本文选取了2024年第四届世界消化内镜大会（ENDO）上关于探头式共聚焦显微内镜（pCLE）临床研究的优秀壁报。这两篇壁报分别报道了人工智能结合pCLE在诊断乳糜泻和不明原因胆道病变中的临床应用。
壁报展示一
深度学习辅助共聚焦激光显微内镜检查乳糜泻的实时组织病理学评估:一项初步研究
◉ 目的
乳糜泻（Celiac disease，CD）的诊断传统上依赖于十二指肠活检的组织病理学检查，该方法具有侵入性，且容易出现抽样误差。本研究旨在探讨深度学习（Deep Learning，DL）模型与共聚焦激光显微内镜（Confocal Laser Endomicroscopy，CLE）相结合在内镜手术过程中对CD进行实时、在体诊断的有效性，进而有可能避免多次活检。
◉ 方法
在三级保健中心进行了一项试点研究，对50名疑似CD患者进行了内镜检查。定制DL模型在超过10,000张标记CD特征（绒毛萎缩，隐窝增生，上皮内淋巴细胞增多）的CLE图像的数据集上进行训练，并在内镜检查期间实时分析CLE图像以识别CD标记物。将DL模型的性能与手术过程中获取组织的病理学结果进行比较。评估指标包括准确性、敏感性、特异性和AUC。临床医生使用DL-CLE系统的经验也被评估，以衡量其与临床工作流程的整合程度。
◉ 结果
DL-CLE系统对CD诊断的准确率为92%（95% CI，83-97%），敏感性为89%（95% CI，76-96%），特异性为95% （95% CI，85-99%），AUC为0.97（95% CI，0.93-1.00）。这些结果在统计学上与传统的组织病理学诊断相当（p>0.05)，DL-CLE系统能正确识别所有绒毛萎缩病例和大多数隐窝增生以及上皮内淋巴细胞增多病例。据报道，该系统可以无缝整合到临床工作流程中，对每位患者的平均分析时间不到30秒，大大缩短了手术过程的总时长。
◉ 结论
深度学习和共聚焦激光显微内镜提高了乳糜泻实时诊断的准确性，潜在地减少了对活检的依赖。未来有必要进行更大规模的研究来验证其临床益处和患者护理影响。
壁报展示二
基于人工智能的数字化胆道镜和探头式共聚焦激光显微内镜在检查恶性胆道病变中的对比分析：一项单中心回顾性研究
◉ 目的
到目前为止，还没有头对头的研究来对比基于人工智能的单人操作经口数字胆道镜（Digital single-operator peroral cholangioscopy-artificial intelligence，DSOC-AI）和基于探头式共聚焦激光显微内镜的DSOC（DSOC-pCLE）。我们旨在比较一种新的DSOC-AI模型与DSOC-pCLE在不明原因的胆道病变中识别并诊断肿瘤的准确性。
◉ 方法
基于诊断准确性研究的历史队列包括接受DSOC-pCLE检查的患者（2014年6月-2021年11月）。排除无DSOC视频、活检或无法进行12个月随访的患者。
对于DSOC直接可视化方法，将新生血管作为肿瘤指标。对于DSOC-pCLE方法，将迈阿密分类的恶性标准（增粗的白色和黑色条带，黑色团块，上皮结构）高于巴黎分类的炎症标准（血管充血、粗糙度方面、腺体间隙增大、网状结构增粗）作为肿瘤指标。对于DSOC和pCLE引导下活检，相应的组织学结果作为肿瘤指标。使用DSOC录制的视频进行基于AI模型的离线DSOC分析（AIWorks-Cholangioscopy system），将新生血管作为肿瘤的评估标准。
肿瘤诊断金标准是基于临床进展、影像学或12个月随访期间的手术标本结果。敏感性、特异性、阳性预测值和阴性预测值（PPV和NPV）、观察一致性（OA）和曲线下面积（AUC）来反映DSOC直接可视化、DSOC-pCLE、DSOC和pCLE引导活检、DSOC-AI模型的诊断准确性。通过DeLong检验对两种ROC曲线的诊断准确度进行比较。
◉ 结果
选取90例患者。肿瘤疑似是最常见的指征（55.6%）。DSOC-AI vs DSOC-pCLE的敏感性、特异性、PPV、NPV和OA分别为：97.7% vs 94.2%；75% vs 100%，98.8% vs 100%，60% vs 44.4%，96.7% vs 94.4%。DSOC-AI的AUC为0.79；DSOC直接可视化为0.74（P = .763）， DSOC-pCLE为0.72（P = .634），DSOC和pCLE引导活检为0.83（P = .809）。
◉ 结论
DSOC-AI模型显示出与DSOC-pCLE相似的离线诊断准确性。在肿瘤和非肿瘤病例中采用比例样本进行更大的多中心头对头试验是可行的，以便对获得的结果进行最佳评估。
编辑：沐 恩
排版：月 半
设计：杨天仲
统筹：人之初
