目的:基于深度学习技术的计算机辅助诊断已成为胃肠病学领域的研究热点,计算机辅助诊断结直肠息肉引起越来越多的关注。本研究拟构建和验证一个自动识别结直肠息肉的深度学习模型,分析该模型对新手内镜医师的辅助学习功能。方法:回顾性收集2018年1月—2020年12月青岛市市立医院东院内镜中心数据库中的结肠镜图像22004张和203个结肠镜短视频作为深度学习模型的训练集和验证集,数据集均由2名内镜专家结合组织病理标注息肉为验证标准。训练集由14004张内镜图像组成,基于YOLOv3深度学习算法,构建了辅助诊断结直肠息肉深度学习模型。验证集由8000张内镜图像和203个息肉短视频组成,通过模型对验证集进行验证,比较该模型与5名新手内镜医师诊断结直肠息肉的敏感性、特异性、准确率、诊断时间的差别。结果:1.内镜图像:深度学习模型诊断内镜图像中结直肠息肉的敏感性为93.5%,特异性为98.7%,准确率为96.1%,每张图像的诊断时间为（0.20±0.03）s,模型的敏感性、准确率、诊断时间优于5名新手内镜医师（P<0.005）,特异性优于部分新手内镜医师（P<0.005或P>0.05）。当息肉≤5 mm或6～9 mm时,模型的准确率分别为88.1%、96.7%,优于5名新手内镜医师（P<0.005）;当息肉≥10 mm时,模型的准确率为100%,与5名新手内镜医师相仿（P>0.05）。模型识别隆起型息肉的准确率为94.5%,模型识别扁平型息肉的准确率为92.6%,均优于5名新手内镜医师（P<0.005）。2.内镜视频:深度学习模型诊断内镜视频中息肉准确率为98.6%,模型总体准确率优于5名新手内镜医师。当息肉≤5 mm或6～9 mm时,模型每息肉的准确率分别为97.4%、100%,优于5名新手内镜医师（P<0.05）;当息肉≥10 mm时,模型每息肉的准确率为100%,与5名新手内镜医师相仿（P>0.05）。模型识别隆起型息肉的每息肉准确率为98.9%,模型识别扁平型息肉的准确率为98.3%,均优于5名新手内镜医师（P<0.05）。3.模型假阳性、假阴性结果分析:深度学习模型诊断内镜图像中结直肠息肉的假阴性率为6.8%,假阳性率为1.3%。漏诊的扁平息肉占假阴性图像36.2%,漏诊的结肠皱襞处息肉占假阴性图像31.5%,误诊结肠皱襞为息肉占假阳性图像44.2%,为模型假阴性或假阳性的主要原因。其它原因如黏液泡沫、粪便、图像模糊、困难角度、颜色干扰、距离过远、回盲部、镜头光斑均会在一定程度上导致假阴性或假阳性结果。结论:1.深度学习模型对结直肠息肉的辅助诊断有较高的准确率、敏感性、特异性,且诊断时间较短,可辅助新手内镜医师识别结直肠息肉。2.深度学习模型诊断微小息肉、小息肉、扁平息肉及隆起型息肉的准确率优于新手内镜医师,模型适用于辅助新手内镜医师识别以上息肉。3.扁平息肉、结肠皱襞是造成模型假阳性和假阴性的主要原因,黏液泡沫、粪便、图像模糊、困难角度、颜色干扰、距离过远、回盲部、镜头光斑均会在一定程度上导致假阴性或假阳性结果。