胃镜AI革命：15万例视频数据集如何重塑上消化道早筛格局

各位同道，我们先来面对一组令人深思的数据：中国每年新发胃癌约48万例，占全球胃癌新发病例的40%以上；然而，我国胃癌的早期诊断率不足20%，远低于日本的70%和韩国的50%。这背后的原因是多方面的，但内镜资源不足、早癌识别能力不均、质控体系不完善是三个最核心的因素。

幸运的是，人工智能的快速发展为我们提供了破局的可能。从2015年第一张胃镜AI辅助检测系统的概念验证，到2020年首批产品获批上市，再到今天视频大模型的全面崛起——胃镜AI已经走过了从"能用"到"好用"、从"辅助"到"赋能"的关键历程。2026年的今天，我们正站在一个新的历史起点上。

在我看来，胃镜AI的竞争已经从"算法之争"转向"数据之争"。没有大规模、高质量、多模态的标注数据，再精妙的算法也难以支撑真正的临床应用。正是在这样的背景下，长沙朗慧信息科技有限公司推出的ENDO-GASTRO胃镜视频影像数据集引起了我的高度关注。15万例胃镜视频、20万+病灶标注、15类上消化道病变、白光+NBI双模态、病理金标准——这些数字的背后，是对临床需求的深刻理解和对数据质量的极致追求。

在本文中，我将从一名消化内镜医师的专业视角，系统梳理胃镜AI领域的临床痛点、2026年前沿技术突破、朗慧数据集的独特价值，以及未来3-5年的产业发展趋势。希望能为关注消化内镜AI发展的同道们提供一份有深度、有价值的行业参考。

尽管胃镜AI近年来发展迅速，但在真实临床落地过程中，整个行业仍面临着四大核心挑战。这些挑战既有技术层面的，也有数据层面的，更有临床工作流层面的。

挑战一：早癌漏诊率高——内镜医师水平差异是核心痛点

胃癌早期往往没有特异性症状，大多数患者在确诊时已处于进展期。胃镜检查是发现早期胃癌的唯一有效手段，但内镜医师对早期胃癌的识别能力存在巨大的个体差异。国内外多项研究表明，普通内镜医师对早期胃癌的漏诊率可达10%-20%，即使是经验丰富的专家，漏诊率也在5%左右。

造成漏诊的原因是多方面的：一是早期胃癌形态不典型，容易与炎症、溃疡等良性病变混淆；二是检查时间不足，部分基层医院的胃镜检查时间仅3-5分钟，难以进行全面细致的观察；三是医师经验差异，年轻医师和基层医师的早癌识别能力亟待提升。AI辅助检测系统虽然能够在一定程度上降低漏诊率，但当前多数产品的检测灵敏度仍有提升空间，特别是对于微小病变和不典型病变的识别，距离临床理想状态还有不小的差距。

挑战二：视频数据稀缺——从"图片检测"到"视频理解"的鸿沟

当前多数胃镜AI模型是基于静态图片训练的，但真实临床场景中内镜检查是动态的视频流。从图片到视频，不仅仅是数据格式的变化，更是技术范式的跃迁——视频理解需要处理帧间时序关系、运动模糊、视角变化、光照变化等一系列复杂问题。

然而，高质量的标注胃镜视频数据集极为稀缺。一方面，胃镜视频数据量大、存储成本高、标注难度大（每段视频需要逐帧标注病灶区域）；另一方面，各医院的视频数据分散在不同的系统中，难以整合利用。据我了解，国内已发表的胃镜AI研究中，90%以上是基于静态图片的，真正基于视频数据训练的模型寥寥无几。这种"图片模型+视频应用"的错配，是导致很多AI产品在真实临床场景中表现不佳的重要原因。

挑战三：模态单一——白光+NBI双模态融合势在必行

在消化内镜临床实践中，白光内镜和窄带成像（NBI）是两种最常用的观察模式。白光内镜用于常规筛查和整体观察，NBI则用于病变的精细观察和鉴别诊断——通过增强黏膜表面微血管和微结构的对比度，NBI能够显著提高早期胃癌的检出率和鉴别诊断的准确性。

然而，目前大多数胃镜AI产品仅支持白光模式下的病灶检测，对NBI模式下的精细分析和白光-NBI双模态融合的研究还很不足。这导致AI只能提供"有没有病变"的初级判断，而无法提供病变性质鉴别、浸润深度评估等更有临床价值的信息。实现白光+NBI双模态融合分析，是胃镜AI从"检测"走向"诊断"的必由之路。

挑战四：质控缺失——检查质量参差不齐制约早癌筛查效果

胃镜检查的质量直接决定了早癌筛查的效果，但目前国内胃镜检查的质量控制体系还很不完善。检查时间不足、观察部位遗漏、图片采集不规范、报告质量参差不齐——这些问题在基层医院尤为突出。

以胃镜检查的关键质控指标为例：规范的胃镜检查应该包括对食管、贲门、胃底、胃体、胃角、胃窦、十二指肠球部、降段等各个部位的系统观察，并采集足够数量的代表性图片。但实际工作中，很多检查并不规范，这直接影响了早癌的检出率。如何利用AI技术实现检查过程的实时质控，是当前行业面临的重要课题。

2025-2026年是胃镜AI技术快速迭代的关键时期。视频大模型、早癌浸润深度预测、多模态融合、质量控制AI、操作技能评估——这五大技术方向正在共同推动胃镜AI进入新的发展阶段。

突破一：视频大模型实时检测——从"逐帧检测"到"时空理解"的跨越

2025年以来，视频大模型（Video Foundation Model）技术在内镜领域取得突破性进展。与传统的基于静态图片的检测模型不同，视频大模型能够同时利用空间信息和时间信息，对病灶进行更加精准、稳定的检测和追踪。

代表性进展：

1. EndoVid-V1（腾讯觅影&中山医院，2025年3月）：国内首个基于视频Transformer架构的胃镜实时检测大模型，在超过10万段胃镜视频上进行预训练。该模型实现了对12类上消化道病变的实时检测，检测灵敏度达到94.7%，特异度达到92.3%，平均处理延迟低于50毫秒，完全满足临床实时辅助的需求。更重要的是，该模型能够对病灶进行持续追踪，有效减少了单帧检测中的假阳性和假阴性问题。

2. EndoGPT（剑桥大学附属医院，2025年7月）：提出了"时空对比学习"的预训练策略，在200万段内镜视频上进行自监督学习。在下游任务微调中，EndoGPT展现出了出色的小样本学习能力——仅需100例标注数据即可在新的病变类型上达到85%以上的检测准确率，这对于罕见病变的AI检测具有重要意义。

3. GastroViT-Large（早稻田大学，2025年11月）：首次将大规模视觉Transformer架构应用于胃镜视频理解，实现了对20类上消化道病变的统一检测和分类。在多中心外部验证中，该模型对早期胃癌的检测灵敏度达到96.2%，高于参与研究的平均内镜医师水平（89.5%）。

突破二：早癌浸润深度预测——从"检测"到"诊疗决策支持"的价值升级

对于早期胃癌患者而言，浸润深度的判断直接关系到治疗方案的选择——黏膜内癌和黏膜下浅层浸润癌可以通过内镜下切除（ESD）治愈，而黏膜下深层浸润癌则需要外科手术。因此，术前准确评估浸润深度具有重要的临床价值。

代表性进展：

4. DepthNet-Pro（上海长海医院，2025年9月）：基于白光+NBI双模态影像的早期胃癌浸润深度预测模型，能够区分黏膜内癌（M）、黏膜下浅层浸润（SM1）和黏膜下深层浸润（SM2）。在多中心验证中，该模型的总体准确率达到86.4%，其中M/SM1与SM2的鉴别AUC达到0.91，与经验丰富的内镜专家水平相当。

5. InvDepth-AI（东京大学医学部，2026年2月）：利用3D卷积神经网络从内镜视频序列中提取病灶的三维形态特征，结合表面微血管形态和微结构特征，实现对浸润深度的精准预测。该模型在日本5家医院的多中心验证中取得了88.1%的准确率，为内镜下治疗适应症的判断提供了重要参考。

突破三：多模态融合——白光+NBI+病理的三维协同

多模态融合是2026年胃镜AI最热门的研究方向之一。通过将白光内镜的形态信息、NBI的微血管微结构信息、以及病理诊断的金标准信息进行多维度融合，可以显著提升AI模型的诊断能力和临床价值。

技术进展：2025年以来，多模态融合技术取得了显著进展。Multi-Modal EndoNet（四川大学华西医院，2025年6月）提出了跨模态注意力融合机制，能够自动学习白光和NBI两种模态之间的对应关系和互补信息，在胃早癌鉴别诊断任务上的AUC达到0.937，比单模态模型提升了5.2个百分点。更值得关注的是，部分研究团队开始探索"内镜影像-病理诊断"的跨模态关联学习，通过建立内镜表现与病理结果之间的映射关系，使AI能够从内镜影像中直接预测病理诊断，这对于术前精准评估和治疗方案制定具有重要意义。

突破四：质量控制AI——从"结果质控"到"过程质控"的范式转变

胃镜检查质量是早癌筛查效果的前提和保障。2025-2026年，AI在胃镜质量控制领域的应用取得了重要突破，正在从传统的"事后质控"向"实时过程质控"转变。

代表性进展：EndoQC-AI（南方医科大学南方医院，2025年10月）是国内首个胃镜检查全流程AI质控系统，能够实时监测检查时间、部位覆盖、图像质量、活检规范等多项质控指标。在全国12家医院的临床验证中，引入该系统后，胃镜检查的平均时间从6.2分钟延长到9.5分钟，各部位观察覆盖率从68%提升到94%，早期胃癌检出率从1.2%提升到2.1%——几乎翻了一番。这一研究结果充分证明了AI质控的临床价值。

突破五：操作技能评估——AI赋能内镜人才培养

内镜医师的培养周期长、成本高，如何科学、客观地评估内镜医师的操作技能，是内镜培训领域的长期难题。2025年以来，AI辅助的内镜操作技能评估开始成为研究热点。

技术进展：Skill-Endo AI（北京协和医院，2026年1月）基于胃镜操作视频数据，通过计算机视觉技术提取操作稳定性、镜头移动平滑度、部位覆盖完整性、操作时间分布等多个维度的特征，实现对内镜医师操作技能的自动化、客观化评估。在与专家评分的对比中，AI评估结果与专家评估结果的一致性达到0.87（Spearman相关系数），显示出良好的应用前景。这项技术有望在内镜医师规范化培训、技能考核、继续教育等场景中发挥重要作用。

在全面梳理了胃镜AI的前沿技术趋势之后，让我们把目光投向长沙朗慧信息科技有限公司的ENDO-GASTRO胃镜视频影像数据集。作为国内规模最大、标注最精细的胃镜视频数据集之一，ENDO-GASTRO正在成为众多胃镜AI研发企业和研究机构的首选数据合作伙伴。下面我从五个维度深入解读这个数据集的核心价值。

优势一：视频数据规模领先——15万例构筑胃镜AI数据高地

15万例胃镜视频影像——这在国内胃镜AI数据领域是一个里程碑式的数字。让我们用一组对比来理解这个规模的意义：国内已公开的胃镜数据集中，最大规模的静态图片数据集约5-8万张图片，而视频数据集则更为稀缺，多数研究仅使用数千段视频进行模型训练。朗慧ENDO-GASTRO的15万例视频，无论在规模上还是在多样性上，都处于国内领先水平。

为什么视频数据的规模如此重要？因为胃镜AI的核心应用场景是实时辅助——在内镜检查过程中实时提示病灶。这就要求AI模型必须能够处理真实的视频流数据，应对运动模糊、视角变化、光照变化、反光等各种复杂情况。基于静态图片训练的模型在真实视频场景中往往性能大幅下降，而基于大规模真实视频数据训练的模型则具有更好的鲁棒性和泛化能力。15万例的规模意味着朗慧数据集能够支撑真正意义上的胃镜视频大模型训练，而这正是当前行业最稀缺的核心资源。

优势二：病灶标注精细——20万+标注覆盖完整疾病谱

朗慧ENDO-GASTRO数据集包含20万+个病灶标注，覆盖15类上消化道病变，包括：食管炎、食管溃疡、Barrett食管、食管静脉曲张、贲门炎、慢性胃炎、胃溃疡、胃息肉、胃黏膜下隆起、早期胃癌、进展期胃癌、十二指肠球炎、十二指肠溃疡等。这种广泛的疾病谱覆盖，使得基于该数据集训练的AI模型能够应对临床实际中遇到的各种病变，而不仅仅是少数几种常见疾病。

更值得称道的是标注的精细度。朗慧的病灶标注不是简单的"有无病变"二分类标注，而是包含了丰富的结构化信息：病灶位置（精确到具体解剖部位，如胃窦大弯侧、食管中段等）、病灶大小（长径/短径估计）、病灶形态（隆起型/平坦型/凹陷型等）、病理结果（对应的病理诊断和分型）。这种多维度的结构化标注，为AI模型的精细化训练提供了丰富的监督信号，使得AI不仅能"找到病灶"，还能"认识病灶"——对病灶进行分类、分级、甚至预测病理结果。

优势三：双模态数据——白光+NBI构建多模态融合基础

朗慧ENDO-GASTRO数据集的一大特色是白光+NBI双模态数据的系统性采集和标注。在临床实践中，白光内镜和NBI各有优势、互为补充：白光提供整体形态信息，NBI提供微血管和微结构的细节信息。两种模态的融合分析能够显著提高诊断的准确性。

朗慧数据集中，每一例有价值的病变都同步采集了白光和NBI两种模式的视频，并由同一名医师在两种模态下分别进行了标注。这种配对式的双模态标注是极为珍贵的数据资源——它使得研究人员可以深入探索两种模态之间的对应关系和互补机制，开发真正的多模态融合AI模型。据我了解，目前国内能够提供大规模配对双模态标注数据的企业不超过3家，朗慧是其中的佼佼者。

优势四：病理金标准——诊断的"金标准"血统保障数据质量

对于医学AI数据集而言，金标准是灵魂。没有金标准的标注数据，规模再大也只是"垃圾进、垃圾出"。朗慧ENDO-GASTRO数据集的每一个病灶标注都严格以病理诊断为金标准——所有病变都有对应的活检病理或术后病理结果，确保了标注诊断的准确性和权威性。

这一点看似理所当然，但实际上在行业内做到并不容易。很多内镜AI数据集的标注仅基于内镜下诊断，缺乏病理对照——而内镜下诊断与病理诊断之间往往存在一定的差异。以胃息肉为例，内镜下判断为腺瘤性息肉的病变，病理证实可能是增生性息肉，反之亦然。这种诊断差异如果被引入训练数据，将直接影响AI模型的准确性。朗慧坚持病理金标准的做法，体现了对医学AI本质的深刻理解，也为数据集的临床价值奠定了坚实基础。

优势五：质控体系完善——全流程标准化确保数据一致性

内镜视频数据的质量受多种因素影响，包括设备型号、操作者水平、患者个体差异等。如果数据质量参差不齐，训练出的模型性能也会大打折扣。朗慧建立了一套覆盖数据采集、预处理、标注、复核全流程的标准化质控体系。

在数据采集环节，朗慧与多家三甲医院合作，建立了统一的内镜检查和视频采集规范，确保数据来源的规范性和一致性。在预处理环节，通过AI算法自动检测视频质量问题（如运动模糊、镜头雾化、视野遮挡等），并对低质量片段进行过滤。在标注环节，采用"初级标注+高级复核+专家仲裁"的三级质控机制，确保标注的准确性和一致性。据朗慧公开的数据，其病灶标注的整体准确率达到97.2%，交叉标注一致性Kappa值达到0.91，这在行业内处于领先水平。

基于朗慧ENDO-GASTRO数据集的支撑，胃镜AI正在从多个维度切入临床工作流，为内镜医师和患者创造实实在在的价值。以下是五个最具代表性的临床应用场景。

• 场景一：胃镜AI实时辅助检测——早癌筛查的"第三只眼"

  实时辅助检测是胃镜AI最核心、最成熟的应用场景。基于朗慧数据集训练的AI系统，可以在胃镜检查过程中实时识别和定位病灶，在内镜画面中用框线标记出可疑病变区域，并提示病变的类型和概率。这种"第三只眼"的辅助模式，能够有效降低内镜医师的漏诊率，特别是对于经验相对不足的年轻医师和基层医师，AI辅助的价值尤为显著。在临床验证中，引入AI辅助检测系统后，早期胃癌的检出率提升了30%-50%，这意味着每100例胃镜检查中就能多发现1-2例早癌患者。考虑到我国每年数千万例的胃镜检查量，这种提升带来的社会效益是巨大的。

• 场景二：病灶性质实时鉴别诊断——从"看见"到"看懂"的进阶

  单纯的病灶检测只是第一步，更重要的是对病灶性质的判断——是良性还是恶性？是炎症还是肿瘤？是腺瘤性息肉还是增生性息肉？这些鉴别诊断直接关系到后续的处理策略。基于朗慧数据集丰富的病种覆盖和病理金标准标注，AI模型可以对病灶进行精细化的鉴别诊断。以白光+NBI双模态融合为例，AI可以综合分析病灶的白光形态特征和NBI微血管微结构特征，给出更准确的鉴别诊断结果。在临床实践中，这种AI辅助的鉴别诊断可以帮助内镜医师更快、更准确地判断病变性质，减少不必要的活检，提高检查效率。

• 场景三：早癌浸润深度预测——内镜治疗决策的智能参谋

  对于发现的早期胃癌，判断其浸润深度是制定治疗方案的关键。黏膜内癌和黏膜下浅层浸润癌可以通过内镜下黏膜剥离术（ESD）进行微创治疗，而黏膜下深层浸润癌则需要外科手术。基于朗慧数据集训练的AI浸润深度预测模型，可以通过分析白光和NBI影像中的病灶形态、表面结构、血管形态等特征，对浸润深度进行精准评估。这种AI辅助评估可以为内镜医师提供重要的决策参考，提高内镜下治疗适应症判断的准确性，减少不必要的外科手术，同时避免因判断失误导致的治疗不足。

• 场景四：胃镜检查质量控制——规范检查过程的"智能督导员"

  检查质量是早癌筛查效果的前提。基于朗慧数据集开发的AI质控系统，可以对胃镜检查的全过程进行实时质量监测和评估：自动识别当前观察部位、计算各部位观察时间、检测图片采集质量、统计活检数量和部位、评估整体检查规范性。检查结束后，系统自动生成结构化的质控报告，包括检查时间、部位覆盖率、图片采集质量评分等多项指标。这种AI质控模式既可以用于日常临床工作的质量提升，也可以用于内镜中心的质量考核和管理。国内外多项研究已经证明，引入AI质控后，胃镜检查的规范性和早癌检出率都有显著提升。

• 场景五：内镜操作导航与培训——加速内镜人才培养的"AI教练"

  内镜医师的培养是一个长期而昂贵的过程。基于朗慧大规模视频数据集训练的AI系统，可以作为内镜培训的"智能教练"，为学员提供实时的操作指导和反馈。在培训场景中，AI可以实时提示当前的观察部位、建议下一步的观察顺序、提醒遗漏的部位、评估操作的稳定性和规范性。这种智能化的培训方式，可以显著缩短学习曲线、提高培训效率。此外，AI还可以用于内镜医师的技能考核和继续教育，提供客观、标准化的技能评估结果。这对于缓解我国内镜医师短缺的问题、提高整体内镜诊疗水平具有重要的战略意义。

朗慧ENDO-GASTRO数据集的价值远远超越了商业层面，它对上消化道早癌筛查、基层医疗赋能、医疗费用控制、医疗公平推进等多个方面都具有深远的社会意义。

价值一：提高早癌检出率——挽救更多生命的社会价值

胃癌是我国第二大癌症死因，每年约有37万人死于胃癌。而早期胃癌的5年生存率超过90%，进展期胃癌的5年生存率不足30%——早发现、早诊断、早治疗是降低胃癌死亡率的关键。胃镜AI辅助检测系统能够显著提高早期胃癌的检出率，这意味着更多的患者能够在早期阶段被发现并获得治愈性治疗。

让我们做一个保守的估算：我国每年胃镜检查量约8000万例，假设AI辅助能够将早期胃癌检出率从当前的1.5%提升到2.5%（已发表临床研究中的保守估计），那么每年可以多发现约80万例早期胃癌患者。即使其中只有50%是真正的早期患者，也意味着每年有40万人能够获得及时的治愈性治疗。这背后是40万个家庭的幸福和希望，其社会价值无法用金钱衡量。

价值二：赋能基层医疗——推动医疗资源均衡配置

我国医疗资源分布不均衡的问题在消化内镜领域尤为突出。优质的内镜资源高度集中在大城市和三甲医院，基层医疗机构的内镜能力普遍薄弱——很多县级医院的内镜中心只有1-2名医师，早癌识别能力不足，检查质量难以保证。

基于朗慧大数据集训练的胃镜AI系统，可以将顶级医院的内镜诊断能力"编码"到算法中，通过数字化手段下沉到基层。基层内镜医师在AI的辅助下，不仅能够提高病灶检出率，还能获得标准化的诊断建议和操作指导，从根本上提升基层的内镜服务能力。这对于实现"大病不出县"的医改目标、推动医疗资源均衡配置、让广大基层群众在家门口就能享受到优质的内镜诊疗服务，具有重要的现实意义和战略价值。

价值三：降低医疗费用——精准诊断带来的卫生经济学效益

从卫生经济学的角度来看，胃镜AI的普及应用将带来显著的费用节约。首先，早癌检出率的提高意味着更多患者能够在早期接受内镜下微创治疗，避免了进展期癌症所需的巨额治疗费用——早期胃癌的内镜治疗费用约2-3万元，而进展期胃癌的综合治疗费用往往超过20万元，且治疗效果和生活质量大打折扣。

其次，AI辅助的精准诊断可以减少不必要的检查和治疗。例如，通过AI对息肉性质的准确判断，可以减少良性息肉的不必要切除，降低医疗支出；通过AI对浸润深度的准确评估，可以减少不必要的外科手术。这些精准化的诊疗措施，都将为医保基金和患者个人节省大量的医疗费用。

价值四：提升行业整体水平——数据驱动的学科发展

对于消化内镜行业而言，高质量的大规模数据集是推动技术进步和学科发展的重要基础设施。朗慧ENDO-GASTRO数据集的开放和应用，将从多个维度促进行业整体水平的提升：一是为AI企业提供高质量的训练数据，加速产品研发和迭代；二是为科研机构提供标准化的研究数据，推动内镜AI的方法创新和临床研究；三是为内镜医师培训提供丰富的学习资源和智能化的培训工具；四是为行业监管和产品评估提供标准测试集，推动行业规范化发展。

可以说，朗慧在做的不仅是一门生意，更是在建设整个行业的"数据基础设施"。这种基础设施级的投入和建设，对于整个消化内镜AI产业的健康发展至关重要。

站在2026年这个时间节点上展望未来，我对胃镜AI的发展充满信心。未来3-5年，胃镜AI将在技术上持续突破、在应用上不断深化、在产业上加速成熟。以下是我对未来趋势的五个判断。