食管癌是一种常见的消化系统癌症,伴随着高发病率和高死亡率。在中国,主要是以原发性食管鳞癌为主。目前,消化内镜检查仍是我国食管鳞癌早期筛查的常规手段。由于内镜下的病灶在形状、颜色和质地上的个体差异和视觉相似性,食管鳞癌的诊断准确率和效率都极大地依赖于临床医生的熟练程度和主观判断,早期病变在白光内镜下时常被漏诊。因此,本文旨在开发并验证一个基于卷积神经网络的人工智能（artificialintelligence,AI）系统,用于早期食管鳞癌的图像分类和病变定位,以辅助内镜医师在白光内镜下筛查早期食管鳞癌。本研究从11家医院共收集了 2,651例患者的10,421张白光内镜图像。2家主要医院的数据作为训练和内部验证集,另外9家医院的数据作为外部验证集。本文的主要工作如下:（1）早期食管鳞癌图像分类。针对食管内镜图像的特点,本文提出了一种融合全局注意力和双线性池化的网络结构,对食管病变图像进行分类。该网络以ResNet50作为基本框架,加入全新设计的全局通道注意力模块,重新标定通道特征响应,并引入双线性池化实现特征的层间交互和跨层融合,增强特征表达。在内部验证集上,模型的AUC值高达0.993,图像级别的准确率为91.75%,敏感度达96.64%,患者级别的准确率和敏感度分别为88.38%和90.17%。该模型优于其他先进的方法。同时,外部验证集结果表明,模型具有良好的泛化性。（2）AI辅助诊断系统与内镜医师结果对比。为了验证AI系统的有效性,本文将模型的图像分类结果和8位不同级别的内镜医师进行了比较,包括整体结果和不同病灶情况下的详细结果。同时,本文对比了内镜医师参考模型结果前后的诊断性能。模型实现了媲美高级别内镜医师的敏感度（99.23%vs 96.41%,P=0.099）,且显著优于中低级别组（99.23%vs 89.62%/90.00%,P=0.001）。另外,AI系统显著提高了内镜医师的诊断能力,尤其是诊断准确率（75.12%vs 84.95%,P=0.008）、特异度（63.29%vs 76.59%,P=0.017）和阳性预测值（64.95%vs 75.23%,P=0.006）。（3）早期食管鳞癌病变定位。针对鳞癌图像中的病变定位,本文采用了基于图像块分类的策略,来生成早期食管鳞癌图像的癌变概率热图。从训练集的鳞癌图像中随机选取图像块来训练模型,其类别由内镜医师的病变标注情况确定。测试阶段,将完整图像等距采样为带重叠的图像块送入模型。根据模型输出的癌症概率值编码鳞癌图像的癌变概率热图,并以0.5为阈值获取可疑病灶区域。在内部和外部验证集中,Dice系数分别为0.74和0.72,召回率分别为86.79%和84.23%。结果表明,该定位策略可以有效地定位可疑的病变区域。综上所述,本文提出的AI系统对白光内镜图像中早期食管鳞癌图像分类表现出优异的性能,可媲美专家级内镜医师。同时,它可以有效地定位可疑的病变,为内镜医师提供指示。在人工智能系统辅助诊断下,内镜医师的诊断能力显著提升。该人工智能系统可为内镜医师提供客观、准确的诊断结果,减少对内镜医师经验和主观判断的依赖。未来有望在白光内镜检查的临床实践中帮助经验不足的内镜医师诊断早期食管鳞癌,以实现高效、准确的早期食管鳞癌筛查。