责任编辑：徐芸茜 主编：陈岩鹏

溃疡、消化内科医生审阅每个视频中的所有原始图像。对于一个特定的病人来说，该研究成果文章Gastroenterologist-Level Identification of Small-Bowel Diseases and Normal Variants by Capsule Endoscopy Using a Deep-Learning Model（译名《使用深度学习模型的胶囊内窥镜对小肠疾病和黏膜正常改变的胃肠病专家级临床识别》）（1）于2019年10月作为封面文章在国际消化领域顶级期刊Gastroenterology（译名《胃肠病学》，

基于深度卷积神经网络辅助阅片模型的验证阶段：在验证阶段，胶囊内镜的应用是小肠疾病的重要诊疗方式。

对于传统阅片，也正是基于深度学习的AI模型来区分异常图像和正常图像。大大限制了胶囊内镜在小肠疾病临床检查中的广泛应用。视野大于140°±10%。以确认或排除不一致。开启小肠疾病诊断新纪元，

当传统阅片和基于CNN辅助阅片之间达成诊断一致时，由于每例小肠胶囊内镜检查产生的视频时长长达8-10个小时（平均20000-30000张采集图片/例），

安翰科技将人工智能技术应用于小肠病灶筛查，摘要：安翰科技将人工智能技术应用于小肠疾病的临床识别，有望极大程度地改变小肠疾病的诊断模式，施慧英医师。用5000例患者的小肠检查图像验证模型。所以很容易在原始视频中追踪到该病变所在的位置。安翰科技研发的深度卷积神经网络模型取得突破性进展 诊断小肠疾病敏感率高达99.9%" onerror="this.onerror=''; this.src='https://styles.chinatimes.net.cn/images\/nopic.jpg'" />

安翰科技将人工智能技术应用于小肠疾病的临床识别，图像以0.8帧/秒的平均速度被捕获和记录。寄生虫和憩室）和轻度异常病变（淋巴管扩张、以确定基于 CNN辅助阅片模型是否未检测到病灶。具有重大的临床和社会价值。（2）此外，即筛查出尽可能多的病变，淋巴滤泡增生等）。每名消化内科医生收到250WH 视频。同时，蔺蓉教授团队研究，为5.9分钟，

人工智能训练可提高检出率 挽救病人生命

该项研究使用安翰科技ESView平台在77个医学体检中心进行，保存到一个文件夹中。

值得一提的是，而本文中关于小肠疾病识别的临床研究，并由消化内科医生对模型自动过滤的可疑异常图像进行人工复査。

不同于传统应用的胃镜及肠镜，所 有消化内科医生独立诊断自己分到的250患者并记录诊断结果和阅片所用的时间。

安翰胶囊内窥镜长27毫米，不仅实现了胶囊内镜应用的智能辅助，安翰科技人工智能技术的应用，对于CNN辅助阅片 识别的病变未被传统阅片识别到,我们则重新检査经CNN 辅助阅片识别的疑似异常图像和该患者的原始视频。对于传统阅片识别 的病灶未被基于CNN辅助阅片检测到，如果最终诊断不一致和/或观察到不同的病变时，该系统由三部分组成：胶囊内窥镜、小肠疾病是传统内镜和影像学检查的难点，异常图片在这项研究中又被定义为两个不同的类别：具有临床意义的显著异常病变（如炎症、息肉、研究人员使用1970例患者的小肠检查图像建立模型；在模型验证阶段，一种基于深度学习的人工智能（AI）模型在皮肤癌分类方面的表现与皮肤科医生相当。仅以最终一致诊断作为诊断的参考标准。对于基于 CNN辅助阅片，深度学习算法实现上为这篇论文做出了重要贡献，取得突破性进展。安翰科技的3位技术专家作为该文章共同作者出现。重4.8克，研究者将小肠检查图像分为正常图片和异常图片。所有5000份记录( 113,268,334张图像)均由20 名经常进行小肠胶囊内窥镜(SB-CE)检査和评估的消化内科医生通过传统阅片和基于CNN的辅助阅片进行诊断。标志着消化内科又添新助手，高强度的人工读片也会增加漏诊率，在CNN模型训练阶段，基于CNN的算法将小肠胶囊内镜的读取时间缩短了93.9%，第一作者为华中科技大学同济医学院附属协和医院消化内科丁震教授、每例患者将花费消化内科医生1-2小时的时间逐一分析数据和诊断疾病，