無線膠囊內窺鏡（WCE）為胃腸道提供了一種無痛的視覺化手段，但由於黏膜覆蓋不完整以及現有導航方法在不同患者解剖結構之間的可轉移性差，其診斷潛力受到限制。針對這些問題，研究團隊提出了一種基於解剖標誌的深度強化學習（AL-DRL）框架，用於實現自主胃部導航。該框架的核心是輕量級的邊緣-輪廓-深度融合模組，它能夠將策略操作從高維影片流轉化為穩定的低維解剖標誌座標。這一創新有效彌合了模擬環境與真實場景之間的差距，使得訓練好的策略能夠更好地適應不同的患者解剖結構。
在評估過程中，研究使用八種不同的患者衍生模型進行模擬實驗。AL-DRL演算法在50秒內實現了超過97%的胃部覆蓋面積，顯著優於傳統的PPO、SAC和DQN智慧體。此外，團隊設計了一個兩階段的模擬到真實遷移管道，整合了自適應動態規劃控制器，以主動抑制物理擾動，例如膠囊的運動誤差和環境噪聲。在體外實驗中，該系統達到了平均87%的覆蓋率，並且將操作時間比專家手動控制縮短了53%。
這一成果由Haoxuan Wu等人於2026年5月8日在arXiv上提交，標誌著膠囊內窺鏡自主導航技術的重要進展。論文提供了程式碼和資料的連結，為其他研究者復現和進一步改進提供了基礎。AL-DRL框架的高效性和跨患者解剖結構的可遷移性，使其有望在未來的臨床應用中顯著提升胃腸道檢查的效率和準確性。