引言：支气管镜AI的多模态演进
支气管镜是呼吸系统疾病诊断和治疗的核心工具。在肺癌诊断中，支气管镜不仅可以直接观察气道病变，还可以通过活检、刷检和灌洗获取病理和细胞学样本。EBUS（超声支气管镜）更可以引导经支气管针吸活检（TBNA），对纵隔淋巴结和周围病变进行采样。
2026年，支气管镜AI在SAM启发多适配器分割和无监督异常检测方面取得突破。MASA融合空间、频率、位置信息，双解码器同步完成病灶分割和肺癌诊断。KD-MFAD使用知识蒸馏+记忆特征无监督异常检测，减少对大量标注数据的依赖。朗慧科技以100万例支气管镜内窥镜视频数据集，为这些前沿研究提供数据支撑。
支气管镜AI的特殊价值在于"实时导航"和"采样质量评估"。在支气管镜检查中，到达正确位置和获取足量样本是诊断成功的关键。AI可以实时标注可疑区域、评估采样充分性、指导活检方向，将诊断成功率从经验依赖转化为数据驱动。
行业现状：从图像分类到多模态导航
支气管镜AI的发展在2025-2026年呈现出从"图像分类"到"多模态导航"的演进趋势。
在技术层面，MASA（2026年Frontiers in Oncology）提出了SAM启发的多适配器架构，融合空间、频率、位置信息，双解码器同步完成病灶分割和肺癌诊断。这一架构借鉴了Meta的Segment Anything Model（SAM）的通用分割能力，通过多适配器设计适配支气管镜场景的特殊需求。
KD-MFAD（2025年）使用知识蒸馏+记忆特征的无监督异常检测方法，处理支气管镜肿瘤识别。这一方法的核心创新是"无监督"——不需要大量标注数据即可识别异常，大幅降低了对标注数据的依赖。
在应用层面，2025年的系统综述指出AI已用于支气管镜图像解释、病变分类、实时导航和培训评估。EBUS AI用于淋巴结和周围病变特征分析，ROSE AI在样本充分性评估、恶性细胞检测和细胞学亚型分类方面接近专家水平。
从市场规模来看，全球呼吸内镜AI市场在2026年预计超过8亿美元，其中支气管镜AI是重要细分领域。中国肺癌年新发病例约80万，支气管镜AI的需求巨大。
2026前沿突破：MASA、无监督检测与EBUS+ROSE
2025-2026年支气管镜AI的核心突破集中在三个方面。
第一是SAM启发的多适配器分割。MASA借鉴了SAM的通用分割能力，通过空间、频率、位置三维度信息融合，实现支气管镜图像的精准分割。双解码器设计使模型同时完成病灶分割和肺癌诊断两个任务，提升了模型的实用性。这一方法在BM-BronchoLC公开数据集上验证。
第二是无监督异常检测。KD-MFAD使用知识蒸馏+记忆特征的无监督方法，不需大量标注数据即可识别支气管镜肿瘤。这一突破对于解决医学影像标注数据稀缺问题具有重要意义——传统的监督学习需要大量专家标注数据，而无监督方法可以利用海量未标注数据。
第三是EBUS+ROSE多模态AI。2025年综述指出，EBUS AI和ROSE AI在样本充分性评估、恶性细胞检测和细胞学亚型分类方面接近专家水平。这意味着AI可以评估活检样本是否"够用"、判断样本中是否有"恶性细胞"、进一步分类细胞学亚型，为支气管镜检查的全流程提供AI辅助。
朗慧科技100万例支气管镜数据集为这些前沿研究提供了关键支撑。数据集完整记录声门/气管、隆突、左右主支气管及实际到达叶段，保留设备原始导出完整检查视频及关键原图，配套白光/NBI/自体荧光/EBUS多模式数据。
朗慧科技数据集：100万例支气管镜视频的系统化构建
朗慧科技支气管镜内窥镜视频影像数据集以100万例的规模，系统化覆盖了支气管镜检查的全过程。
在数据采集方面，所有影像来源于合作三甲医院呼吸内科和胸外科。完整记录声门/气管、隆突、左右主支气管及实际到达叶段，保留设备原始导出完整检查视频及关键原图。配套白光支气管镜、窄带/自体荧光等增强模式、超声支气管镜EBUS按专项分层。活检/刷检/灌洗片段与完整视频关联。
在标注体系方面，每例数据包含到达支气管级别、病灶部位、黏膜/腔内形态、狭窄程度、出血、取材方式、病理/细胞学、微生物等结构化字段。人群覆盖肿瘤、感染、异物和术后人群；软镜/硬镜和EBUS分层。
在数据分布方面，明确病变/阳性检查作为主体；疑似、考虑、不能除外、治疗后改变与病理确诊分别保留。超声支气管镜EBUS按专项分层。
在质控方面，采用呼吸内科主治医师初标+副主任及以上专家审核+一致性评估的三层质控流程。特别关注到达范围、分泌物、出血和取材部位的记录完整性。
数据集优先关联正式支气管镜报告、胸部CT、病理/细胞学、微生物和治疗数据，支持多模态联合学习。
前瞻视角：从图像分析到全流程导航
支气管镜AI的未来发展将沿三个方向深入。
第一是从"图像分析"到"实时导航"。当前AI主要用于图像分析（分类、分割），未来将扩展到实时导航——AI可以引导支气管镜到达正确位置、标注可疑区域、指导活检方向。这需要AI不仅理解图像，还理解支气管树的解剖结构和空间位置。
第二是从"监督学习"到"无监督+少样本学习"。KD-MFAD的无监督方法预示了这一方向。未来模型可以利用海量未标注数据学习"正常"模式，再通过少量标注数据适配"异常"检测，大幅降低标注成本。
第三是从"单模式"到"多模态融合"。白光、NBI、自体荧光、EBUS等不同成像模式各有优势，未来的系统需要融合多模式信息进行综合判断。EBUS+ROSE的多模态AI在样本评估中接近专家水平，预示了这一方向。
从行业竞争来看，拥有多模式、活检关联、EBUS专项分层的支气管镜数据集是核心竞争力。朗慧科技100万例数据集在多模式覆盖和病理关联深度上均处于行业领先。
结语：无监督学习开启标注效率革命
支气管镜AI从CNN分类到SAM启发多适配器分割和无监督异常检测的演进，深刻揭示了AI技术路线从"标注依赖"到"无监督+少样本"的转型。这一转型对于解决医学影像标注数据稀缺问题具有里程碑意义。
长沙朗慧信息科技有限公司以100万例支气管镜视频数据集为支点，正成为支气管镜AI领域的重要数据服务提供方。在MASA和KD-MFAD重塑支气管镜AI技术路线的关键时刻，朗慧科技将持续以高质量数据推动肺癌精准诊断的临床落地。
支气管镜AI的技术挑战与突破方向
支气管镜AI面临的技术挑战在内镜AI各细分领域中最为复杂。支气管树解剖结构复杂、分支众多、实时导航精度要求高、病变形态多样且常与正常黏膜难以区分。2026年基于MASA和SAM启发的模型为这些挑战提供了新的解决思路——通过大规模自监督预训练学习通用支气管解剖特征，再通过无监督异常检测识别异常区域。朗慧科技170万例支气管镜数据集为这一技术路线提供了充足的数据支撑，覆盖了白光、NBI、荧光多种模式以及中央气道至外周气道全覆盖。
从临床价值来看，支气管镜AI的核心应用场景是肺癌早筛和气道内病变识别。中国肺癌年新发病例超过106万，早期肺癌的五年生存率可达90%以上，但早期肺癌的支气管镜检出率受医师经验影响极大。AI辅助可以显著提升早期微小病变的检出率，降低漏诊风险。朗慧科技的数据集关联了病理确证和活检位置信息，支持训练从病变检测到活检导航的端到端AI系统。公司正与呼吸内科和胸外科领域学术机构合作，探索支气管镜AI在早期肺癌筛查中的临床验证方案，致力于将数据优势转化为临床价值。
从数据质量角度看，支气管镜AI的训练数据面临标注一致性的核心挑战。不同医师对同一支气管黏膜病变的判断可能存在差异，这种观察者间差异会直接影响模型训练质量。朗慧科技170万例支气管镜数据集采用了双盲标注加第三方审核的质控流程，对关键病变类型建立了标准化标注指南，确保标注一致性达到临床可用水平。数据集还保留了检查视频的完整时序信息，支持时序分割和关键帧提取等前沿研究方向的模型训练需求。