胃癌是一种常见的消化系统恶性肿瘤，是全球第五大最常见的癌症，在癌症相关的死亡原因中排名第四，尤其高发于东亚地区，对我国的国民健康构成了巨大的威胁。基于消化内镜的胃癌早期筛查可以有效降低胃癌死亡率，然而其诊断精度仍然受限于内镜医生的诊断经验和主观定性判断，存在医生间诊断结果不一致的问题。近年来，随着深度学习等人工智能方法的广泛应用，为开发胃癌辅助诊断算法提供了新的机遇，有望提高胃癌诊断精度，减轻医生诊疗负担。

深度学习的成功应用不仅依赖于精心设计的深度学习模型，更需要大规模、高质量的有标签数据集用于模型训练。然而，由于医学图像的标注成本远远高于自然图像，从实时视频中提取的内镜图像数量巨大，医生往往只能标注其中数量有限的样本。此外，由于胃癌内镜诊断中病理穿刺的有创性，通常只能针对少数病人和可疑病变部位穿刺获得病理诊断金标准。因此，在开发胃癌辅助诊断智能算法时，只有少量的有标签数据，而存在大量的无标签数据待发掘利用。如何有效利用有限的有标签数据并挖掘无标签数据的信息，是开发胃癌辅助诊断算法的一个挑战。

半监督学习算法，可同时使用有标签数据和无标签数据，为开发胃癌辅助诊断算法提供了更有潜力的手段。本文针对消化内镜图像病灶多样性、成像高噪声、标签长尾分布等特性，从网络架构、数据增强、学习算法等角度进行方法创新，构建了基于消化内镜图像的胃癌半监督辅助诊断算法。具体来说，本文开展了以下三个工作：

1. 针对消化内镜图像中不同病灶存在较大形态差异的问题，构建了基于深度学习的胃癌全监督辅助诊断算法。设计了结合CNN(Convolutional Neural Network)和ViT(Vision Transformer)的混合网络架构，融合局部特征和全局特征，构建基于深度学习的胃癌全监督辅助诊断算法。最后通过实验验证，从CNN网络架构、训练方式和ViT结构设计等方面进行对比分析，性能最佳的混合模型在病变分类和浸入深度估计任务上的平均AUC分别为 80.67% 和 72.33%，并为后续的半监督辅助诊断算法提供了骨干网络和基线指标。

2. 针对大量无标签消化内镜图像未被有效利用的问题，设计了基于一致性正则的胃癌半监督辅助诊断算法。设计了针对消化内镜图像的数据扰动策略，通过链式组合消化内镜图像的成像、噪声、模糊、数字化等多种图像增强方式，加强一致性正则语义信息。最后通过实验验证了半监督学习策略的有效性，在只有10%的有标签数据的情况下，半监督学习模型的病变分类和深度估计的平均AUC相比深度学习模型分别提高了2.19%和4.77%。在50%的有标签数据情况下，半监督学习算法性能接近100\%有标签数据下的全监督模型，展现了半监督学习算法在开发标签高效的胃癌辅助诊断算法中的应用前景。

3. 针对胃癌诊断类别不均衡影响模型训练的问题，提出了融合平衡匹配策略的胃癌半监督辅助诊断算法。结合半监督学习算法中伪标签的动态筛选和长尾分类中的动态阈值，利用课程学习框架融合半监督学习和长尾学习，缓解伪标签机制加剧的类别不平衡问题。最后通过实验验证，平衡匹配策略能够进一步提高半监督学习算法的分类性能，在病变分类和深度估计任务上的平均AUC达到了82.17% 和 74.03%，优于其他半监督学习算法，并且在不同类别的分类上表现相对均衡，有望提升长尾场景下的胃癌半监督辅助诊断算法性能。

综上所述，本文从深度学习模型架构、一致性正则损失和长尾学习等多个方面，探索了基于消化内镜图像的胃癌半监督辅助诊断算法。本文所构建的半监督辅助诊断算法，有望提高辅助诊断的算法精度和标签利用效率，减轻医生诊疗负担。相关工作本人以第一作者在 Chinese Medical Sciences Journal、Gastroenterology Report等期刊上发表了三篇论文，申请了两项国家发明专利，并登记了三项软件著作权。