目的·探究基于人工智能（artificial intelligence,AI）技术中深度卷积神经网络（deep convolutional neural network,DCNN）模型构建的计算机辅助检测（computer-aided detection,CADe）系统对缺乏电子结肠镜操作经验的初级医师结直肠息肉检出率的影响。方法·选取上海交通大学医学院附属同仁医院内镜中心数据库2019年1月—2020年12月的结肠镜图像及2021年1月—3月的结肠镜视频。将筛选出的图像和视频分为数据集1 （5 908张图像）和数据集6 （360条短视频），数据集1分为数据集1a （4 906张图像）、数据集1b （300张图像）和数据集1c （702张图像）；其中，数据集1c为从视频数据集6中截取的图像。数据集2～5分别为公共数据集CVC-ClinicDB、CVC-ColonDB、ETIS-Larib Polyp DB和KVASIR，共包含2 188张图片。数据集1a和数据集2～5为模型训练集，数据集1b和数据集1c为模型测试集。将10名经过培训且无结肠镜操作经验的初级医师随机分为AI辅助组（A组，n=5）及无AI辅助组（B组，n=5）。2组医师分别对360条结肠镜视频进行判读。前180条视频两组均无AI辅助。后180条视频中，AI辅助组辅以息肉检测系统，将视频数据集经检测系统处理后标记息肉，供研究者判读；无AI辅助组则观看原始视频，判读是否存在息肉。所有视频先由2位高年资内镜医师确认是否存在息肉；若存在争议，则剔除该视频，并以这2位医师共同确认的诊断结果为金标准。视频中存在息肉，受试者未能检出，视为漏诊；视频中无息肉，受试者判断存在息肉，视为误诊。结果·前180条视频均无AI辅助时，A组与B组结直肠息肉漏诊例数比较，差异无统计学意义；后180条视频中，A组息肉检出漏诊例数明显小于B组（P=0.031）；在A组内比较，后180条视频中的息肉漏诊例数小于前180条视频，差异具有统计学意义（P=0.007）。2组间及各自组内的息肉误诊例数比较，差异均无统计学意义。结论·该研究所构建的DCNN模型辅助下的结直肠息肉检测模型可以明显改善缺乏结肠镜操作经验医师的结直肠息肉检出率，同时不会增加结直肠息肉的误诊。