摘要目的研制基于深度卷积神经网络的放大蓝激光成像(ME-BLI)和放大窄带成像(ME-NBI)模式下早期胃癌识别系统，比较2种模式下模型的性能差异，并探讨模型训练方式对准确度的影响。方法回顾性收集ME-BLI和ME-NBI下的胃良性病灶和早期胃癌的内镜图像，共收集5个数据集和3个测试集：数据集1包括2 024张非癌和452张早期胃癌ME-BLI图片，数据集2包括2 024张非癌和452张早期胃癌ME-NBI图片，数据集3是数据集1和2的合集(共4 048张非癌、904张早期胃癌ME-BLI和ME-NBI图片)，数据集4在数据集2的基础上增加62张非癌和2 305张早期胃癌ME-NBI图片(共2 086张非癌和2 757张早期胃癌ME-NBI图片)，数据集5在数据集3的基础上增加62张非癌和2 305张早期胃癌ME-NBI图片(共4 110张非癌、3 209张早期胃癌ME-BLI和ME-NBI图片)；测试集A包括422张非癌和197张早期胃癌ME-BLI图片，测试集B包括422张非癌和197张早期胃癌ME-NBI图片，测试集C是测试集A和测试集B的合集(共844张非癌、394张早期胃癌ME-BLI和ME-NBI图片)。根据5个数据集分别构建5个模型，分别评估其在3个测试集中的表现。通过以病灶为单位的视频测试，比较ME-NBI和ME-BLI模式下早期胃癌识别模型在临床环境下的性能差异，并与4名资深内镜医师进行比较。主要终点指标为早期胃癌的诊断准确度、灵敏度和特异度。采用卡方检验进行统计学分析。结果模型1在测试集A的表现最佳，准确度、灵敏度、特异度分别为76.90%(476/619)、63.96%(126/197)、82.94%(350/422)；模型2在测试集B的表现最佳，准确度、灵敏度和特异度分别为86.75%(537/619)、92.89%(183/197)、83.89%(354/422)；模型3在测试集B中的表现最佳，准确度、灵敏度和特异度分别为86.91%(538/619)、84.26%(166/197)、88.15%(372/422)；模型4在测试集B的表现最佳，准确度、灵敏度和特异度分别为85.46%(529/619)、95.43%(188/197)、80.81%(341/422)；模型5在测试集B的表现最佳，准确度、灵敏度和特异度分别为83.52%(517/619)、96.95%(191/197)、77.25%(326/422)。根据图片识别早期胃癌，模型2~5的准确度均高于模型1，差异均有统计学意义(χ2＝147.90、149.67、134.20、115.30，P均<0.01)；模型2和3的灵敏度和特异度均高于模型1，模型2的特异度低于模型3，差异均有统计学意义(χ2＝131.65、64.15、207.60、262.03、96.73，P均<0.01)；模型4和5的灵敏度均高于模型1~3，模型4和5的特异度均低于模型1~3，差异均有统计学意义(χ2＝151.16、165.49、71.35、112.47、132.62、153.14，176.93、74.62、14.09、15.47、6.02、5.80，P均<0.05)。以病灶为单位的视频测试结果显示，医师1~4的平均准确度为68.16%；模型1~5的准确度分别为69.47%(66/95)、69.47%(66/95)、70.53%(67/95)、76.84%(73/95)和80.00%(76/95)。模型1~5之间、模型1~5与医师1~4之间的准确度比较差异均无统计学意义(P均>0.05)。结论基于深度学习的ME-BLI早期胃癌识别模型具有较好的准确度，但诊断效果略差于ME-NBI模型；ME-NBI联合ME-BLI早期胃癌识别模型的诊断效果优于单独模式下的模型；增加ME-NBI图片数量，尤其是早期胃癌图片，可以提高ME-NBI模型的灵敏度，但特异度有所下降。
