引言

胃腸道上皮下病變（SELs）是起源于黏膜肌層、黏膜下層或固有層的腫塊樣結構，包括胃腸道間質瘤（GISTs）、平滑肌瘤（GILs）、神經內分泌腫瘤（NETs）等。這些病變的良惡性鑒別直接影響治療決策，而超聲內鏡（EUS）因其高分辨率成像成為首選診斷工具。然而，傳統EUS診斷依賴醫師經驗，且活檢存在出血、穿孔等風險。人工智能（AI）技術的介入為SELs的無創評估開辟了新路徑。

人工智能技術概覽

AI通過機器學習（ML）和深度學習（DL）模擬人類認知。ML中的隨機森林（RFs）、支持向量機（SVMs）等算法可提取圖像特征進行分類；而DL通過卷積神經網絡（CNN）自動學習多層特征，顯著提升識別精度。例如，CNN模型在區分GISTs與平滑肌瘤時準確率達91.7%，AUC值達0.948。

AI輔助SELs診斷

二分類模型

多項研究驗證了AI在GISTs與非GISTs鑒別中的優勢。Minoda等開發的CNN模型對>20 mm病變的診斷準確率達90%，顯著優于內鏡醫師（53.3%）。Lu等的多中心研究進一步證實，AI聯合EUS可將診斷敏感性提升至82.01%。

多分類模型

更復雜的模型如Hirai等開發的五分類系統，對GISTs、NETs等病變的整體識別準確率達86.1%。Kim等的CNN-CAD系統還能進一步區分非GISTs亞型（如平滑肌瘤與神經鞘瘤），準確率75.5%。

GISTs惡性風險分層

AI在風險預測中表現突出。Li等的放射組學模型將GISTs分為高低風險組，AUC達0.839。Seven等的四分級模型簡化后敏感性和特異性均超99%。值得注意的是，兩分級模型（高低風險）的穩定性優于復雜分級。

局限與展望

當前AI模型仍依賴靜態圖像，且數據不平衡（如罕見病變樣本不足）。未來需開發視頻分析系統，并通過多中心合作建立標準化數據庫。"黑箱"問題可通過LIME等可視化技術部分緩解。盡管存在挑戰，EUS-AI有望成為精準醫療的重要工具，輔助醫師優化診療流程，而非取代人工判斷。

結論

EUS-AI通過整合影像特征與臨床數據，顯著提升了SELs診斷效率和客觀性。隨著技術迭代，其或將成為無創診斷的新標準，推動基層醫療資源均衡化，最終實現患者獲益最大化。