小肠位于人体胃部和结直肠之间，是人体消化道中最长的一部分，约5-7米，也是最难检查完整的部位。在过去几十年里，小肠一直是内镜与放射学检查的难点，被视为消化道的“黑匣子”。胶囊内窥镜的问世突破了以往小肠检查的盲区，与插入式内镜相比，具有操作简便、无需麻醉、无交叉感染、舒适安全等优点，目前临床应用较为广泛。

然而，由于每例小肠胶囊内镜检查产生的图像视频时长可达8-10个小时（平均20000-30000张采集图片/例），消化内科医生需要花费1-2小时来分析每例患者的海量数据，导致小肠疾病诊断的时间成本过高，同时高强度的人工阅片造成医生过度疲劳，可能增加漏诊率。因此，积极寻求有效辅助医生诊断小肠胶囊内镜图像的工具具有重大的临床与社会价值。

近日，华中科技大学同济医学院附属协和医院侯晓华教授、蔺蓉教授团队的研究成果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》），以封面文章刊发于10月出版的美国胃肠病学会（AGA）官方刊物Gastroenterology（译名：《胃肠病学》，影响因子19.233，国际消化领域期刊排名第一）。

2019年10月出版的《胃肠病学》杂志封面标语：“小肠疾病诊断新纪元”

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与施慧英医师为文章第一作者。同时，安翰科技的三位技术专家作为共同作者，为该研究提供基于深度卷积神经网络（CNN)的小肠病灶识别模型以及ESView远程阅片平台的技术支持。

研究收集了2016年7月至2018年7月期间，77个医学体检中心6970名患者的113,426,569张小肠胶囊内镜检查图像，利用自主开发的ESView远程阅片平台实现远程监测、读取、数据存储和共享，分别通过常规方法阅片与基于深度卷积神经网络模型辅助阅片来协助消化内科医生进行小肠胶囊内镜图片的阅读与分析评估。（科技日报 记者马爱平）