修回日期: 2026-04-23
接受日期: 2026-04-25
在线出版日期: 2026-04-28
胃食管反流病(gastroesophageal reflux disease, GERD)诊疗存在诊断主观性强、治疗个体化不足、长期管理依从性低等问题, 人工智能(artificial intelligence, AI)凭借数据整合与模式识别优势逐步渗透诊疗全流程. 诊断上, AI实现内镜图像分级、pH-阻抗监测自动化及食管胃结合部评估, 提升与咽喉反流病的鉴别效能; 手术领域辅助决策并预测个体化疗效与风险; 长期管理中通过风险筛查、个性化干预及远程随访构建闭环模式. 本文综述AI在GERD领域应用进展, 展望未来数据融合与基层适配方向.
核心提要: 人工智能在胃食管反流病精准诊断、手术治疗决策辅助与个体化疗效预测及长期全程健康管理中的应用进展, 分析当前技术挑战并展望发展方向, 为疾病规范化诊疗提供参考.
引文著录: 王思涵, 于岩波. 人工智能在胃食管反流病诊疗与全程管理中的应用进展与展望. 世界华人消化杂志 2026; 34(4): 289-294
Revised: April 23, 2026
Accepted: April 25, 2026
Published online: April 28, 2026
Several challenges exist in the diagnosis and treatment of gastroesophageal reflux disease, including the subjective nature of diagnosis, insufficient individualized treatment, and poor long-term management compliance. Artificial intelligence (AI), leveraging its advantages in data integration and pattern recognition, is gradually penetrating the entire diagnostic and therapeutic process. In diagnosis, AI enables automated classification of endoscopic images, pH-impedance monitoring, and assessment of the esophagogastric junction, while also improving differentiation from laryngopharyngeal reflux disease. In the surgical field, AI assists in decision-making and predicts individualized efficacy and risks. For long-term management, AI supports a closed-loop model incorporating risk screening, personalized intervention, and remote follow-up. This article reviews the progress of AI applications in gastroesophageal reflux disease and discusses future directions, with an emphasis on data integration and adaptation at the grassroots level.
- Citation: Wang SH, Yu YB. Artificial intelligence for gastroesophageal reflux disease: Current applications and future prospects in diagnosis, treatment, and whole-process management. Shijie Huaren Xiaohua Zazhi 2026; 34(4): 289-294
- URL: https://www.wjgnet.com/1009-3079/full/v34/i4/289.htm
- DOI: https://dx.doi.org/10.11569/wcjd.v34.i4.289
核心提要: 人工智能在胃食管反流病精准诊断、手术治疗决策辅助与个体化疗效预测及长期全程健康管理中的应用进展, 分析当前技术挑战并展望发展方向, 为疾病规范化诊疗提供参考.
胃食管反流病(gastroesophageal reflux disease, GERD)[1]是全球高发且患病率上升的慢性消化系统疾病, 以胃十二指肠内容物反流引发不适症状及并发症为特征, 临床表现异质性高, 典型症状与非典型食管外表现并存[2], 近半数症状患者实为功能性食管病[3,4], 导致抑酸治疗应答不佳[5]. 目前GERD诊疗仍面临诸多挑战, 传统诊断的敏感性与特异性不足且主观差异明显, 治疗缺乏个体化设计, 长期管理存在干预不精准、随访依从性低等问题. 人工智能(artificial intelligence, AI)凭借数据整合、特征提取与模式识别优势, 为破解GERD诊疗困境提供了创新路径, 已渗透至诊断、疗效决策及长期管理全流程. 本文综述AI在GERD诊疗与管理中的应用进展, 分析现存问题并展望发展方向, 为临床实践提供参考.
GERD诊断目前以国际里昂共识2.0为核心依据, 包括内镜下洛杉矶分级(Los Angeles classification, LA分级)B-D级反流性食管炎(reflux esophagitis, RE); 活检证实的巴雷特食管和消化性狭窄; 食管pH-阻抗监测提示食管酸暴露时间(acid exposure time, AET)>6%[6], 而中国人群AET>4%就被认为存在病理性酸反流,可诊断为GERD[7].
近年来, 基于深度学习技术尤其是深度卷积神经网络(convolutional neural network, CNN)的内镜图像自动分析技术应运而生并快速发展. 早期研究探索了CNN在此图像分类中的可行性, Ge等[8]率先将深度学习应用于RE LA分级的自动预测, 评估了包括ResNet、DenseNet等多种模型, 其中DenseNet121模型在2081张图像组成的测试集中, 最高准确率达86.7%, 较人工分级提升10%, 且该模型在区分轻度(A、B级)与重度(C、D级)RE方面表现突出. 该研究还通过Grad-CAM、Scouter等可解释性AI方法验证了模型的分类决策聚焦于图像中的正确病理区域, 增强了其临床可信度, 然而此类模型在区分相邻亚类(如A与B级)时仍需进一步提升.
随后, 研究者通过改进网络架构与训练策略, 追求更高分类性能. Wang等[9]构建的GERD-VGG模型在结合传统白光内镜与窄带成像图像的数据集上实现了87.9%的准确率. 更为显著的提升来自于混合模型策略, Yen等[10]创新提出的两阶段混合GerdNet-RF模型利用窄带成像图像实现92.5%的测试准确率, 其优异的泛化能力有效缓解了过拟合问题. 为进一步验证模型在大规模数据上的稳健性, Li等[11]基于ResNext50主干网络构建了ECA-ResNext50模型, 在超过3000张内镜图像的扩展数据集上进行了评估. 与Wang等[9]和Yen等[10]提出的模型相比, 该模型取得稳定的90%准确率, 证实扩大高质量数据集对提升模型鲁棒性的重要性. AI的应用不仅局限于LA分级, Huang等[12]的研究另辟蹊径越过LA分级, 直接通过食管内镜图像对RE进行二元诊断(是/否), 而非逐级分类. 他们提取图像的异质颜色特征, 结合支持向量机进行分类, 最终实现93.2%的诊断准确率. 该模型性能超越当时的AI辅助分级方法及人工评估, 展示了AI在简化诊断流程方面的潜力.
目前, 基于CNN的RE内镜图像分级模型整体准确率已达86.7%-93.2%, 其中ECA-ResNext50、GerdNet-RF等模型在大规模数据集上表现稳定, 已具备初步临床转化潜力, 可用于内镜预检及基层医师辅助分级, 减少人工主观误差. 此类模型虽应用前景良好, 但仍有明显不足, 多数为单中心回顾性研究, 样本同质性强, 对LA-A与LA-B级等相邻亚类的区分能力有限, 且部分模型缺乏外部验证, 临床接受度不高, 目前整体仍处于研究探索阶段. 未来应重点突破这一瓶颈, 通过开展多中心前瞻性研究、扩大样本量并纳入不同内镜设备及人群数据, 优化网络架构以强化相邻LA分级区分, 推动此类AI模型向基层普及, 充分发挥其辅助精准分级的作用.
食管pH-阻抗监测的传统自动化软件分析准确率不足65%, 且假阳性率高, 依赖人工复核又会使诊断过程耗时且存在主观差异. 一项最新研究采用基于半U-Net架构与一维/二维卷积神经网络的模型[13], 处理多通道阻抗-pH监测信号, 灵敏度达95.24%. 相较于传统监测, 其核心进步在于它不仅能够亚分钟级精准定位反流事件的起止时间, 还能有效区分酸性与非酸性、液体与混合性反流等亚型, 排除吞咽或伪影等干扰信号, 综合性能显著优于传统人工判读与现有的单一维度分析模型.
在提升反流事件识别与分类能力的同时, AI在参数计算自动化方面也取得了突破性进展. 传统基线阻抗测量易受吞咽、打嗝等因素干扰. Rogers等[14]开发的基于决策树的AI算法, 可自动识别并筛除干扰因素, 准确提取24 h监测期间的纯净、无伪影的AI基线阻抗值(AI baseline impedance, AIBI), 进一步衍生出直立位与仰卧位AIBI的比值(U:R AIBI比率). 研究发现, 该比值≥1.0是预测质子泵抑制剂治疗有效、症状改善的显著指标, 并且在AET处于临界范围(4%-6%)或较高水平(>6%)患者中的预测价值, 优于传统的平均夜间基线阻抗等指标. 此外, 该算法能提供即时且可重复的测量结果, 通过减轻仰卧测量时食管内容残留的混淆效应, 提高诊断准确性. 这表明AI不仅能实现监测自动化, 更能从标准数据中提取出更具病理生理意义和预测价值的新指标.
除优化传统参数外, AI还被用于自动化计算具有重要临床意义的新型阻抗参数, 如反流后诱导蠕动波(post-reflux swallow-induced peristaltic wave, PSPW). PSPW是反流发生后30 s内身体启动的吞咽防御反应, 其指数可有效反映食管化学清除能力, 在GERD诊断中的价值可能优于标准pH-阻抗测量指标, 但评估依赖耗时的手动识别过程. 针对这一局限性, Wong等[15]将身体质量指数与PSPW数据纳入分析范畴, 利用106名患者的7939个阻抗事件, 开发基于ResNet18的机器学习模型. 该模型在识别反流事件的同时, 以82%的准确率自动判定PSPW指数, 结合生理参数与反流次数等数据, 为AET结果不明确的患者提供关键补充诊断信息, 进一步提升诊断效能. 上述两项研究均采用已确立的pH-阻抗指数, 而Zhou等[16]的研究则突破了依赖已确立指数这一局限, 通过直接从原始监测数据中提取实时生理指标, 在仅包含45名患者的较小数据集上, 实现了与传统方法可比的即时诊断准确性. 包括上述研究在内的多项AI模型, 在内部验证中均展现出优于人工分析的一致性, 其受试者工作特征曲线下面积(area under the curve, AUC)普遍高于0.87.
结合上述研究, AI在食管pH-阻抗监测中的应用可有效解决传统监测自动化程度低、主观误差大的问题, 其中半U-Net架构模型、PSPW自动识别模型等已接近临床落地水平, 可显著缩短监测数据判读时间, 提升诊断效率, 适配基层及大型医院的批量监测需求. 值得注意的是, AIBI、PSPW等新型阻抗指标未纳入诊疗指南; 多数模型为单中心小样本研究, 泛化性及设备兼容性欠佳. 未来需推动新型指标纳入指南、建立标准化解读体系, 开展多中心多设备验证, 优化算法降低干扰, 提升诊断准确性与临床适用性.
食管胃结合部(esophagogastric junction, EGJ)的解剖与功能完整性是胃食管反流发生的关键机制之一. 美国胃肠内镜学会指南及里昂共2.0[6]均指出, 内镜或高分辨率食管测压提示的食管裂孔疝是GERD的重要辅助诊断依据. AI可自动化、定量化分析胃食管瓣膜(His角、Hill分级)的功能状态, 以及疝的类型、大小与反流严重度的具体关联, 进一步提升EGJ相关评估的标准化与精准性.
在食管动力客观评估方面, HREM是评估食管体部蠕动与EGJ压力的金标准. AI模型已成功应用于HREM图像的自动化解读. 一项多中心多设备的研究开发了基于CNN的模型, 可以自动化分类10种食管动力障碍亚型, 准确率达86%, 并将解读时间缩短50%[17]. 首次引入多模态大语言模型Gemini辅助构建的深度学习分类模型G-DLCM, 可自动识别HREM图像的7类动力模式, 在测试集中总体准确率达88%, 并通过可解释性算法, 证实其决策逻辑聚焦于食管下括约肌综合松弛压等关键临床特征[18]. 在内镜下EGJ解剖结构评估方面, 胃食管瓣膜的Hill分级是评估反流屏障功能的核心指标. 一项以ConvNext为骨干网络、基于主动学习策略AI模型[19], 能高效学习并精准预测Hill分级, 在外部测试中总体准确率达76%, 并对罕见的三级、四级分级显示出优于传统训练方法的识别精度(精确率分别达0.54和0.72). 该模型基于Hill分级间接推断食管裂孔疝存在的准确率高达94%, 为内镜下反流相关解剖结构的标准化、自动化评估提供了高效方案. 除了上述基于内镜和测压的评估外, 新兴的无创影像学技术结合AI, 也为EGJ功能评估提供了互补视角. 一种应用深度学习算法优化的超快实时电影磁共振成像(magnetic resonance imaging, MRI)[20], 通过测量食管下段宽度、食管下括约肌长度, 以及呼气末与瓦尔萨尔瓦动作后His角的变化, 可大幅提升时间分辨率, 动态捕捉吞咽及瓦尔萨尔瓦动作期间EGJ的启闭与反流事件, 其联合诊断GERD的AUC可达0.823.
AI在EGJ评估中已体现明确临床价值, HREM图像自动判读、Hill分级自动化模型因准确率高、操作便捷, 已具备临床转化条件, 可助力基层医师规范评估. 当前研究的核心局限在于, 无创MRI结合AI技术样本量小且缺乏多中心验证, 多数模型局限于单一评估手段, 对罕见EGJ异常的识别精度不足. 未来需重点验证无创模型泛化性, 整合多模态数据完善评估体系, 优化算法提升罕见病变识别能力, 促进模型与临床诊疗深度衔接.
咽喉反流病(laryngopharyngeal reflux disease, LPRD)是GERD常见的食管外表现, 但多数此类患者的症状并非由客观胃食管反流引发, 高达60%的患者动态反流监测结果正常, 导致LPRD与单纯咽喉反流症状(laryngopharyngeal reflux symptom, LPS)、GERD的鉴别成为临床诊疗中的难题. 圣地亚哥多学科共识已明确区分LPRD、LPS与GERD, 界定LPS主要包括咳嗽、声音嘶哑或音质改变、频繁清嗓、咽喉黏液过多、咽喉疼痛或不适等表现. 当患者长期存在困扰性LPS且具备客观反流证据时, 可诊断为LPRD, 里昂共识2.0对GERD的诊断标准同样适用于LPRD.
针对青年这一传统研究较少覆盖的群体, 一项纳入吉林省21所高校502名本科生的研究[21], 首次将遗传算法优化的堆叠集成模型应用于LPS筛查. 该研究通过复合特征筛选, 明确超重、缺乏规律运动等核心危险因素, 不仅填补了青年群体LPS AI筛查的研究空白, 还弥补了传统反流症状指数量表特异性不足、食管pH-阻抗监测难以普及的缺陷. 其基于电子问卷获取特征数据的模式, 操作简便、成本低廉, 适配校园、社区等基层场景的大规模筛查需求. 胃食管反流相关慢性咳嗽(gastroesophageal reflux-related chronic cough, GERC)是GERD典型食管外表现, 另有研究构建了融合Peptest™(唾液胃蛋白酶检测)与GERD问卷(GERD questionnaire, GerdQ)评分的无创机器学习模型[22]. 该研究通过Boruta算法, 筛选出GerdQ评分与Peptest™结果作为核心预测特征, 最终选定逻辑回归模型用于临床转化. 该模型在测试集中表现优异, AUC达0.876, 特异度为95.1%. 限制性立方样条分析进一步明确, 当GerdQ评分>8.66分、Peptest™检测浓度>54.791 ng/mL时, GERC发病风险显著升高, 为临床提供了明确的风险分层阈值. 该模型既克服了GerdQ问卷对非酸反流敏感性不足的问题, 又提升了Peptest™单独使用时的鉴别效能, 可作为食管pH-阻抗监测的替代或补充工具, 尤其适用于基层医疗机构、资源有限场景及无法耐受侵入性检查的患者.
AI可整合症状、生物标志物及生活方式等多维度数据, 构建无创鉴别体系, 显著提升GERD与咽喉反流相关疾病的鉴别效能, 拓展临床应用场景, 为基层筛查及特殊人群评估提供可靠支撑. 其无创、便捷的核心优势, 使其在咽喉反流鉴别中实用性突出, 具备较强临床转化潜力. 然而当前模型多依赖特定人群数据, 样本同质性高导致普适性不足, 同时未充分纳入精神心理因素, 影响鉴别的全面性. 未来需扩大样本覆盖范围、纳入多年龄段及不同病程患者, 补充精神心理指标优化模型, 推动无创鉴别技术在基层普及, 规范GERD食管外表现鉴别流程.
包括内镜手术在内的抗反流手术, 是药物治疗效果不佳或存在并发症的GERD患者的重要治疗选择. AI技术正逐步整合临床指南、生物力学参数、手术变量等多元信息, 在抗反流手术的指征判断、术式选择、疗效预测及风险评估中展现出新的应用价值.
以ChatGPT、Copilot等为代表的通用大型语言模型(large language model, LLM), 常因可及性强而被医患双方用于初步咨询, 但它们提供的GERD手术建议常因缺乏指南依据, 较难满足临床决策对标准化与安全性的高要求. 一项针对主流LLM的系统性评估研究, 以国内外权威学会指南为金标准, 构建标准化测试病例[22], 试验发现ChatGPT-4、Copilot、Google Bard等不同模型回答的指南符合率差异大且整体不足, 在成人医师端咨询中最高为85.7%, 最低仅42.9%, 尤其在回答术式比较、并发症权衡的复杂问题时准确性更低. 这表明未经优化的通用LLM目前仅能作为辅助参考, 无法独立支撑临床决策.
为克服通用模型的局限, 研究者尝试对基础LLM进行快速、低成本的医疗场景定制. 一项以通用ChatGPT-4为基底的研究, 通过向其"输入"权威手术指南原文并进行针对性反馈训练, 在极短时间内构建了GERD手术专用工具(GERD tool for surgery, GTS)[23]. 测试中, GTS对医师端和患者端的所有咨询均能提供100%符合指南的建议, 并能根据用户身份自动调整回答的专业性与详略程度, 明显优于同期通用版本的性能. 这提示, 对模型"注入指南式"的快速定制, 可以开发出既能辅助低年资医师, 又能以通俗语言优化患者教育的专用工具, 推动手术管理的标准化. 该研究首次系统证实, 通用LLM在GERD外科决策中存在场景依赖性与准确性不均的问题, 同时明确, 复杂手术决策场景仍需医师主导, LLM仅可作为辅助参考.
指南定制化LLM(如GTS)具备快速临床转化潜力, 可辅助术前宣教、低年资医师培训, 规范手术指南执行, 减少经验性决策偏差. 然而, 现有通用模型指南符合率偏低, 无法独立支撑临床决策, 而专用模型定制过度依赖指南, 缺乏个体化临床特征整合, 且可解释性不足, 影响医师信任度. 可以考虑优化专用模型定制流程, 纳入患者年龄、合并症等个体化参数, 强化模型可解释性并提供可视化依据, 通过多中心验证推动其融入临床手术决策.
2.2 AI预测手术疗效与评估个体化风险 AI的价值不仅在于提供标准化建议, 更在于能整合多维度数据, 预测个体化治疗结局. 已有研究展示了AI在动力障碍性疾病治疗决策的预测潜力. Halder等[24]开发的力学知情变分自编码器框架, 通过整合食管功能腔内成像探针等检查的生物力学参数, 构建虚拟疾病图谱, 能够精准按病症聚类患者. 该框架基于食管壁硬度、收缩强度等核心指标, 预测经口内镜下肌切开术或球囊扩张的治疗效果, 量化术后食管括约肌张力降低与收缩模式改善情况, 实现治疗方案的个体化选择与长期预后的追踪. 在代谢手术领域, 袖状胃切除术后新发或加重胃食管反流是重要临床问题. Ghareeb等[25]通过回顾性队列研究发现, 在预测模型中整合术前胃食管瓣膜功能的Hill分级、质子泵抑制剂使用史等变量, 可提升预测效能.
AI可整合多类手术相关信息, 在抗反流手术疗效预测与个体化风险评估中展现出良好应用前景, 能推动手术决策个体化, 但目前整体仍处于研究早期阶段. 未来发展可考虑建立标准化预测变量体系, 开展多中心前瞻性验证, 构建不同术式的专用模型, 结合个体化特征提升手术决策精准性.
风险筛查与预防干预方面, AI模型凭借非侵入性优势. 实现大规模高效风险识别. 针对青年群体的GA-Stacking模型, [21]整合高盐高脂饮食、晚餐过晚等生活方式危险因素与症状数据, 可通过校园体检、社区筛查识别高危个体, 提前启动饮食作息干预, 降低疾病发生与复发风险. 该模型操作简便、成本低廉, 适配基层与群体筛查需求. 在个体化干预与疗效追踪方面, AI实现了从标准化治疗向个性化管理的转变. 针对合并吞咽困难的患者, AI优化的生物反馈系统可提升居家功能电刺激治疗的有效性; 接受抗反流手术的患者, MI-VAE框架能基于生物力学参数, 纵向追踪术后恢复情况, 为康复方案调整提供支撑[26]. 同时, AI可结合患者生活方式与治疗应答数据, 定制饮食、运动等个性化方案, 提升干预的针对性与依从性[27]. 在远程监测与随访管理方面, AI拓展了管理的便捷性与覆盖范围. 融合Peptest™与GerdQ评分的无创模型, 可作为基层场景中食管阻抗-pH监测的替代工具, 方便患者居家完成疗效评估, 减少复诊负担[22]; 同时AI健康管理平台能自动整合多源数据、生成随访报告, 提升随访依从性.
AI在GERD长期管理中落地性与临床适配性突出, 凭借低成本、无创便捷的优势, 可有效改善传统管理中依从性低、干预不精准的问题, 适配基层及社区推广需求. 当前研究的核心短板在于, 模型数据缺乏实时性、依赖患者主动上报, 且无统一健康管理平台支撑多模态数据整合, 其对依从性的干预效果也缺乏长期随访验证. 未来需构建统一AI健康管理平台、整合多源实时数据, 优化个性化干预方案, 并通过长期随访验证模型对患者预后及生活质量的改善作用.
AI技术已逐步融入GERD诊疗与全程管理的各关键环节, 即将构建起从精准诊断、手术决策到长期健康管理的完整应用体系. 在诊断领域, AI通过优化内镜图像分级、实现 pH-阻抗监测自动化、精准评估EGJ功能及鉴别GERD与LPRD, 显著提升了诊断的准确性与标准化程度, 有效破解了传统诊断中主观性强、效率低下等难题. 在手术治疗方面, AI辅助抗反流手术决策并预测疗效与个体化风险, 为手术方案优化及预后评估提供了客观依据, 推动了治疗模式向精准化、个体化转变. 在长期全程管理中, AI通过风险人群早期筛查、个性化干预方案制定及远程随访监测, 提升了干预针对性与患者依从性.
尽管AI在GERD领域的应用已取得显著进展, 但仍面临诸多困境: 数据质量与标准化不足, 现有研究多为单中心小样本回顾性研究, 标注缺乏统一标准, 复杂临床场景泛化能力有限; 临床可解释性不足, 多数"黑箱"模型难以提供清晰决策依据, 医师信任度不高; 临床转化路径不完善, 缺乏多中心前瞻性验证等. 未来可通过多中心协作构建高质量数据集, 深化多模态数据融合与算法优化, 强化模型在基层医疗场景的适配性, 同时完善临床应用规范与验证体系. 随着技术的持续创新与临床转化的推进, AI有望成为GERD规范化诊疗与高效管理的核心支撑, 进一步优化医疗资源配置, 助力GERD诊疗模式创新发展.
| 1. | Gyawali CP, Kahrilas PJ, Savarino E, Zerbib F, Mion F, Smout AJPM, Vaezi M, Sifrim D, Fox MR, Vela MF, Tutuian R, Tack J, Bredenoord AJ, Pandolfino J, Roman S. Modern diagnosis of GERD: the Lyon Consensus. Gut. 2018;67:1351-1362. [PubMed] [DOI] |
| 2. | Eusebi LH, Ratnakumaran R, Yuan Y, Solaymani-Dodaran M, Bazzoli F, Ford AC. Global prevalence of, and risk factors for, gastro-oesophageal reflux symptoms: a meta-analysis. Gut. 2018;67:430-440. [PubMed] [DOI] |
| 3. | Clouse RE, Richter JE, Heading RC, Janssens J, Wilson JA. Functional esophageal disorders. Gut. 1999;45 Suppl 2:II31-II36. [PubMed] [DOI] |
| 4. | Abdallah J, George N, Yamasaki T, Ganocy S, Fass R. Most Patients With Gastroesophageal Reflux Disease Who Failed Proton Pump Inhibitor Therapy Also Have Functional Esophageal Disorders. Clin Gastroenterol Hepatol. 2019;17:1073-1080.e1. [PubMed] [DOI] |
| 5. | Delshad SD, Almario CV, Chey WD, Spiegel BMR. Prevalence of Gastroesophageal Reflux Disease and Proton Pump Inhibitor-Refractory Symptoms. Gastroenterology. 2020;158:1250-1261.e2. [PubMed] [DOI] |
| 6. | Gyawali CP, Yadlapati R, Fass R, Katzka D, Pandolfino J, Savarino E, Sifrim D, Spechler S, Zerbib F, Fox MR, Bhatia S, de Bortoli N, Cho YK, Cisternas D, Chen CL, Cock C, Hani A, Remes Troche JM, Xiao Y, Vaezi MF, Roman S. Updates to the modern diagnosis of GERD: Lyon consensus 2.0. Gut. 2024;73:361-371. [PubMed] [DOI] |
| 8. | Ge Z, Wang B, Chang J, Yu Z, Zhou Z, Zhang J, Duan Z. Using deep learning and explainable artificial intelligence to assess the severity of gastroesophageal reflux disease according to the Los Angeles Classification System. Scand J Gastroenterol. 2023;58:596-604. [PubMed] [DOI] |
| 9. | Wang CC, Chiu YC, Chen WL, Yang TW, Tsai MC, Tseng MH. A Deep Learning Model for Classification of Endoscopic Gastroesophageal Reflux Disease. Int J Environ Res Public Health. 2021;18:2428. [PubMed] [DOI] |
| 10. | Yen HH, Tsai HY, Wang CC, Tsai MC, Tseng MH. An Improved Endoscopic Automatic Classification Model for Gastroesophageal Reflux Disease Using Deep Learning Integrated Machine Learning. Diagnostics (Basel). 2022;12:2827. [PubMed] [DOI] |
| 11. | Li X, Wu Q, Wang M, Wu K. Uncertainty-aware network for fine-grained and imbalanced reflux esophagitis grading. Comput Biol Med. 2024;168:107751. [PubMed] [DOI] |
| 12. | Huang CR, Chen YT, Chen WY, Cheng HC, Sheu BS. Gastroesophageal Reflux Disease Diagnosis Using Hierarchical Heterogeneous Descriptor Fusion Support Vector Machine. IEEE Trans Biomed Eng. 2016;63:588-599. [PubMed] [DOI] |
| 13. | Kenari AR, Rabbani H. Segmentation of gastroesophageal reflux events using a semi-U-Net architecture with 1D/2D CNNs. Sci Rep. 2025;15:37152. [PubMed] [DOI] |
| 14. | Rogers B, Samanta S, Ghobadi K, Patel A, Savarino E, Roman S, Sifrim D, Gyawali CP. Artificial intelligence automates and augments baseline impedance measurements from pH-impedance studies in gastroesophageal reflux disease. J Gastroenterol. 2021;56:34-41. [PubMed] [DOI] |
| 15. | Wong MW, Liu MX, Lei WY, Liu TT, Yi CH, Hung JS, Liang SW, Lin L, Tseng CW, Wang JH, Wu PA, Chen CL. Artificial intelligence facilitates measuring reflux episodes and postreflux swallow-induced peristaltic wave index from impedance-pH studies in patients with reflux disease. Neurogastroenterol Motil. 2023;35:e14506. [PubMed] [DOI] |
| 16. | Zhou MJ, Zikos T, Goel K, Goel K, Gu A, Re C, Florez Rodriguez DJ, Clarke JO, Garcia P, Fernandez-Becker N, Sonu I, Kamal A, Sinha SR. Development and Validation of a Machine Learning System to Identify Reflux Events in Esophageal 24-Hour pH/Impedance Studies. Clin Transl Gastroenterol. 2023;14:e00634. [PubMed] [DOI] |
| 17. | Mascarenhas M, Mota J, Rala Cordeiro J, Mendes F, Martins M, Cardoso P, Almeida MJ, Pinto da Costa A, Hajra Martinez I, Matallana Royo V, Niland B, Di Palma J, Ferreira J, Macedo G, Santander C. Artificial Intelligence Driven Diagnosis of Motility Patterns in High-Resolution Esophageal Manometry: A Multicentric Multidevice Study. Clin Transl Gastroenterol. 2025;16:e00941. [PubMed] [DOI] |
| 18. | Popa SL, Surdea-Blaga T, Dumitrascu DL, Pop AV, Ismaiel A, David L, Brata VD, Turtoi DC, Chiarioni G, Savarino EV, Zsigmond I, Czako Z, Leucuta DC. Gemini-Assisted Deep Learning Classification Model for Automated Diagnosis of High-Resolution Esophageal Manometry Images. Medicina (Kaunas). 2024;60:1493. [PubMed] [DOI] |
| 19. | Kafetzis I, Fuchs KH, Sodmann P, Troya J, Zoller W, Meining A, Hann A. Efficient artificial intelligence-based assessment of the gastroesophageal valve with Hill classification through active learning. Sci Rep. 2024;14:18825. [PubMed] [DOI] |
| 20. | Liu Q, Xin Y, Wu C, Li J, Song H, Zhang Y, Fu J, Jia Z, Sun H. Diagnostic value of combining ultrafast cine MRI and morphological measurements on gastroesophageal reflux disease. Abdom Radiol (NY). 2025;50:4495-4506. [PubMed] [DOI] |
| 21. | Li S, Wang G, Guo H, Cheng J, Yu D. Machine learning for screening laryngopharyngeal reflux symptoms in college students: a cross-sectional study. Ann Med. 2026;58:2610063. [PubMed] [DOI] |
| 22. | Yuan J, Luo X, Huang L, Zhou Y, Sha B, Zhang T, Wang S, Yu L, Xu X. Diagnostic value of Peptest™ combined with gastroesophageal reflux disease questionnaire in identifying patients with gastroesophageal reflux-induced chronic cough. Chron Respir Dis. 2025;22:14799731251364875. [PubMed] [DOI] |
| 23. | Huo B, Marfo N, Sylla P, Calabrese E, Kumar S, Slater BJ, Walsh DS, Vosburg W. Clinical artificial intelligence: teaching a large language model to generate recommendations that align with guidelines for the surgical management of GERD. Surg Endosc. 2024;38:5668-5677. [PubMed] [DOI] |
| 24. | Halder S, Yamasaki J, Acharya S, Kou W, Elisha G, Carlson DA, Kahrilas PJ, Pandolfino JE, Patankar NA. Virtual disease landscape using mechanics-informed machine learning: Application to esophageal disorders. Artif Intell Med. 2022;134:102435. [PubMed] [DOI] |
| 25. | Ghareeb W, Emile SH. Integrating the Hill's Classification of Gastroesophageal Junction into the Artificial Intelligence Predictive Model for Gastroesophageal Reflux Disease after Sleeve Gastrectomy; a Room for Improvement? Obes Surg. 2022;32:3174-3175. [PubMed] [DOI] |
| 26. | Shukla RN, Woodman R, Myers JC, Watson DI, Bright T, Thompson SK. Application of machine learning models to identify predictors of good outcome after laparoscopic fundoplication. J Gastrointest Surg. 2025;29:102029. [PubMed] [DOI] |
| 27. | Guadagnoli L, Abber S, Geeraerts A, Geysen H, Pauwels A, Tack J, Van Oudenhove L, Vanuytsel T. Physiological and Psychological Factors Contribute to Real-Time Esophageal Symptom Reporting in Patients With Refractory Reflux. Am J Gastroenterol. 2025;120:344-352. [PubMed] [DOI] |
学科分类: 胃肠病学和肝病学
手稿来源地: 山东省
同行评议报告学术质量分类
A级 (优秀): 0
B级 (非常好): B, B
C级 (良好): C, C
D级 (一般): 0
E级 (差): 0
科学编辑: 刘继红 制作编辑:张砚梁