基于深度学习的结直肠息肉实时测量系统测量结直肠息肉尺寸的验证研究

doi:10.12114/j.issn.1007-9572.2025.0305

中国全科医学 ›› 2026, Vol. 29 ›› Issue (14): 1873-1877.DOI: 10.12114/j.issn.1007-9572.2025.0305

• 论著 • 上一篇

基于深度学习的结直肠息肉实时测量系统测量结直肠息肉尺寸的验证研究

许庆洪¹, 王静², 黄元¹, 祝辞¹, 操文兵¹, 李盈¹^,^*()

1．430012　湖北省武汉市第八医院消化内镜中心
2．430060　湖北省武汉市，武汉大学人民医院消化内科

收稿日期:2025-08-07 修回日期:2025-12-21 出版日期:2026-05-15 发布日期:2026-04-14
通讯作者: 李盈
作者贡献：
许庆洪提出主要研究目标，负责研究的构思与设计，研究的实施，撰写论文；王静负责研究资料以及各项数据的收集整理及统计学分析；黄元、祝辞负责数据的校对、表格及图片的编辑与整理；操文兵负责论文修订、文章的质量控制及审校；李盈负责文章的构思与设计，最终版本修订，对文章整体负责。
基金资助:
武汉市第八医院医学科学研究项目(YX24Y08)

A Validation Study on Measuring Colorectal Polyp Size Using a Deep Learning-based Real-time Colorectal Polyp Measurement System

XU Qinghong¹, WANG Jing², HUANG Yuan¹, ZHU Ci¹, CAO Wenbing¹, LI Ying¹^,^*()

1. Endoscopy Center, the Eighth Hospital of Wuhan, Wuhan 430012, China
2. Department of Gastroenterology, Renmin Hospital of Wuhan University, Wuhan 430060, China

Received:2025-08-07 Revised:2025-12-21 Published:2026-05-15 Online:2026-04-14
Contact: LI Ying

分享到

摘要/Abstract

摘要： 背景结肠镜下息肉切除术可显著降低结直肠癌的患病风险，适宜的息肉切除手术方式和术后的监测间隔主要取决于结肠镜检查中对结肠息肉大小测量的准确率。目的评估基于深度学习的结直肠息肉实时测量系统（ENDOANGEL-CPS系统）在白光内镜下测量结直肠息肉尺寸的效能。方法利用ENDOANGEL-CPS系统评估息肉的深度，结合结肠镜的透镜参数自动计算息肉的直径，该系统通过虚拟内镜视频训练深度评估模型完成开发训练，并通过7个结肠视频的730张图像进行了测试；在9个粘贴模型息肉的模拟结肠视频中评估了该系统的性能。收集武汉市第八医院2022年6—8月已知结直肠息肉且行内镜下治疗或切除潜在的结直肠息肉患者的36个内镜视频影像，在收集到的真实内镜检查视频中完成ENDOANGEL-CPS系统验证，并同时评估5名内镜医师（1名高级医师、2名中级医师、2名初级医师）测量息肉大小的准确性，以游标卡尺测量内镜切除后息肉的尺寸为金标准。结果 ENDOANGEL-CPS系统测量值与真实值之间的一致性相关系数（CCC）为0.84（95%CI=0.67~0.89），ENDOANGEL-CPS系统测量的平均相对误差为17.94%（0，25.00%）。所有医师测量的中位息肉尺寸与真实值之间的CCC为0.45（95%CI=0.25~0.56），平均相对误差为35.19%（16.67%，50.00%）；初级医师测量的中位息肉尺寸与真实值之间的CCC为0.84（95%CI=0.67~0.89），平均相对误差为40.00%（25.00%，50.00%）；中级医师测量的中位息肉尺寸与真实值之间的CCC为0.32（95%CI=0.11~0.45），平均相对误差为26.79%（16.07%，50.00%）；高级医师测量的中位息肉尺寸与真实值之间的CCC为0.74（95%CI=0.40~0.82），平均相对误差为25.66%（8.33%，35.00%）。结论 ENDOANGEL-CPS系统有望提高结直肠息肉尺寸测量的准确性，为基于息肉尺寸制定的术后监测方案提供重要参考依据。

关键词: 结直肠息肉, 深度学习, 人工智能

Abstract:

Background

Colonoscopic polypectomy significantly reduces the incidence of colorectal cancer. The choice of optimal resection technique and subsequent surveillance intervals is largely dependent on the accurate in-vivo sizing of colorectal polyps during colonoscopy.

Objective

To evaluate the performance of a deep learning-based real-time colorectal polyp measurement system (ENDOANGEL-CPS) in measuring colorectal polyp size under white-light endoscopy.

Methods

The ENDOANGEL-CPS system automatically calculated polyp diameter by estimating polyp depth in conjunction with colonoscope lens parameters. The depth estimation model was developed and trained on virtual endoscopic videos, and initially tested on 730 images extracted from 7 colon videos. Further evaluation was conducted on 9 simulated colon videos with affixed model polyps. For clinical validation, 36 endoscopic video sequences were prospectively collected from patients undergoing endoscopic resection of known or suspected colorectal polyps at the Eighth Hospital of Wuhan between June and August 2022. The measurement accuracy of the ENDOANGEL-CPS system was validated against the gold standard, defined as the measurement of resected polyps using a vernier caliper. Concurrently, the sizing accuracy of five endoscopists (one senior physician, two intermediate physicians, and two primary physicians) was assessed.

Results

The measurements from the ENDOANGEL-CPS system demonstrated a concordance correlation coefficient (CCC) of 0.84 (95%CI=0.67-0.89) with the gold standard, and a mean relative error of 17.94% (0, 25.00%). In contrast, the CCC between the median size estimated by all endoscopists and the true value was 0.45 (95%CI=0.25-0.56), with a median relative error of 35.19% (16.67%, 50.00%). When stratified by experience, junior endoscopists achieved a CCC of 0.84 (95%CI=0.67-0.89) with a median relative error of 40.00% (25.00%, 50.00%). Intermediate-level endoscopists had a CCC of 0.32 (95%CI=0.11-0.45) and a median relative error of 26.79% (16.07%, 50.00%). The expert endoscopist showed a CCC of 0.74 (95%CI=0.40-0.82) and a median relative error of 25.66% (8.33%, 35.00%).

Conclusion

The ENDOANGEL-CPS system shows promise for improving the accuracy of colorectal polyp size measurement during colonoscopy. This could provide a more reliable basis for guiding post-polypectomy surveillance strategies tailored to polyp dimensions.

Key words: Colorectal polyp, Deep learning, Artificial intelligence

许庆洪,王静,黄元,等. 基于深度学习的结直肠息肉实时测量系统测量结直肠息肉尺寸的验证研究[J]. 中国全科医学, 2026, 29(14): 1873-1877. DOI: 10.12114/j.issn.1007-9572.2025.0305.
XU Qinghong,WANG Jing,HUANG Yuan, et al. A Validation Study on Measuring Colorectal Polyp Size Using a Deep Learning-based Real-time Colorectal Polyp Measurement System[J]. Chinese General Practice, 2026, 29(14): 1873-1877. DOI: 10.12114/j.issn.1007-9572.2025.0305.

图/表 3

图1 ENDOANGEL-CPS系统界面注：A、B分别为不同检查案例中，息肉尺寸测量的功能示意图；其中A图测得息肉尺寸为2.6 mm，B图测得息肉尺寸为3.4 mm；蓝色框表示系统实时提示检测到的息肉。

Figure 1 System interface of ENDOANGEL-CPS

图2 游标卡尺测量息肉尺寸示意图

Figure 2 Representative images of the polyp measurement with vernier calipers

表1 ENDOANGEL-CPS系统与医师息肉尺寸测量结果

Table 1 Polyp size measurement results of the ENDOANGEL-CPS system and all endoscopists

项目	平均绝对误差[M（P₂₅，P₇₅），mm]	平均相对误差[M（P₂₅，P₇₅），%]	CCC（95%CI）
ENDOANGEL-CPS系统	1.08（0，1.25）	17.94（0，25.00）	0.84（0.67~0.89）
所有医师（5名）	2.08（1.00，3.00）	35.19（16.67，50.00）	0.45（0.25~0.56）
高级医师（1名）	1.36（0.75，2.00）	25.66（8.33，35.00）	0.74（0.40~0.82）
中级医师（2名）	1.93（1.00，3.00）	26.79（16.07，50.00）	0.49（0.27~0.58）
初级医师（2名）	2.58（1.00，3.00）	40.00（25.00，50.00）	0.13（-0.09~0.28）

参考文献 15

[1]	RUTTER M D, JOVER R. Personalizing polypectomy techniques based on polyp characteristics[J]. Clin Gastroenterol Hepatol, 2020, 18(13): 2859-2867. DOI: 10.1016/j.cgh.2019.09.025.
[2]	FERLITSCH M, MOSS A, HASSAN C, et al. Colorectal polypectomy and endoscopic mucosal resection (EMR): European Society of Gastrointestinal Endoscopy (ESGE) Clinical Guideline[J]. Endoscopy, 2017, 49(3): 270-297. DOI: 10.1055/s-0043-102569.
[3]	RUTTER M D, EAST J, REES C J, et al. British Society of Gastroenterology/Association of Coloproctology of Great Britain and Ireland/Public Health England post-polypectomy and post-colorectal cancer resection surveillance guidelines[J]. Gut, 2020, 69(2): 201-223. DOI: 10.1136/gutjnl-2019-319858.
[4]	TANAKA S, SAITOH Y, MATSUDA T, et al. Evidence-based clinical practice guidelines for management of colorectal polyps[J]. J Gastroenterol, 2021, 56(4): 323-335. DOI: 10.1007/s00535-021-01776-1.
[5]	GUPTA S, LIEBERMAN D, ANDERSON J C, et al. Recommendations for follow-up after colonoscopy and polypectomy: a consensus update by the US multi-society task force on colorectal cancer[J]. Gastrointest Endosc, 2020, 91(3): 463-485.e5. DOI: 10.1016/j.gie.2020.01.014.
[6]	SMITH R A, ANDREWS K S, BROOKS D, et al. Cancer screening in the United States, 2019: a review of current American cancer society guidelines and current issues in cancer screening[J]. CA Cancer J Clin, 2019, 69(3): 184-210. DOI: 10.3322/caac.21557.
[7]	RALAIDOVY A H, GOPALAPPA C, ILBAWI A, et al. Cost-effective interventions for breast cancer, cervical cancer, and colorectal cancer: new results from WHO-CHOICE[J]. Cost Eff Resour Alloc, 2018, 16: 38. DOI: 10.1186/s12962-018-0157-0.
[8]	SAKATA S, MCIVOR F, KLEIN K, et al. Measurement of polyp size at colonoscopy: a proof-of-concept simulation study to address technology bias[J]. Gut, 2018, 67(2): 206-208. DOI: 10.1136/gutjnl-2016-312915.
[9]	WANG J, LI Y, CHEN B R, et al. A real-time deep learning-based system for colorectal polyp size estimation by white-light endoscopy: development and multicenter prospective validation[J]. Endoscopy, 2024, 56(4): 260-270. DOI: 10.1055/a-2189-7036.
[10]	王静, 陈茜, 吴练练, 等. 基于人工智能的自动内镜下病灶尺寸测量系统(含视频)[J]. 中华消化内镜杂志, 2022, 39(12): 965-971. DOI: 10.3760/cma.j.cn321463-20210111-00025.
[11]	ELWIR S, SHAUKAT A, SHAW M, et al. Variability in, and factors associated with, sizing of polyps by endoscopists at a large community practice[J]. Endosc Int Open, 2017, 5(8): E742-E745. DOI: 10.1055/s-0043-112246.
[12]	SAKATA S, KLEIN K, STEVENSON A R L, et al. Measurement bias of polyp size at colonoscopy[J]. Dis Colon Rectum, 2017, 60(9): 987-991. DOI: 10.1097/DCR.0000000000000859.
[13]	ITOH H, ROTH H R, LU L, et al. Towards automated colonoscopy diagnosis: binary polyp size estimation via unsupervised depth learning[M]//Medical Image Computing and Computer Assisted Intervention-MICCAI 2018. Cham: Springer International Publishing, 2018: 611-619.
[14]	KWAK M S, CHA J M, JEON J W, et al. Artificial intelligence-based measurement outperforms current methods for colorectal polyp size measurement[J]. Dig Endosc, 2022, 34(6): 1188-1195. DOI: 10.1111/den.14318.
[15]	DJINBACHIAN R, TAGHIAKBARI M, HAUMESSER C, et al. Comparing size measurement of colorectal polyps using a novel virtual scale endoscope, endoscopic ruler or forceps: a preclinical randomized trial[J]. Endosc Int Open, 2023, 11(1): E128-E135. DOI: 10.1055/a-2005-7548.

基于深度学习的结直肠息肉实时测量系统测量结直肠息肉尺寸的验证研究

A Validation Study on Measuring Colorectal Polyp Size Using a Deep Learning-based Real-time Colorectal Polyp Measurement System

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 15

相关文章 15

编辑推荐

Metrics

留言

[1]	张涵予, 顾洁, 林嬴男, 黄延焱. 基于人工智能技术构建模拟情景标准化病人在全科专业住院医师规范化培训教学中的应用研究[J]. 中国全科医学, 2026, 29(13): 1726-1731.
[2]	杨蕾, 关华. 生成式人工智能在体重管理中的应用进展[J]. 中国全科医学, 2026, 29(12): 1533-1540.
[3]	人工智能赋能卫生健康服务专家共识制订专家组. 人工智能赋能卫生健康服务——2025年红树林健康大会专家共识[J]. 中国全科医学, 2026, 29(07): 817-822.
[4]	王立娜, 雷警输, 李奎宝, 王睿颖, 李新苗, 王芳芳, 郭晓荣, 牛瑞浩, 赵伟, 周芳芳, 赵京晶, 李忠佑. 急性心肌梗死患者炎症反应研究进展[J]. 中国全科医学, 2026, 29(06): 790-801.
[5]	李希, 刘珏. 人工智能赋能基层医疗卫生服务：进展与挑战[J]. 中国全科医学, 2026, 29(04): 436-443.
[6]	杨信, 徐浩枫, 潘萱达, 李少强, 胡丙杰. 全科医学与人工智能融合背景下阻塞性睡眠呼吸暂停的诊疗现状及其挑战与展望[J]. 中国全科医学, 2026, 29(02): 247-255.
[7]	宋欣芫, 常文秀, 张文玉, 杨婷婷, 王恺. 基于慢性肾脏病数据集的卷积神经网络对慢性肾脏病进展的预测价值研究[J]. 中国全科医学, 2025, 28(35): 4457-4463.
[8]	方俊泽, 高怀婷, 邢素霞, 王瑜. 人工智能胸部疾病辅助诊断系统在基层医疗卫生机构全科医生诊断中的实效性评估[J]. 中国全科医学, 2025, 28(31): 3948-3953.
[9]	牛奔, 朱晓倩, 杨辰, 梁万年, 刘珏. 基于CiteSpace的国内外医疗大语言模型研究热点演进及趋势分析[J]. 中国全科医学, 2025, 28(25): 3200-3208.
[10]	王慧, 胡银环, 冯显东, 刘莎, 汪洋帆. 人工智能在心理干预中的应用：效果、挑战与前景[J]. 中国全科医学, 2025, 28(25): 3209-3216.
[11]	潘琦, 任菁菁, 马方晖, 胡梦杰. 全科医师对AI辅助诊疗系统的认知与需求调查[J]. 中国全科医学, 2025, 28(25): 3127-3136.
[12]	赵亚利, 路孝琴, 刘珏, 张艺帆, 朱祖懿, 陈开元, 刘民, 梁万年. 智能全科医生评估指标体系构建[J]. 中国全科医学, 2025, 28(22): 2705-2711.
[13]	熊鑫, 李洋, 石峰, 杨连, 段维, 陈蓓, 李勇, 赵林伟, 付泉水, 范小萍, 杨国庆. 基于人工智能的胸腰椎骨密度测定系统及其校准研究[J]. 中国全科医学, 2025, 28(19): 2398-2406.
[14]	罗云昭, 蒋宏传, 徐峰. 基于深度学习模型辅助穿刺病理图像预测乳腺癌新辅助治疗疗效的研究[J]. 中国全科医学, 2025, 28(19): 2407-2413.
[15]	闫温馨, 刘珏, 梁万年. DeepSeek赋能全科医学：潜在应用与展望[J]. 中国全科医学, 2025, 28(17): 2065-2069.