摘要目的利用大数据开发人工智能辅助结直肠息肉性质鉴别系统(简称人工智能息肉鉴别系统)并进行临床验证。方法2018年6月至2019年6月前瞻性收集16家参研中心的结直肠息肉内镜图像，由主治医师及以上职称的结肠镜医师在结直肠息肉内镜图像中标注息肉的基本信息(位置、大小、形态、病理活组织检查结果)，并圈出息肉轮廓以供人工智能息肉鉴别系统开发。以息肉病理活组织检查结果为金标准，分别计算白光模式、窄带成像技术(NBI)模式、白光联合NBI模式，以及结肠镜医师对息肉性质鉴别的灵敏度、特异度、阳性预测值、阴性预测值和准确度。应用McNemar检验和Kappa检验进行统计学比较。结果共收集15 441张合格结肠镜图像，其中白光模式图像9 109张，NBI模式图像6 332张。在实验室水平，白光模式和NBI模式对息肉性质鉴别的灵敏度、特异度、阳性预测值、阴性预测值、准确度分别为90.3%、98.3%、89.8%、98.4%、97.2%和90.5%、92.5%、92.3%、90.6%、91.5%。临床验证阶段纳入56例结直肠息肉患者，共78枚息肉。白光模式和NBI模式对息肉性质鉴别的灵敏度、特异度、阳性预测值、阴性预测值、准确度分别为70.3%、82.1%、78.8%、74.4%、76.3%和78.4%、87.2%、85.3%、81.0%、82.9%。结肠镜医师、白光模式和NBI模式的判断结果分别与病理检查结果比较差异均无统计学意义(均McNemar检验，P均>0.05)，但是一致性一般，Kappa值分别为0.632、0.525和0.657(P均<0.01)。白光与NBI模式串联与病理检查结果比较的Kappa值为0.575，两者的一致性一般，但两者比较差异有统计学意义(McNemar检验，P＝0.004)。结论建立的人工智能息肉鉴别系统具有一定辅助诊断作用，但准确性仍有待提高。
