背景食管胃交界部腺癌（Adenocarcinoma of the esophagogastric junction,AEGJ）发病率近年来呈上升趋势,由于大多数患者早期症状和体征往往是非特异的,因此肿瘤常常在晚期被诊断。食管胃十二指肠镜检查是诊断早期AEGJ的标准方法,但早期癌灶通常特征不明显,容易和胃炎等非癌性病变相混淆。内镜医师的技术水平,加上医师因疲劳或情绪因素而无法集中注意力,可能会导致漏诊的发生。人工智能（Artificial intelligence,AI）使用计算机来模拟某些思维过程和智能行为形式。在消化道内镜领域,利用基于深度学习的AI构建计算机辅助检测系统对疑似病灶进行提示从而减少漏诊成为人们关注的焦点。迄今为止,关于AI在检测AEGJ的研究有限,且基于静止图像,本研究基于白光内镜图片开发人工模型,并应用图像视频行测试,评估基于AI模型在白光内镜下识别早期AEGJ的临床应用。方法本研究回顾了山东大学齐鲁医院内镜中心数据库,收集2014年6月至2020年6月期间409名患者1608张食管胃结合部（Esophagogastric junction,EGJ）早癌白光内镜图像、504名患者1656张EGJ非癌性内镜图像用于模型的训练和验证。使用You Only Look Once version 5x（YOLOv5x）作为模型建立 CADe 模型。收集 2020 年 7 月至 2021年6月200名患者内镜资料、性别、年龄、病变分型、组织病理等信息,图像测试集纳入89名早期AEGJ患者的301张图像以及1 1 1患者的304张非癌图像,并录制其中29名早癌患者的内镜视频作为视频测试集。5名内镜专家和3名内镜初学者独立地对图像测试集进行判断,通过Kappa分析比较模型和内镜专家的观察者间一致性,并比较模型和初学者的诊断性能,并评估模型在辅助初学者中作用。结果AI模型在图像测试集中的敏感度、特异度、准确度、阳性预测值、阴性预测值分别为0.924、0.852、0.888、0.861和0.918。基于患者层面的敏感度、特异度和准确度为0.933、0.739、0.825。模型与5名专家之间的观察者间一致性是公平的,kappa值为0.722、0.737、0.749、0.761、0.805。相比于内镜初学者,AI模型具有更高的灵敏度、特异度和准确度,并且能够显著提高早癌检出率（94.9%vs.78.8%,P＜0.01）。当应用动态视频测试时,AI模型可以正确识别93.1%的早癌病变（27/29）。结论本研究基于YOLOv5x设计并开发了一个检测白光内镜下早期AEGJ的AI模型,前瞻性收集静态图像和动态视频评估模型的检测性能,AI模型与内镜专家具有较高的诊断一致性,能够帮助初学者在临床实践中高效地识别早癌病变。AI模型能够准确发现早期AEGJ病灶,对内镜医师起到提示的作用,减少因内镜医师经验不足和大量工作出现疲劳导致内镜检查过程遗漏病灶。AI有望成为内镜医师,尤其是内镜初学者,在临床实践中的良好助手。未来需要多中心、大样本的随机对照研究进一步探索AI模型在早期AEGJ临床工作中的价值。