目的 构建及验证一个用于早期胃癌识别的卷积神经网络模型,旨在提高早期胃癌的检出率.方法 从陆军军医大学西南医院内镜中心数据库收集2016年1月至2020年8月的电子胃镜图片和胃镜检查视频.选取928例患者共5496张包含早期胃癌、良性病变和正常的图片.随机分为训练集(662例患者共4167张包含早期胃癌、良性病变和正常的图片),验证集(259例患者共1329张包含早期胃癌、良性病变和正常的图片)用于模型和4名内镜医师进行识别,最后统计相关结果.再从模型识别出的胃早癌图片中随机选取458张用作模型定位准确度的分析,分析模型框出病灶面积与内镜专家标注面积的重合度.将34例胃部内镜检查视频用于模型进行实时识别,模型识别出的视频病灶图片经内镜专家审核后,得出模型识别早期胃癌的灵敏性指标.结果 模型用于早期胃癌的识别灵敏度和阳性预测值(PPV)分别是90.33％,95.41％,识别慢性浅表性胃炎、胃息肉和胃溃疡等良性病变的灵敏度和PPV均超过80％,单张识别时间为(0.04±0.005)s.在对早癌的检出率和诊断时间方面,模型均优于内镜医师组;经卡方检验,在早癌病灶的识别上优于内镜医师组.在模型准确定位方面,模型识别重合度达到60％以上的图片张数有380张,占总数82.97％;就形态而言,模型对隆起型病灶定位最准确,不同规格重合度(重合度≧60％、重合度≧70％)的图片数都多于平坦和凹陷型病灶.在视频验证实验中,模型从19处胃早癌病灶中,正确识别出17处,灵敏度为89.5％,对早癌病灶的检出率与活检病理证实的早癌检出率吻合度较强,具有良好的一致性.结论 本文搭建的卷积神经网络模型在识别早期胃癌和三种良性病变(慢性浅表性胃炎、胃息肉和胃溃疡)具有较高的灵敏度和阳性预测值,能精确定位早癌病灶位置和边界,同时还能对早期胃癌及良性病变进行动态识别,能在实际临床检查中辅助内镜医师提高早期胃癌检出率,提升诊断水平.