AI辅助数字胆道镜诊断不确定性与恶性胆道狭窄：5项研究、675处病变汇总敏感度95%、特异度88%
核心概要
该系统综述与荟萃分析纳入5项研究（675处病变、共2,685,674张胆道镜图像），按PRISMA、MOOSE及Cochrane诊断准确性方法学、采用双变量模型汇总，发现AI（多为卷积神经网络深度学习系统，图像处理速度约每秒30至60帧）辅助胆道镜诊断不确定性与恶性胆道狭窄的汇总敏感度为95%（95% CI: 85-98）、特异度为88%（95% CI: 76-94）、诊断准确性（SROC）为97%（95% CI: 95-98），CNN亚组分析（4项研究、538例患者）结果一致，作者认为该方式是有前景的诊断手段。
深度剖析
AI辅助胆道镜对不确定性与恶性胆道狭窄具有较高的汇总诊断性能：敏感度95%、特异度88%、SROC准确性97%。 此前ERCP与胆道镜取样对不确定性胆道狭窄的诊断表现被认为不理想，本文首次以系统综述与荟萃分析的形式把分散的AI胆道镜研究汇总为统一的诊断准确性估计。 基于5项研究、675处病变、2,685,674张图像的汇总分析，采用双变量模型并按Cochrane诊断试验准确性工作组方法学计算，报告了95%置信区间。
汇总结果在仅限CNN深度学习研究的敏感性分析中保持稳定：4项研究、538例患者的汇总敏感度95%、特异度88%、SROC准确性97%。 把结论从混合技术集合收窄到以卷积神经网络为主的深度学习系统，说明汇总性能并非由非CNN方法驱动。 敏感性分析限定于CNN研究子集，样本量较主分析小，但点估计与主分析一致，置信区间更宽。
所纳入的AI系统具备接近实时的图像处理能力，平均速度约每秒30至60帧。 把诊断准确性与可用的处理速度一并呈现，提示该技术在内镜实时工作流中具备部署条件。 来自纳入研究中除一项以外均为CNN深度学习系统的描述性汇总，未报告速度与准确性之间的定量关联。
启示与展望
本文面向临床医生与内镜研究者，适用于以数字胆道镜图像判断不确定性与恶性胆道狭窄的诊断场景，其汇总估计可直接用于评估AI辅助判读在该场景中的潜在价值，并为后续前瞻性验证与临床路径设计提供参照基准。对希望了解AI在内镜影像中落地程度、或需要为胆道狭窄诊断决策寻找量化依据的读者，本文提供了目前可引用的汇总敏感度、特异度与SROC准确性数值。
汇总估计来自5项研究、675处病变，样本基础有限，置信区间在敏感度与特异度上仍有一定宽度；纳入研究以CNN深度学习系统为主，图像处理速度约每秒30至60帧，但速度与诊断准确性之间的关系未在本文中量化。各研究在患者选择、参考标准与判读流程上的差异如何影响汇总结果，以及这些高准确度能否在真实临床工作流中保持，仍是需要后续研究回答的开放问题。