综述:人工智能在胃肠动力诊断中的应用:系统评价

《Neurogastroenterology & Motility》:Artificial Intelligence in Gastrointestinal Motility Diagnostics: A Systematic Review

【字体: 大 中 小 】 时间:2026年04月05日 来源:Neurogastroenterology & Motility 2.9

编辑推荐:

  本综述全面梳理了AI在胃肠动力诊断中的应用。文章纳入了90项研究,系统分析了AI在食管(聚焦HREM、pH阻抗、FLIP自动分析)、胃十二指肠(改善EGG、引入BSGM等新技术)、小肠大肠(自动化WCE、结肠传输及POI预测)及肛门直肠(HRAM标准化)等领域的成果。研究表明,AI在提升诊断效率、准确性和客观性方面潜力巨大,但多数研究缺乏外部验证。未来需大规模前瞻性研究推动其临床转化。

  
胃肠动力障碍的诊断一直面临挑战:现有检查方法往往具有侵入性、耗费资源且解读主观。人工智能(AI)技术的兴起,为应对这些挑战提供了充满希望的新途径。一篇于2025年3月进行的系统评价,旨在全面梳理、评估和整合AI在胃肠动力诊断领域的各种应用。
方法学
这项研究严格遵循了系统评价和Meta分析的首选报告项目(PRISMA)指南。研究人员在PubMed、Embase、Scopus、Web of Science和Medline等多个数据库进行了系统性文献检索,最终从1383篇初始文献中筛选出90项符合纳入标准的原始研究。由于研究间存在较大异质性,未进行Meta分析,而是按照解剖部位进行了叙述性综合。
食管动力:自动化与标准化的前沿
在食管动力领域,AI的应用主要聚焦于提升高分辨率食管测压(HREM)、pH阻抗监测以及功能性腔内成像探针(FLIP)测压等检查的效率和解读标准化。总计31项研究被纳入。
在数据预处理方面,AI模型能有效降噪和去除伪影。例如,基于决策树的模型可以从24小时pH阻抗监测数据中提取无伪影的阻抗值;集成经验模态分解(EEMD)工具结合神经网络,提高了HREM对贲门失弛缓症的诊断准确率。
诊断应用是核心。多数HREM研究的目标是自动化芝加哥分类(CC)。美国西北大学研究团队探索了多种机器学习模型,其中长短时记忆网络(LSTM)模型在CCv3.0标准下的研究级别分类准确率达到0.88。罗马尼亚Iuliu大学的团队则主要利用卷积神经网络(CNN),其最新工作甚至借助Gemini辅助编码,开发了可解释的CNN模型,能对原始测压图进行七种动力模式分类,准确率为0.88。此外,PortableNet等轻量级模型和混合注意力集成(MAE)模型也展现了极高的分类精度。
AI在阻抗监测(如反流事件识别)和FLIP测压(如贲门失弛缓症及其亚型识别、食管胃结合部流出道梗阻EGJOO判定)中也表现出色。例如,CNN模型识别贲门失弛缓症的准确率可达0.89。
在结局预测方面,机器学习已被用于预测经口内镜下肌切开术(POEM)后的持续症状、反流性食管炎等风险,尽管预测性能(AUC 0.5-0.7)目前还有限,但为未来研究铺平了道路,其中SHAP分析有助于识别关键预测因子。
尽管前景广阔,该领域仍面临通用性不足的挑战,研究多基于小型单中心数据集。此外,多数HREM模型针对的是CCv3.0,需更新至v4.0。FLIP和pH阻抗监测领域近年分别形成了达拉斯共识和里昂共识,为未来AI工具的验证提供了框架。解释性AI(XAI)的应用仍然有限,但却是增强临床接受度和监管信任的关键。
胃十二指肠动力:从传统EGG到创新技术
胃十二指肠动力的AI研究相对较少,共纳入21项研究,传统上集中于胃电图(EGG)和传输研究,新技术如体表胃肌电(BSGM)正在兴起。
在传输研究方面,AI模型可用于评估胃排空和预测其延迟。机器学习能够将胃排空闪烁扫描(GES)的检查时间缩短1.5小时,同时保持高达0.92的AUC。利用EGG数据预测胃排空延迟的模型准确率在0.83到0.90之间。术后胃轻瘫的预测模型(如XGBoost)以及药物(促动力药、神经调节剂)治疗反应的预测模型也显示出潜力。
EGG记录易受伪影干扰。神经网络已被用于识别和滤除伪影,并区分餐前餐后的不同频谱特征。在诊断上,多层感知机(MLP)等模型能识别胃节律异常(如心动过缓、心动过速),区分准确率达0.97。然而,传统EGG因灵敏度低、标准化难等问题临床效用有限,促使了新技术的研发。
一些有前景的新技术正借助AI优化其可行性。例如,胃电阻抗断层成像(gEIT)结合双步模糊聚类算法,其胃容量估计与超声结果高度相关(Pearson相关系数r=0.88)。磁控胶囊内镜(MCCE)视频结合CNN和LSTM模型,可以检测和测量胃收缩波。有研究尝试利用手指光电体积描记法(PPG)无创测量胃功能,声称能重建出与EGG高度相关的胃慢波,但其生理合理性和有效性需独立验证。
目前最受瞩目的创新是体表胃肌电(BSGM)。该技术使用高密度电极阵列在体表记录胃电活动,相比传统EGG,在特异性、准确性和症状相关性上均有显著提升。由于体表信号信噪比低,复杂的信号处理算法(包括已获FDA批准的神经网络)对于提取有效临床数据至关重要。庞大的BSGM临床数据集结合症状和心理健康数据,也为AI在多维表型分析和患者分类中的应用提供了可能。
小肠与大肠动力:自动化分析与风险预测
AI在小肠和结肠动力领域的应用旨在简化分析流程并预测术后肠梗阻(POI)风险,共纳入19项研究。
在自动化分析方面,AI大显身手。对于无线胶囊内镜(WCE),早期研究专注于自动检测肠道收缩并区分正常与异常,近期则利用CNN将WCE视频准确分类为六种不同的动力事件(准确率0.96)。在结肠传输研究中,神经网络可自动计数X线下的不透X线标记物,准确率高达0.97-0.99。AI增强的肠鸣音分析(phonoenterography)系统不仅能高精度识别肠鸣音,还能通过声学特征评估结肠传输时间,与放射学诊断有良好相关性(r=0.89)。在肠动力测压方面,规则专家系统可自动分析小肠测压曲线,识别传导性收缩事件的准确率为0.86。在影像领域,深度学习模型已能自动提取小肠直径、中心线等,为自动化3D肠道动力评估奠定了基础。
在POI预测方面,机器学习模型显示出潜力,其AUC范围在0.64到0.92之间,其中经过网格搜索调优的XGBoost模型对结直肠术后患者的预测AUC达到0.92。同时,也有AI工具被开发用于自动分割肠道,旨在辅助医生诊断肠梗阻。
AI的应用显著提升了如WCE等检查数据分析的实用性,并使得24小时肠鸣音监测成为可能。未来的重点在于外部验证、多中心前瞻性测试,以及开发能有效利用4D影像数据的深度学习模型。POI预测模型前景可期,配套早期预警协议的建立是将其转化为医院功能系统的关键。
肛门直肠动力:新兴的标准化工具
AI在肛门直肠动力领域的应用刚刚兴起,共纳入9项研究,其潜力在于标准化复杂数据分析、提高可及性并减少主观性。
在诊断应用上,多项单中心研究证明了AI的可行性。机器学习能够区分正常与异常动力模式(准确率0.85)、鉴别梗阻性排便与大便失禁(AUC 0.94)、诊断排便协同失调(DD)(AUC 0.91-0.96),并能区分四种不同的测压表型(准确率0.87)。AI还能整合腹部X线结果和症状问卷信息,更有效地诊断DD(准确率0.82)。
在其他应用方面,AI为无创监测和临床决策提供了支持。初步研究表明,通过分析肠鸣音特征预测排便的准确率可达0.91,这为失禁患者提供了提前预警的可能。AI还被用于比较EndoFLIP和高清肛门直肠测压(HDAM)在评估大便失禁中的表现,并分析梗阻性排便综合征(ODS)患者数据,以确定哪些因素可预测手术干预。
尽管潜力巨大,该领域应用仍处起步阶段。开发AI工具以自动化肛门直肠测压的伦敦分类评估是合理的下一步,尽管这比自动化HREM的芝加哥分类面临更多挑战(如更强调非测压指标、模拟排便更复杂、设备类型多样等)。然而,结合大型临床数据库,这些技术的持续发展有望显著推动该领域进步。
泛胃肠道动力:跨越解剖界限的分析
部分研究采取了整体性视角,分析了跨越胃肠道解剖界限的肠鸣音和WCE数据,共纳入10项研究。这些研究主要集中在肠鸣音分析领域,利用朴素贝叶斯、卷积循环神经网络(CRNN)、ANN等多种AI模型,实现了对肠鸣音的高精度识别(最高达0.98)、对不同消化状态的分类,以及对新生儿肠鸣音的识别和声学参数量化。这些工作为利用声音信号无创、连续监测全胃肠道功能奠定了基础。
结论与展望
人工智能无疑将在改进和自动化胃肠动力诊断解读中扮演重要角色。本综述涵盖的90项研究充分展示了AI在提升效率、准确性和客观性方面的巨大潜力。然而,即使是最有希望的模型,在临床实施前也需要进行大规模的前瞻性验证。当前大多数研究缺乏外部验证,且基于小型单中心数据集。未来工作必须包括强有力的验证,并优先开发更稳健、适应领域的可解释AI方法,以增强模型的可解释性和临床接受度,从而推动AI工具向常规临床实践的转化。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号