目的:对比深度学习模型VGG19、ResNet50和EfficientNet-B4在面向单图像的良恶性胃溃疡分类中的识别效果,选择最佳模型作为研究基础。构建面向病例的多图片良恶性胃溃疡的识别模型,并研究其对该病的鉴别诊断价值。研究方法:按照纳入和排除标准,共纳入普通白光内窥镜图像数据集病例3238例。根据患者在内窥镜检查中的最终病理结果,将数据集分为恶性胃溃疡（胃癌）、良性胃溃疡（胃溃疡）和慢性浅表性胃炎（正常胃）。本研究数据集中正常胃病例（慢性浅表性胃炎）1730例包含正常图像3242张、良性胃溃疡病例761例包含良性溃疡图像2346张、恶性胃溃疡（胃癌）病例747例包含恶性溃疡图像3599张。然后按照需求对收集的数据进行预处理,并以“8:1:1”作为划分比例,按照随机分配原则将数据分成“训练集、验证集、测试集”三类。首先,选择带有预训练权重的VGG 19、ResNet50和EfficientNet-B4三种深度学习模型作为学习模型,用面向单图片的训练集进行微调训练,用验证集图像对模型进行最优参数选取,用测试集测试优调后的模型,并最终选择出最优的模型为 EfficientNet-B4。其次,建立基于面向病例的多图片输入的EfficientNet-B4模型,借助训练集对该模型模型参数进行训练;通过验证集验证深度学习模型,对深度学习模型的超参数展开优化调整;将测试集中的324例病例输入已训练好的人工智能模型中获得疾病的诊断结果。同时,邀请2名经验丰富的内镜医师对测试集的324例病例进行判读和诊断。获得深度学习模型和2名医师对疾病诊断的整体准确率、灵敏度和阳性预测值。研究结果:首先,通过模型VGG19、ResNet50和EfficientNet-B4的单图片识别对比实验结果我们发现EfficientNet-B4在整体准确度、类别准确度、类别召回率方面均优于ResNet50和VGG19。其次,以EfficientNet-B4模型作为基础,建立基于病例的多图片输入的深度学习模型,通过训练、验证、调优获得训练模型,让其对测试集的324例病例进行识别并与两名经验丰富的内镜医师进行对比,得出通过深度学习的人工智能模型对基于病例的胃正常粘膜及胃溃疡、胃癌病例的识别的整体准确度为:95.06%。该结果明显优于两位内镜医师的结果:92.09%和 91.36%。研究结论:面向病例的多图片输入的EfficientNet-B4深度学习模型,通过对以病例为单位的胃镜图像的训练学习,可以很好的区分胃恶性溃疡病例与良性病变病例（胃良性溃疡、慢性浅表性胃炎）,且识别的整体准确度优于两位经验丰富的内镜医师。