背景食管癌是全球最常见的恶性肿瘤之一,其发病率和死亡率均较高。在我国,近年来食管癌的发病率已较前有所下降,但其死亡率仍较高,一直位居第四位,是威胁我国居民健康的主要恶性肿瘤。大多数患者发现时已处于中晚期,即便通过食管癌根治术或放化疗,5年生存率仅有不到20%。然而,如能在早期就通过筛查发现,并积极治疗,其5年生存率可以上升至90%以上。因此,早期发现、早期治疗是食管癌诊治的关键措施。由于受到许多因素影响,目前我国早期食管癌检出率仍然不尽如人意,限制了患者的预后。随着人工智能技术的发展,其在医学影像领域应用越来越广泛,有望通过该技术大幅提高早期食管癌的检出率。目的建立人工智能辅助的早期食管癌及癌前病变内镜诊断系统,旨在提高白光内镜下早期食管癌及癌前病变的检出率。通过优化算法,实现病变边界初步判定及实时动态识别。方法回顾性的选取了480例经EMR或ESD术后病理确诊的早期食管癌及癌前病变病例,共3328张病变内镜图片。将收集选取的图像交由2位经验丰富的内镜医师,参考病变EMR或ESD术前碘染情况,用闭合曲线描绘出病变的边界。将其中2036张图片作为训练集,剩余1292张图片作为测试集,同时选取了1050张正常食管内镜图片加入测试集作为阴性对照。通过YOLOv3算法建立早期食管癌及癌前病变的分类模型;通过Bisenet算法建立病变边界识别模型。利用测试集来测试训练得到的模型,计算病变分类模型不同截断点系统的灵敏度及特异度,绘制ROC曲线后,得到曲线下面积（AUC值）。计算病变边界识别模型识别的病变范围与实际病变范围的重叠面积。记录模型识别图片的速度以测试是否达到实时识别条件。结果此诊断系统对于早期食管癌及癌前病变的分类检测具有较高的效能:设定诊断阈值为70%时正确率为99.06%、灵敏度为98.76%、特异度为99.43%、阳性预测值为99.53%、阴性预测值为98.49%,选取不同截断点绘制的ROC曲线后,得到曲线下面积（AUC值）达0.928。此诊断系统对病变范围的识别具有较高的重叠比例:重叠面积波动于65%-95%。此诊断系统的识别速度达到实时识别条件,可以实现实时识别。结论基于深度神经网络的早期食管癌及癌前病变内镜诊断技术具有较高的诊断效能,对病变边界的识别具有较高的重叠比例,通过模型优化,可以实现实时动态识别。