胃镜是发现早期食管癌和胃癌的主要通道,早发现和晚发现,结局天差地别。但"做了胃镜"和"做了一次合格的胃镜"是两回事:医生看了多久、该拍的照片拍全了没有、胃里冲洗得够不够干净、活检到了病理科有没有被漏读——这些过程细节,过去几乎没人打分,患者更无从知道。2026 年秋天,一批新研究让 AI 开始翻这本账,翻出来的东西比"AI 诊断准确率又创新高"的新闻有意思得多。
## 第一本账:医生到底看了多久
2026 年 10 月发表在《Endoscopy International Open》上的一项研究,用视频 AI 系统复盘了以色列多家医疗中心两年里的 78336 例胃镜,涉及 213 名医生。结果让人不太舒服:单次操作的中位时长只有 3.3 分钟——一半的胃镜在 3.3 分钟内就做完了。而欧洲胃肠内镜学会的质量标准建议胃镜至少看 7 分钟,达标的操作只有 6.1%。医生之间的差距更悬殊:在操作数不少于 50 例的 203 名医生里,最快的人均 1.35 分钟一例,最慢的 7.56 分钟,相差 5.6 倍。
有两个细节让这本账变得可信。第一,裁判自己先被审过:两位不知情的专家手工比对了 500 例操作,AI 计时的 98.5% 与人工判断相差不超过 2 秒。第二,AI 不只是记录,还会当场提醒"这个解剖部位还没拍"——有了提醒之后,一张标准照片都没留的操作从 27.5% 降到 15.8%,七个解剖部位的留照率全部改善。
研究里还有一个更微妙的发现:操作耗时最慢五分位的医生,"没发现问题"的结论比例反而更低(19.8%,最快五分位是 31.7%)。这到底是快医生效率高,还是快医生漏得多?研究本身分不清——但它至少把"速度与质量"这个过去只能靠感觉争论的问题,变成了可以持续监测的账本。
同期的另两项工作把质检做得更细。《Diseases of the Esophagus》11 月刊报告了一个给"胃洗干净了没有"打分的 AI:五家中心的 520 段胃镜视频,按已验证的 PEACE 清洁度量表标注,模型在"合格还是不合格"这个最关键的分界上 F1 达到 0.895,而且所有数字都只在从未参与训练的测试集上算出。北京友谊医院牵头的团队则把质控搬进了胶囊胃镜:用几乎不需要人工逐张标注的自监督学习,在 12032 张真实图像的前瞻验证里做到 AUROC 超过 0.93,接近全程人工标注的监督模型。
这三项研究指向同一个判断:AI 目前在胃镜室里最扎实的位置不是诊断,而是质检。道理不复杂——过程质量有明确的标准(分钟数、拍照部位、清洁度评分),AI 的输出可以当场对着标准审计,不需要等十年后的患者结局来证明。
## 第二本账:漏诊的安全网
AI 站稳的第二个位置,是"安全网"。2026 年 10 月底《Diagnostics》发表的一项前瞻评估里,英国威尔士三个医疗局的病理科把 848 例连续送检的胃活检标本交给一个商用 AI 平台过目。在 40 例恶性标本上,AI 的敏感度是 100%,特异度 97.2%;更实际的价值在于,它捞回了 8 个在常规人工流程中被漏掉的原发病灶,包括一例隐匿的腺癌。在工作流程的模拟演练中,AI 能把全部癌症标本排进优先队列——包括 6 例原本埋在常规积压里的——代价是 4.6% 的标本报了假警。
两点折扣必须打在前面:100% 的敏感度对应的样本只有 40 例;"自动排序"环节是事后的模拟推演,不是已经上线的流程;作者中多人是平台供应商的员工。但即便打完折扣,这个形态仍然是 AI 医疗里最不容易出事的用法——机器把每一张片子先过一遍网,人还是最终签字的那个人,AI 不拿走任何判断,只负责让人少漏。
同样的逻辑也出现在诊室端。《Korean Journal of Internal Medicine》9 月刊的一项读片研究里,14 名经验不一的内镜医生对着胃镜图像判断幽门螺杆菌感染状态:有 AI 结果作参考时,分类正确率从 72.4% 升到 83.2%。AI 没有替代谁,只是把每个人的判断往上托了一截。
## 第三本账:一旦开始改变决定,账就完全变了
前两个位置之所以安全,是因为 AI 的输出仍由人把关。而当 AI 开始实际改变"下一步怎么办",证据要求立刻上了一个量级——偏偏这本账现在最空。
2026 年 10 月《Journal of Gastroenterology and Hepatology》发表的一项日本多中心研究,比较了 AI 上线前后共 5013 例筛查胃镜:AI 加入后,复核时被修改的判断从 1.2% 升到 3.7%,修改主要发生在非专家医生身上;与癌症相关的修改从 0.2% 升到 0.6%;与此同时,被转诊做进一步检查的人从 4.9% 降到 2.8%。
转诊少了四成,是好事吗?可能是初判更准了,不必要复查的人少了;也可能是该转的病灶被 AI 的"阴性"安抚住了。这项研究回答不了——作者明说,没有外部参考标准能验证这些修改和转诊决定的对错,研究"描述的是工作流变化,不能确立其临床有效性"。换句话说:AI 已经在真实世界里改变了数千次筛查的走向,而这个改变是好是坏,目前没有人知道。
治疗决定端是同样的空白。冈山大学团队在《Endoscopy International Open》报告了一个用胃镜图像判断早期胃癌浸润深度的 AI——浸润深度直接决定病人该做创伤小的内镜切除,还是该做外科手术。204 例测试中,它识别黏膜内癌的敏感度是 91.2%,置信区间下限超过了研究预设的 75% "有用"门槛;但特异度只有 66.2%,意味着约三分之一已经长进黏膜下层的癌,会被它判成"还浅"——恰恰是把病人推向较小手术的那个错误方向。研究结论写着"有望临床应用",但在前瞻验证补上之前,这个 66.2% 应该被写进每一句宣传里。
## 一次崩塌,和一个小样本
越界会发生什么?2026 年 11 月《Diseases of the Esophagus》上的一项荷兰多中心验证给了教科书级的答案。研究者想让"电子鼻"从呼气气味里筛出巴雷特食管——一种食管癌前病变:1079 名受检者,训练组里表现最好的模型 AUROC 达到 0.892,看上去离能用只差一步;换到 477 人的独立验证组,同一个模型直接掉到 0.530,和抛硬币没有区别。作者的结论很坦白:这个形态的呼气检测对筛查没有额外诊断价值;不过受试者对吹气检测的接受度很高(0 到 10 分打了 8 分),这条技术路线本身还值得做下去。
从 0.892 到 0.530,中间只隔了一次"换一批人"。这是医疗 AI 最值得记住的一课:在自己数据上的跑分不算数,独立数据上的数字才算数。同样的警惕也适用于另一项明星研究——美国西北大学的 EsoEinstein 系统把胃镜视频和食管功能检测结合起来诊断贲门失弛缓症,多模态 AUC 高达 0.969,但它的测试集只有 68 人,统计检验甚至显示三种模型之间没有显著差异。数字越漂亮,越要先看分母。
## 指南怎么定位
2026 年 11 月,世界胃肠组织(WGO)的 AI 内镜指南综述系列刊出了聚焦上消化道与胆胰内镜的一册,标题起得很诚实:"AI on the Horizon"——AI 还在地平线上。它对上消化道内镜 AI 的总评,和上面这几本账完全对得上:新系统确实能增强病变识别、减少观察者之间的差异、辅助实时评估,但这些技术"是有前景的辅助手段",要走向广泛应用,"仍需要前瞻性多中心验证和实时临床整合"。
## 我的判断
把这批研究放在一起看,我的结论是:AI 已经走进胃镜室,但它坐稳的位置是质检员和安全网,还不是诊断医师。这不是保守,而是证据的真实分布——过程质量可以当场审计,所以质检最扎实;漏诊有人兜底,所以安全网最安全;唯独"改变决定"这一步需要患者结局来对账,而在这批研究里,结局证据是零。转诊率降了四成这件事,可能几年后被视为效率革命,也可能被证明埋下了漏诊——现在的诚实回答只能是"不知道"。
对普通人,有三件事带得走。第一,胃镜质量的差异比想象中大得多,做检查时值得问一句:看了多久、拍了哪些部位。第二,听说"有 AI 参与"不必紧张,现阶段它更可能是替你多兜了一层漏诊的网,而不是替代了医生。第三,再看到"AI 敏感度 100%"的新闻,先问两个问题:样本有多少例,有没有在独立的人群里验证过——从 0.892 到 0.530 的距离,只有一次换数据的距离。
来源:WGO AI Guidelines, Journal of Clinical Gastroenterology 2026. https://doi.org/10.1097/MCG.0000000000002462