＜第26期＞

该研究开发了一种多类情境分类（MCC）模型，该模型结合了病变区域周围的组织对象背景信息和其他内镜帧提供的空间信息，可以有效区分不同的结直肠良性溃疡性疾病（UCD）及健康对照。为了验证模型的效能，研究使用了来自多家医院的内部和外部数据集。结果显示，MCC模型在所有测试数据集中表现优异，展现了其在不同临床场景中的适用性。

通过视频级别的情境学习，训练后的模型能够识别出所有输入图像中典型图像的关键特征，并为这些图像分配更高的注意力分数。高注意力分数的图像成为视频级别预测的决定性线索，而低注意力分数的图像通常与图像级别预测中的失败案例相符。注意力可视化算法使得MCC模型能够模仿经验丰富的内镜医师的诊断行为，从而提升诊断准确性。

此外，MCC模型在缺乏大量图像级别标注的“弱监督”场景（如胶囊内镜等）下，展现了良好的适应性。即使移除了图像级别的标注，仅通过视频级别的标注进行训练，MCC模型仍然在四类分类任务中实现了较高的宏平均AUROC值，例如UC、CD、IC和ITB的AUROC值分别为0.962、0.916、0.939和0.877。这表明MCC模型即使在缺乏大量图像级别标注的情况下，仍然适合用于各类UCD的诊断。

该研究还将患者的临床数据（如年龄和性别）与视觉信息整合，开发了一个多模态MCC模型。结果显示，多模态整合显著提高了模型的诊断能力，尤其是在CD和ITB的鉴别诊断中。多模态MCC模型在视频级别诊断中的表现优于单一模式模型，突显了多模态数据在诊断中的重要性。

研究还将MCC模型的性能与临床盲评进行了比较，在内镜静止图像集中分别进行CD、UC、IC、ITB和正常结肠镜检查的鉴别诊断。结果显示，该模型在图像级别和视频级别上的表现均优于初级内镜医师（结肠镜检查经验<1000次或从业时间<1年），且与经验丰富的内镜医师（结肠镜检查经验>5000次且从业时间>5年）相当。这提示，MCC模型不仅可以提高初级内镜医师的诊断水平，降低误诊率，在一定程度上，还具备替代经验丰富的内镜医师进行诊断、优化医疗资源配置的潜力。

医学博士，首都医科大学附属北京友谊医院消化内科医师。参与多项临床医学研究项目。获首都医科大学附属北京友谊医院“种子计划”人才项目、年度优秀住院医师，近5年在国际期刊发表SCI论文 4篇。研究方向：炎症性肠病、幽门螺杆菌、脑肠轴互动异常。

医学博士，首都医科大学附属北京友谊医院消化内科副主任医师，副教授，青年博导。中华医学会消化病学分会胃肠微生态学组委员，北京医学会消化病学分会肠道疾病专业副召集人，北京医学会消化病学分会青年论坛副召集人。入选北京市优秀青年人才、北京市科技新星计划等多项人才计划。主持国家自然科学基金、首都临床特色应用研究等多项科研课题。在国际、国内学术期刊发表论文30余篇，多次在DDW、APDW等国际国内学术会议做汇报交流并获青年研究者奖。主要研究方向：炎症性肠病、结直肠肿瘤与肠道微生态。

首都医科大学附属北京友谊医院院长，消化健康全国重点实验室主任，国家消化系统疾病临床医学研究中心主任，国家临床医学协同研究创新联盟秘书长，中国医院协会第三、四届副会长，中华医学会消化内镜学分会第七届主任委员，中华医学会消化病学分会第九届副主任委员，北京医学会消化内镜学分会第六届主任委员，北京医学会消化病学分会第十届主任委员，中国医师协会消化医师分会第四、五届会长，亚太消化内镜学会第六、七届委员，世界华人消化医师协会第一届会长，中华消化内镜杂志主编，中华消化杂志副主编，中华医学杂志（英文版）副主编。