comparative study on artificial intelligence systems for detecting early esophageal squamous cell carcinoma between narrow-band and white-light imaging[J].World J Gastroenterol，2021，27（3）：281-293.

[33]Tsai TJ，Mukundan A，Chi YS，et al.Intelligent Identification of Early Esophageal Cancer by Band-Selective Hyperspectral Imaging[J].Cancers （Basel），2022，14（17）：4292.

[34]Waki K，Ishihara R，Kato Y，et al.Usefulness of an artificial intelligence system for the detection of esophageal squamous cell carcinoma evaluated with videos simulating overlooking situation[J].Dig Endosc，2021，33（7）：1101-1109.

[35]Shiroma S，Yoshio T，Kato，et al.Ability of artificial intelligence to detect T1 esophageal squamous cell carcinoma from endoscopic videos and the effects of real-time assistance[J].Sci Rep，2021，11（1）：7759.

[36]Ishihara R，Arima M，Iizuka T，et al.Endoscopic submucosal dissection/endoscopic mucosal resection guidelines for esophageal cancer[J].Dig Endosc，2020，32（4）：452-493.

[37]Kitagawa Y，Uno T，Oyama T，et al.Correction to： Esophageal cancer practice guidelines 2017 edited by the Japan Esophageal Society： part 1 and Part 2[J].Esophagus，2022，19（4）：726.

[38]Inoue T，Ishihara R，Shibata T，et al.Esophageal Cancer Practice Guidelines Preparation Committee. Endoscopic imaging modalities for diagnosing the invasion depth of superficial esophageal squamous cell carcinoma： a systematic review[J].Esophagus，2022，（3）：375-383.

[39]Tokai Y，Yoshio T，Aoyama K，et al.Application of artificial intelligence using convolutional neural networks in determining the invasion depth of esophageal squamous cell carcinoma[J].Esophagus，2020，17（3）：250-256.

[40]Nakagawa K，Ishihara R，Aoyama K，et al.Classifification for invasion depth of esophageal squamous cell carcinoma using a deep neural network compared with experienced endoscopists[J].Gastrointest Endosc，2019，90（3）：407-414.

[41]Shimamoto Y，Ishihara R Kato Y，et al.Real-time assessment of video images for esophageal squamous cell carcinoma invasiondepth using artificial intelligence[J].J Gastroenterol，2020，55（11）：1037-1045.

[43]Abe S，Ishihara R，Takahashi H，et al.Long-term outcomes of endoscopic resection and metachronous cancer after endoscopic resection for adenocarcinoma of the esophagogastric junction in Japan[J].Gastrointest Endosc，2019，89（6）：1120-1128.

[44]Pech O，May A，anner H，et al.Long-term effificacy and safety of endoscopic resection for patients with mucosal adenocarcinoma of the esophagus[J].Gastroenterology，2014，146：652-660.

[45]Sch?lvinck DW，van der Meulen K，Bergman JJGHM，et al.Detection of lesions in dysplastic Barrett’s esophagus by community and expert endoscopists[J].Endoscopy，2017，49（8）：113-120.

[46]de Groof AJ.Struyvenberg MR，F(xiàn)ockens KN，et al.Deep learning algorithm detection of Barrett's neoplasia with high accuracy during live endoscopic procedures： a pilot study （with video）[J].Gastrointest Endosc，2020，91（6）：1242-1250.

[47]Ebigbo A，Mendel R，Probst A，et al.Real-time use of artificial intelligence in the evaluation of cancer in Barrett's oesophagus[J].Gut，2020，69（4）：615-616.

[48]de Groof AJ，Struyvenberg MR，van der Putten J，et al.Deep-Learning System Detects Neoplasia in Patients With Barrett's Esophagus With Higher Accuracy Than Endoscopists in a Multistep Training and Validation Study With Benchmarking[J].Gastroenterology，2020，158（4）：915-929.

[49]Afrash MR，Shafiee M，Kazemi-Arpanahi H.Establishing machine learning models to predict the early risk of gastric cancer based on lifestyle factors[J].BMC Gastroenterol，2023，10;23（1）：6.

[50]Koizumi S，Motoyama S，Iijima K.Is the incidence of esophagealadenocarcinoma increasing in Japan？ Trends from the data of a hospital-based registration system in Akita Prefecture，Japan[J].J Gastroenterol，2018，53（1）：827-833.

[51]Iwagami H，Ishihara R，Aoyama K，et al.Artificial intelligence for the detection of esophageal and esophagogastric junctional adenocarcinoma[J].J Gastroenterol Hepatol，2021，36（1）：131-136.

[52]Halvorsen N，Mori Y.Artificial intelligence and upper gastrointestinal endoscopy： what is the optimal study design？[J].Minerva Surg，2023，78（1）：81-85.