普通白光内镜下诊断幽门螺杆菌研究进展

幽门螺杆菌(Helicobacter pylori，

)感染是全球最普遍的传染病之一，据估计,

感染人数占全球人口的40%～50%

。国际癌症研究机构将

归类为I型致癌物，它被认为是胃癌的主要原因

。而根除

治疗可明显降低胃癌的风险

。因此，及早识别并根除

对于预防胃癌的发生至关重要。目前已有多种方法可用于

感染的检测，例如尿素呼气试验、病理组织学活检、粪便抗原监测、血清

抗体检测等。其中，尿素呼气试验因其快速、无创且准确性高而广泛应用于临床

。虽然传统观点认为普通白光内镜下无法直接诊断

感染，但近年越来越多的

感染相关的胃黏膜特征得到确认，如结节样改变、黏膜肿胀、弥漫性发红、皱襞肿大蛇形、规则排列的集合小静脉丛(regular arrangement of collecting venules，RAC)、胃底腺息肉(fundic gland polyp,FGP)、脊状发红、血痂附着、地图样发红等

。内镜医师基于以上黏膜特征诊断

感染状态的总体准确率高达82.9%

。本文主要回顾性总结普通白光内镜下诊断

感染状态的研究进展。

玉米膜下滴灌技术对玉米生育期有提前作用，对品种熟性不能要求过早，应选用比当地正常栽培品种生育期长7～10d左右、生育期相对较长的品种，以发挥其增产潜力，突出高产特性。

1 普通白光内镜诊断H.pylori感染

普通白光内镜是目前最基础最常用的内镜检查。内镜下，胃黏膜的状态可分为三大类：正常黏膜无

感染(非胃炎)、当前

感染(活动性胃炎)和既往

感染(非活动性胃炎)

。Yagi等

首次提出正常胃黏膜下可以观察到RAC，并指出 RAC 可以作为

阴性的诊断依据。当胃黏膜被

感染后，胃黏膜会出现充血水肿、皱襞增生、渗出、点状红斑；成功根除

后，胃黏膜弥漫性充血水肿逐渐改善，表现为平坦至轻度凹陷红色改变

。

感染在内镜下的特征通常无特异性，而且分布在多个病灶中，不易于识别。日本胃肠内镜学会于2014年提出《京都胃炎分类》

，分析总结了不同

感染状态下的黏膜特征。其中结节样改变、弥漫性发红、点状发红、黏膜肿胀、皱襞肿大蛇形及黏液白浊为提示

阳性的绝对指征；而萎缩、肠上皮化生、黄斑瘤和增生性息肉为提示

感染的相对指征。Yoshii等

回顾性地对京都胃炎分类进行验证，发现弥漫性发红、黏膜肿胀、黏液白浊和皱襞肿大蛇形判断

感染的诊断比值比(diagnostic odds ratio，

)分别为26.8、13.3、10.2和8.6，提示以上特征可以作为

感染的诊断指标。Zhao等

进一步前瞻性、多中心地验证了京都胃炎分类对中国患者

感染的诊断价值。其中，结节样改变、弥漫性发红、黏膜肿胀对

感染具有较高的诊断价值，将具有上述至少一项黏膜特征的病例归为当前感染时，其诊断

感染的灵敏度为69.1%，特异度为82.5%。除了以上特征，张琳珂等

发现，相比

阴性，消化性溃疡和凹陷性糜烂更多见于

阳性。也就是说，消化道溃疡及凹陷性糜烂对

感染也具有一定的提示作用。京都胃炎评分纳入了与胃癌相关的5个胃黏膜特征(萎缩、肠上皮化生、皱襞肿大蛇形、结节样改变和弥漫性发红伴或不伴有RAC)以评估

感染及胃癌风险。他们认为当评分≥2分时，提示

感染；当评分≥4分时，提示具有胃癌风险

。此外，Cho等

将胃黏膜分为RAC(大量微小的红点)、马赛克样外观(A型；胃区肿胀或蛇皮外观)、弥漫性发红(B型)和不典型的模式(C型；不规则发红带凹槽)四类。其中，A型、B型和C型提示

感染，其预测

感染的灵敏度、特异度和总体准确率分别为92.0%、95.6%和93.3%。

一是水资源安全，包括水量充裕和结构均衡。水量充裕，既有总量的充裕，也有人均量的充裕。结构均衡包括地区均衡与人群均衡。水资源分布的不均衡，不仅增加了供水时间和成本，还有可能引发取水纠纷和洪涝灾害，是导致水资源安全问题的原因之一；人群不均衡表现在人群阶层，特别是收入阶层的差异，导致获取水资源经济能力（支付能力）上的差异，也是影响水资源安全的重要因素之一。

“人家苹果论斤卖，我论个卖，去年5元一个卖了近万个，今年还没摘就按4元一个全被包了，用诺贝丰的水溶肥种苹果就是不一样！”走进白水县林皋镇吴家尧村诺贝丰水肥一体化整体解决方案的示范田，果农孙江斌正兴奋地和前来观摩的人们说着自己的感受。

随着技术的发展，人工智能在用于计算机辅助诊断、放射组学、医学影像分析和医疗保健决策的临床医学中迅速普及

。例如，在胃肠镜检查过程中，人工智能已被证实可用于结肠息肉的检出

，早期胃癌的诊断

，胃癌深度的评估

及食管肿瘤良恶性的区分

。而鉴于越来越多的

感染相关内镜下特征被发现，人工智能基于白光内镜图像辅助识别不同的

感染状态也逐渐被重视。

2 人工智能辅助诊断H.pylori感染

以前

既往感染的判断多基于

现症感染迹象的改善。例如，Kato等

发现,

根除之后，胃底的点状发红可得到明显改善。Toyoshima等

发现,弥漫性发红、结节样改变、皱襞肿大蛇形在

根除之后明显改善。然而，在我国的实际临床情况下，根除

之前和之后对胃黏膜进行严格和连续的内窥镜监测是非常困难和昂贵的。因此，内镜下对于

既往感染的准确识别至关重要。根据京都胃炎分类

，

既往感染内镜下可见黏膜萎缩、点状发红和弥漫性发红消失、地图样发红明显。其中，地图样发红是目前诊断

既往感染特异度最高的黏膜特征

。此外，Zhao等

进一步发现并分析了萎缩界限不清楚(unclear atrophy boundary，UAB)，被定义为萎缩无明显的红白分界线，而是具有斑点状外观和萎缩背景下RAC再现(RAC reappearance)，被定义为典型或非典型RAC在萎缩性胃黏膜中的再现，两个新定义的特征对于

既往感染的诊断价值，其中，UAB的

为7.69，萎缩背景下RAC再现的受试者工作特性曲线下面积(area under the curve,

)为0.583。Kato等

进一步分析了

根除成功与根除失败的内镜下黏膜特征的差异，他们发现黏液白浊、弥漫性发红、点状发红、黏膜肿胀、扁平糜烂等特征在两组之间存在显著性差异。

根据京都胃炎分类

，正常胃黏膜在内镜下表现为整个胃黏膜平滑、有光泽，胃内黏液的稠度非常低，胃体大弯的皱襞细小，呈直线走行，可见RAC，有时可见FGP、血痂附着、脊状发红等黏膜特征。Yoshii等

提出RAC、FGP和脊状发红判断

阴性的

分别为32.2、7.7和4.7，提示RAC、FGP和脊状发红可作为判断

阴性的诊断指标。而Zhao等

认为，RAC、脊状发红、血痂附着对

阴性也有较好的诊断价值，将具有上述至少一项黏膜特征的病例归为

阴性时，其特异度和阳性预测值分别为99.7%和94.4%。此外，杜会卿等

认为，反流性食管炎(reflux esophagitis，RE)在

阴性者中发生率较

阳性者高，提示RE对

阴性也具有一定的提示作用。

Itoh等

前瞻性地收集了139例患者的179张胃小弯图像进行卷积神经网络(convolutional neural network，CNN)模型的训练和测试，其检测

感染的灵敏度、特异度和

分别为86.7%、86.7%、0.956。Zheng等

对每例患者使用单张或多张不同部位的内镜图像进行不同CNN模型的训练。其中，单张胃图像训练的CNN模型诊断

感染的灵敏度、特异度和准确度分别为81.4%、90.1%和84.5%；多张胃图像训练的CNN模型诊断

感染的灵敏度、特异度和准确度分别为91.6%、98.6%和93.8%，表明使用多张内镜图像训练的CNN模型可提高诊断

感染的精度。Shichijo等

在训练CNN模型的过程中加入了内镜图像的部位信息(将胃分为贲门、胃底、胃角、胃窦、胃体上部、胃体中部和胃体下部)。其诊断

感染的灵敏度、特异度和准确度分别为88.9%、87.4%、87.7%。同时，该研究使用同一批测试集对23名医师诊断

感染的能力进行评估。而内镜医师诊断

感染的灵敏度、特异度和准确度分别为79.0%、83.2%、82.4%，提示人工智能在一定程度上可辅助内镜医师更准确地判断

感染。

随着

既往感染状态内镜下特征的发现，如地图样发红、UAB、RAC再现等，人工智能可进行

感染三分类(即

阳性、

阴性及

既往感染)的识别。Shichijo等

回顾性地收集了来自5 236例患者(742例阳性、3 649例阴性和845例既往感染)的98 564张内镜图像进行CNN模型的训练。其诊断

阳性、

阴性和

既往感染的准确率分别为48%(44/91)、80%(465/582)、84%(147/174)。Yoshii等

基于京都胃炎分类，并纳入了

根除病史，开发了新的CNN模型以识别三种

感染状态。对于未纳入

根除史的CNN模型诊断

感染状态的总体准确率为88.6%，纳入

根除史的模型的总体准确率为93.4%

。

3 总结和展望

迄今为止，越来越多的研究揭示了

感染相关的内镜下特征。其中，对于

现症感染、结节样改变、弥漫性发红、点状发红、黏膜肿胀、皱襞肿大蛇形、黏液白浊、马赛克样外观、不典型模式等特征具有较高的诊断价值，此外，京都胃炎评分≥2分对

感染也有较高的诊断价值；对于无

感染，RAC、FGP、血痂附着、脊状发红等特征具有较高的诊断价值；对于

既往感染，地图样发红、UAB、RAC再现等特征具有较高的诊断价值。基于这些黏膜特征，内镜医师可以更准确地在普通白光内镜下判断

感染状态。但对于判断

根除是否成功的内镜下特征有待继续发现。有必要进行下一步的研究来验证哪些内镜下特征可用于区分

根除成功与否。另一方面，越来越多的研究证实了人工智能对于

感染状态的诊断价值。其对于

感染，甚至

既往感染诊断均获得了很高的准确性(90%左右)，与经验丰富的内镜医师的诊断精度相当。相信在不久的将来，人工智能可用于实时判断内镜下

感染状态，还能对更多、更复杂的疾病甚至临床状况给出可靠的建议。

[1] Hafiz TA, D′Sa JL, Zamzam S, et al. Helicobacter pylori infection: comparison of knowledge between health science and non-health science university students [J]. Int J Environ Res Public Health, 2021, 18(15): 8173. DOI: 10.3390/ijerph18158173.

[2] Haile K, Timerga A. Evaluation of hematological parameters of Helicobacter pylori-infected adult patients at Southern Ethiopia: a comparative cross-sectional study [J]. J Blood Med, 2021, 12: 77-84. DOI: 10.2147/JBM.S294958.

[3] Kishikawa H, Ojiro K, Nakamura K, et al. Previous Helicobacter pylori infection-induced atrophic gastritis: a distinct disease entity in an understudied population without a history of eradication [J]. Helicobacter, 2020, 25(1): e12669. DOI: 10.1111/hel.12669.

[4] Sugimoto M, Murata M, Yamaoka Y. Chemoprevention of gastric cancer development after Helicobacter pylori eradication therapy in an East Asian population: Meta-analysis [J]. World J Gastroenterol, 2020, 26(15): 1820-1840. DOI: 10.3748/wjg.v26.i15.1820.

[5] Arai J, Niikura R, Hayakawa Y, et al. Use of antibiotics and probiotics reduces the risk of metachronous gastric cancer after endoscopic resection [J]. Biology, 2021, 10(6): 455. DOI: 10.3390/biology10060455.

[6] Makristathis A, Hirschl AM, Mégraud F, et al. Review: diagnosis of Helicobacter pylori infection [J]. Helicobacter, 2019, 24 Suppl 1: e12641. DOI: 10.1111/hel.12641.

[7] Glover B, Teare J, Ashrafian H, et al. The endoscopic predictors of Helicobacter pylori status: a meta-analysis of diagnostic performance [J]. Ther Adv Gastrointest Endosc, 2020, 13: 2631774520950840. DOI: 10.1177/2631774520950840.

[8] Yoshii S, Mabe K, Watano K, et al. Validity of endoscopic features for the diagnosis of Helicobacter pylori infection status based on the Kyoto classification of gastritis [J]. Dig Endosc, 2020, 32(1): 74-83. DOI: 10.1111/den.13486.

[9] Yagi K, Nakamura A, Sekine A. Characteristic endoscopic and magnified endoscopic findings in the normal stomach without Helicobacter pylori infection [J]. J Gastroenterol Hepatol, 2002, 17(1): 39-45. DOI: 10.1046/j.1440-1746.2002.02665.x.

[10] Hirai R, Hirai M, Shimodate Y, et al. Feasibility of endoscopic evaluation of Helicobacter pylori infection status by using the Kyoto classification of gastritis in the population-based gastric cancer screening program: a prospective cohort study [J]. Health Sci Rep, 2021, 4(3): e325. DOI: 10.1002/hsr2.325.

[11] Kamada T, Haruma K, Inoue K, et al. Helicobacter pylori infection and endoscopic gastritis-Kyoto classification of gastritis [J]. Nihon Shokakibyo Gakkai Zasshi, 2015, 112(6): 982-993. DOI: 10.11405/nisshoshi.112.982.

[12] Zhao J, Xu S, Gao Y, et al. Accuracy of endoscopic diagnosis of Helicobacter pylori based on the Kyoto classification of gastritis: a multicenter study [J]. Front Oncol, 2020, 10: 599218. DOI: 10.3389/fonc.2020.599218.

[13] 张琳珂, 代剑华, 李彦, 等. 白光胃镜下食管及胃黏膜不同表现与幽门螺杆菌感染的相关性研究[J]. 中华消化内镜杂志, 2021, 38(2): 120-126. DOI: 10.3760/cma.j.cn321463-20200930-00668.

Zhang LK, Dai JH, Li Y, et al. Correlation between esophageal and gastric mucosal manifestations and Helicobacter pylori infection under white light gastroscopy [J]. Chin J Dig Endosc, 2021, 38(2): 120-126. DOI: 10.3760/cma.j.cn321463-20200930-00668.

[14] Toyoshima O, Nishizawa T, Koike K. Endoscopic Kyoto classification of Helicobacter pylori infection and gastric cancer risk diagnosis [J]. World J Gastroenterol, 2020, 26(5): 466-477. DOI: 10.3748/wjg.v26.i5.466.

[15] Cho JH, Jeon SR, Jin SY, et al. Standard vs magnifying narrow-band imaging endoscopy for diagnosis of Helicobacter pylori infection and gastric precancerous conditions [J]. World J Gastroenterol, 2021, 27(18): 2238-2250. DOI: 10.3748/wjg.v27.i18.2238.

[16] 杜会卿, 马翠华, 陈红玉, 等. 不同幽门螺旋杆菌感染状态胃镜下黏膜特点分析[J]. 中华胃肠内镜电子杂志, 2019, 6(4): 163-171. DOI: 10.3877/cma.j.issn.2095-7157.2019.04.004.

Du HQ, Ma CH, Chen HY, et al. Analysis of mucosal manifestations under different states of Helicobacter pylori infection [J]. Chin J Gastrointestinal Endoscopy (Electronic Edition), 2019, 6(4): 163-171. DOI: 10.3877/cma.j.issn.2095-7157.2019.04.004.

[17] Kato M, Terao S, Adachi K, et al. Changes in endoscopic findings of gastritis after cure of

infection: multicenter prospective trial [J]. Dig Endosc, 2013, 25(3): 264-273. DOI: 10.1111/j.1443-1661.2012.01385.x.

[18] Toyoshima O, Nishizawa T, Sakitani K, et al. Helicobacter pylori eradication improved the Kyoto classification score on endoscopy [J]. JGH Open, 2020, 4(5): 909-914. DOI: 10.1002/jgh3.12360.

[19] Tchapga CT, Mih TA, Kouanou AT, et al. Biomedical image classification in a big data architecture using machine learning algorithms [J]. J Healthc Eng, 2021, 2021: 9998819. DOI: 10.1155/2021/9998819.

[20] Jayatilake SMDAC, Ganegoda GU. Involvement of machine learning tools in healthcare decision making [J]. J Healthc Eng, 2021, 2021: 6679512. DOI: 10.1155/2021/6679512.

[21] Jin EH, Lee D, Bae JH, et al. Improved accuracy in optical diagnosis of colorectal polyps using convolutional neural networks with visual explanations [J]. Gastroenterology, 2020, 158(8): 2169-2179. e8. DOI: 10.1053/j.gastro.2020.02.036.

[22] Parsa N, Byrne MF. Artificial intelligence for identification and characterization of colonic polyps [J]. Ther Adv Gastrointest Endosc, 2021, 14: 26317745211014698. DOI: 10.1177/26317745211014698.

[23] Li L, Chen Y, Shen Z, et al. Convolutional neural network for the diagnosis of early gastric cancer based on magnifying narrow band imaging [J]. Gastric Cancer, 2020, 23(1): 126-132. DOI: 10.1007/s10120-019-00992-2.

[24] Ueyama H, Kato Y, Akazawa Y, et al. Application of artificial intelligence using a convolutional neural network for diagnosis of early gastric cancer based on magnifying endoscopy with narrow-band imaging [J]. J Gastroenterol Hepatol, 2021, 36(2): 482-489. DOI: 10.1111/jgh.15190.

[25] Zhu Y, Wang QC, Xu MD, et al. Application of convolutional neural network in the diagnosis of the invasion depth of gastric cancer based on conventional endoscopy [J]. Gastrointest Endosc, 2019, 89(4): 806-815. e1. DOI: 10.1016/j.gie.2018.11.011.

[26] Kumagai Y, Takubo K, Kawada K, et al. Diagnosis using deep-learning artificial intelligence based on the endocytoscopic observation of the esophagus [J]. Esophagus, 2019, 16(2): 180-187. DOI: 10.1007/s10388-018-0651-7.

[27] Du W, Rao N, Dong C, et al. Automatic classification of esophageal disease in gastroscopic images using an efficient channel attention deep dense convolutional neural network [J]. Biomed Opt Express, 2021, 12(6): 3066-3081. DOI: 10.1364/BOE.420935.

[28] Itoh T, Kawahira H, Nakashima H, et al. Deep learning analyzes Helicobacter pylori infection by upper gastrointestinal endoscopy images [J]. Endosc Int Open, 2018, 6(2): E139-E144. DOI: 10.1055/s-0043-120830.

[29] Zheng W, Zhang X, Kim JJ, et al. High accuracy of convolutional neural network for evaluation of Helicobacter pylori infection based on endoscopic images: preliminary experience [J]. Clin Transl Gastroenterol, 2019, 10(12): e00109. DOI: 10.14309/ctg.0000000000000109.

[30] Shichijo S, Nomura S, Aoyama K, et al. Application of convolutional neural networks in the diagnosis of Helicobacter pylori infection based on endoscopic images [J]. EBioMedicine, 2017, 25: 106-111. DOI: 10.1016/j.ebiom.2017.10.014.

[31] Shichijo S, Endo Y, Aoyama K, et al. Application of convolutional neural networks for evaluating Helicobacter pylori infection status on the basis of endoscopic images [J]. Scand J Gastroenterol, 2019, 54(2): 158-163. DOI: 10.1080/00365521.2019.1577486.