研究背景和目的:消化道黏膜下肿瘤（submucosal tumor,SMT）是指起源于消化道黏膜层以下各层（主要包括黏膜肌层、黏膜下层、固有肌层）的隆起性病变。超声内镜（endoscopic ultrasound,EUS）是目前评估消化道SMT最准确的影像学检查方法,对于消化道各种类型SMT的鉴别诊断、以及对肿瘤的定位和治疗方法的选择都有重要的作用。EUS的诊断能力高于计算机断层扫描、经腹超声和磁共振成像。人工智能（artificial intelligence,AI）是一种数学预测技术,可自动学习并识别数据中的模式、特点。在人工智能算法中经常使用,并已应用于医疗诊断。近年来,基于深度学习的AI诊断系统在医学方面取得了开创性的发展,尤其是在放射影像、病理和内窥镜等方面取得了丰富的成果。为了拓展人工智能在黏膜下肿瘤的超声内镜检查中的应用范围,实现SMT的AI多分类诊断,我们选取了 7种最常见的SMT类型,进行人工智能诊断系统的开发和验证,以期在临床实践中协助内镜医师进行诊断。方法:搜集2017.01.01-2019.12.31期间在山东大学齐鲁医院和山东省内其他7家医院接受超声内镜检查的SMT患者的病变处的超声图像。然后对SMT的超声图像进行筛选和标注。将标注好的图像根据病理类型分为7个不同的亚组:平滑肌瘤组、胃肠间质瘤组、异位胰腺组、脂肪瘤组、神经内分泌肿瘤组、囊肿、原发癌或转移癌组,将搜集到的非SMT的EUS图像设为正常组。将每组的图像随机地等比例分至两部分数据集中（训练集:测试集≈9:1）,并进行SMT人工智能诊断模型的训练及图像识别测试。前瞻性搜集2020.04.01-2020.12.31期间行EUS检查的SMT患者的超声视频,进行人工智能诊断模型的视频识别测试。然后邀请不同水平的EUS医师进行视频诊断,以进行人机对比。结果:本次研究共纳入各SMT分型和正常对照图像共计14546张。其中胃肠间质瘤2596张;平滑肌瘤3891张;脂肪瘤1313张;异位胰腺1471张;神经内分泌肿瘤765张;囊肿934张;原位癌或转移癌536张;正常对照3040张。共标注box框11581个。图像识别:SMT人工智能诊断模型识别各种SMT的灵敏度、特异度、阳性预测值、阴性预测值分别为:胃肠间质瘤86.4%、99.3%、97.4%、96.2%;平滑肌瘤81.7%、97.3%、93.8%、91.5%;脂肪瘤 78.4%、99.5%、95.1%、97.5%;异位胰腺 83.6%、99.1%、93.1%、97.7%;神经内分泌肿瘤 81.9%、99.5%、90.8%、98.8%;囊肿 78.8%、99.1%、87.0%、98.4%;原位癌或转移癌 85.2%、99.6%、92.0%、99.3%。各SMT类型box总体的诊断准确度为82.7%。本研究共纳入来自62位患者的129段视频,其中胃肠间质瘤42个,平滑肌瘤60个,脂肪瘤7个,异位胰腺9个,神经内分泌肿瘤8个,原位癌或转移癌3个。视频识别:SMT人工智能诊断模型识别各种SMT的灵敏度、特异度、阳性预测值、阴性预测值分别为:胃肠间质瘤61.9%、88.5%、72.2%、82.8%;平滑肌瘤 71.7%、78.3%、74.1%、76.1%;脂肪瘤 57.1%、98.4%、66.7%、97.6%;异位胰腺 55.6%、94.2%、41.7%、96.6%;神经内分泌肿瘤37.5%、96.7%、42.9%、95.9%。使用同样的SMT视频,分别测试2位EUS操作经验超过5年的超声内镜专家和2位EUS操作经验超过3年的普通超声内镜医师。结果如下:超声内镜专家1总体准确度76.0%,超声内镜专家2总体准确度65.9%,普通超声内镜医师1总体准确度67.4%,普通超声内镜医师2总体准确度49.6%。结论:1.SMT人工智能诊断模型对胃肠间质、平滑肌瘤、脂肪瘤、异位胰腺、神经内分泌肿瘤、囊肿、原位癌或转移癌的图像均有良好的诊断效果。2.在视频诊断方面,模型对胃肠间质、平滑肌瘤也有良好的诊断效果;而对于其他5类SMT因视频数量较少无法得出可靠结论,还需要搜集更多的病变视频做进一步研究。3.SMT人工智能诊断模型识别常见SMT的效果与EUS操作经验超过3年的普通超声内镜医师相当,略差于EUS操作经验超过5年的超声内镜专家。