点击上方蓝字 关注“医疗器械创新网”

白光内镜是消化道检查的常规起点，但黏膜上那些细微的色泽变化、表面起伏和边界差异，白光提供的对比度有限。染色可作为一种补充：让染料或试剂在黏膜表面形成新的颜色或地形差异，把原本不够显眼的改变显示出来。

不同部位和观察目标，对应着不同染色方法。食管碘染利用鳞状上皮糖原含量差异形成颜色变化；胃内醋酸可使黏膜短暂白化，增强微表面和边界对比；靛胭脂作为对比染料，会在沟槽和凹陷等低洼处积聚，借色差与阴影突出黏膜地形。肠道检查中，靛胭脂常用于显示息肉轮廓，结晶紫则结合放大观察腺管开口形态。[1]

图 1｜常见消化内镜染色观察方式

实体染色不是按一下键就能完成。内镜医师通常要准备染液和喷洒器具、清洁视野，经活检孔道送入喷洒导管，再完成喷洒和观察，必要时还要冲洗或追加。以全结肠靛胭脂喷染为例，一项纳入1008人的随机两中心试验中，喷染组平均退镜时间为11.6分钟，对照组为10.1分钟，相差约1.5分钟。[3] 2026年一项胃部肿瘤前瞻性研究则在完成三个观察距离的白光和生成式图像评价后，再喷洒 0.1%靛胭脂作为对照。这些数字并非统一操作标准，但说明实体染色增加的不只是一种耗材，而是一套操作流程；染液覆盖还会受黏液、残液、体位、喷洒角度和操作者经验影响。

NBI、LCI等电子或光学图像增强技术已经减少了部分喷染需求，但它们与靛胭脂的作用机制不同。NBI、VIST等技术主要利用窄带光与血红蛋白吸收特性突出表面微血管和黏膜结构；LCI、SFI则结合特定光谱照明与颜色处理，扩大黏膜红白色调之间的差异。两者改变的是光谱或颜色呈现，并不会让液体真正积聚在沟槽、凹陷处，因此不能形成实体靛胭脂喷洒所产生的物理覆盖和阴影效果。[2]

深度学习由此提供了第三种思路：不改变光源，也不向黏膜喷洒染剂，而是学习白光图像域与真实染色图像域之间的映射，合成一幅具有靛胭脂视觉特征的新图像。它与NBI、LCI 的机制不同，也不是在白光画面上简单叠一层蓝色滤镜。

模型要学的不是把画面变蓝这么简单。真实靛胭脂不给组织本身着色，而是通过液体在低洼处的分布重新组织局部对比。算法需要识别白光原图中哪里高、哪里低、边界位于何处，再用靛胭脂样的视觉关系呈现这些结构。

图 2｜CycleGAN训练原理示意。双向转换和循环一致性用于约束模型学习；实际调用时使用训练完成的模型处理白光图像。[3]

同一视野的白光图像和真实染色图像很难逐张严格配对。CycleGAN适用于这种非配对转换：一个生成器把白光图像转为染色样图像，另一个再把结果转回白光，反向亦然；判别器判断结果是否接近目标图像域，循环一致性则约束图像往返转换后仍接近最初输入，减少结构信息丢失。训练完成后，只需用相应生成器处理选定图像。[3]

在使用环节，内镜医师可从白光画面中选取冻结后的单帧图像，按需生成靛胭脂样视图，再与白光原图对照。输出图提供的是另一种表面结构表达，并非把喷染过程搬到屏幕上，也不要求与真实染色图逐像素一致。

— 从白光到虚拟到真实的场景第一组 —

— 从白光到虚拟到真实的场景第二组 —

图 3｜左至右为白光图像、算法生成的靛胭脂样图像、真实靛胭脂染色图像

不同研究回答的问题不同。2024年一项探索性研究由5名内镜专家盲评10组虚拟与真实染色图像，表面结构、病灶边界、整体对比平均分为3.08比3.00、3.04比2.98、3.14比3.02，差异无统计学意义。[5] 2026年一项三中心前瞻性研究纳入60例已确认胃部肿瘤患者，19名内镜医师在3个观察距离完成360次评价；以白光为基准的7级量表上，生成式染色和真实染色平均可见性评分为0.67和0.51。[6] 同年另一项视频试验中，5例早期胃癌、16名医师完成160次评价，虚拟图像46.3%获得至少1分可见性增益，真实染色为65.0%，且虚拟图像表现随内镜系统变化。[7]

这些研究多针对已发现病灶，评价重点在图像接近度和可见性，尚未回答筛查中的检出率、假阳性率和精确边界判定。

就现有证据看，虚拟靛胭脂目前更适合白光质量较好、病灶已发现、需快速或反复查看表面起伏与边界的场景；较完整证据主要来自胃部肿瘤，结直肠和胆道仍以小规模或回顾性探索为主。[8][9] 若白光受黏液、出血、反光或失焦影响，或治疗前需精确勾画边界，或需碘染、结晶紫等真实组织反应与吸收染色，实体染色仍不可替代。

验证也不能只看两张图像不像。更关键的是在同一病灶、相近角度和距离、统一喷染方案下配对比较虚拟图与真实图，并在不同中心、主机和部位检验结构保留、边界一致性及伪影发生率。使用中保留白光原图对照，结果不一致或置信不足时回到真实染色，更稳妥。

AI辅助图像功能若要进入日常内镜流程，设备端不仅要完成模型推理，还要处理输入图像质量控制、结果显示、原图对照、异常回退、响应速度与数据安全等问题。2025年，开立医疗推出新一代智慧内镜平台 iEndo。公开资料显示，该平台将图像处理与智能算法能力整合到内镜主机架构中，为这类辅助功能的设备运行提供了基础。[10][11]

但设备平台解决的只是“在哪里运行”的一部分问题，并不自动等于临床有效。独立研究结果也不能直接作为具体产品数据；具体功能能否用于临床、适用于哪些场景，仍应以合规状态、适用范围和产品级验证结果为准。

从实体染色到AI辅助视图，改变的是辅助信息的获得方式，临床判断所需要的证据标准并没有改变。算法能否忠实保留结构、主动暴露失败，并在明确边界内为观察提供增量信息，比“输出一幅类似染过的图像”更重要。

END

▲文章来源：医疗器械创新网

▲未经授权不得转载

声明：本文仅作信息传递之目的，仅供参考。本文不对投资及治疗构成任何建议，请谨慎甄别。如涉及作品内容、版权和其它问题，为保障双方权益，请与我们联系，我们将立即处理。如有平台转载本篇文章，须自行对该篇文章负责，医疗器械创新网不对转载引起的二次传播负责。