最近，使用深度學習的人工智能(AI)在醫學領域上取得了顯著進步，但大多數的預測目標是癌症的有無，較少針對癌症的期數做預測，所以本技術證明了AI檢測食道癌期數的診斷能力，期望能協助醫生在使用內視鏡輔以人工智慧增加診斷食道癌的準確度。本技術與高雄醫學大學合作，由高醫提供936張食道癌內視鏡圖像作為訓練圖像，其中包含498張白光內視鏡(WLI)與438張窄帶成像內視鏡(NBI)圖像，根據食道癌化過程分為化生不良(Dysplasia)、介於化生不良與食道癌化(Dysplasia-ECA)、食道癌(ECA)四種型態，將這些圖像分成各自獨立的訓練圖像與測試圖像，透過卷積神經網絡(CNN)建構單步多框檢測器(Single Shot Multibox Detector，SSD)，並準備了264張測試圖像，以評估模型診斷的準確性。
 研究結果發現使用SSD模型花了10秒鐘分析264張測試圖像並可正確地檢測出其中224張食道癌病症，在WLI診斷的結果中，SSD診斷準確率為83%，將SSD診斷食道的靈敏度依照食道癌嚴重程度Normal、Dysplasia、Dysplasia-ECA、ECA依序排列為76%、61%、86%、93%，精確度為72%、85%、86%、85%；在NBI診斷的結果中，SSD診斷準確率為86%，將SSD診斷食道的靈敏度依照食道癌化過程Normal、Dysplasia、Dysplasia-ECA、ECA依序排列為68%、83%、88%、98%，精確度為89%、88%、86%、84%，將NBI與WLI相比，就靈敏度(召回率)而言，不管是WLI或NBI的Normal值都頗低，原因可能是食道陰影的部分所造成，但NBI影像的Dysplasia分期比WLI的靈敏度高出許多;就精確度而言，NBI影像的Normal分期比WLI高出許多;就F1-score而言，NBI影像的Dysplasia分期比WLI高出許多，差異就在於NBI影像的Dysplasia分期的召回率比WLI高，綜上所述，本研究之SSD在WLI與NBI食道癌影像檢測上最大差異為Dysplasia分期。構建用於檢測食道癌的SSD系統可以在短時間內以高靈敏度分析存儲的內視鏡圖像，但是，更多的訓練可以提高診斷的準確性。該系統可以促進實踐中的早期檢測，從而在不久的將來有更好的診斷。

我們提供一套以卷積神經網絡(Convolutional neural network, CNN)為基礎的單步多框檢測器(Single Shot Multibox Detector, SSD)針對食道癌影像的辨識系統，證明AI具備檢測食道癌的診斷能力。

應用於相關醫療機關及診所的場所，搭載於內視鏡之診察系統，快速並精準地診斷病患的病症發生區域及嚴重程度。