在食管疾病中，Barrett是食管癌的高危因素，但在内镜检查中常被误诊，有研究利用CAD对Barrett食管进行诊断和定位，结果显示准确率、灵敏度和特异度为92%、95%、85%。复旦大学附属中山医院的研究应用深度学习的辅助技术对食管早癌诊断的灵敏度及特异度均较高。有研究表明AI诊断食管癌的敏感性和特异性为90%、80%，阴性预测值为98%。另有大样本的研究显示基于CNN构建了AI模型，对食管癌检测的敏感性和阳性预测值为98%、40%。目前，腾讯觅影正在研发食管癌辅助筛查系统，准确率达90%，且该系统可分析识别图像、判断食管病变位置。另外AI电子染色模式也有研究，三亚市人民医院研究[7]收集了70例患者的临床资料，结果显示 AI电子染色内镜模式诊断食管癌的准确度为94.29%，阴性预测值为93.10%，优于白光模式。
在胃部疾病中，胃癌一直严重威胁着人类健康。AI技术辅助胃癌癌前病变及早癌诊断的研究众多，其中一项研究采用CNN模型，对早期胃癌诊断的准确率、敏感度和特异性为89.4%、88.8%、89.7%，单张图像的诊断时间约0.3秒，优于4名内镜医师。另有研究证实AI技术可进一步确定早期胃癌的浸润深度，来源于粘膜层或粘膜下层，AI技术对粘膜下的早期胃癌的敏感性和特异性分别为76%、96%，明显高于内镜下直视的检查，可见利用AI技术对目标进行识别，可弥补人类视觉捕捉不全的缺点，可在胃镜检查中辅助内镜医师进行实时诊断，有望改善医师的检测能力。在识别图像方面，有研究利用 CNN 模型对66例已确诊的胃癌图像识别，确诊率达94.1%，检测中位时间为1 秒，提示深度学习技术可提供准确和快速的自动检测结果。有研究利用CNN 模型对胃癌的2296张图片识别，其敏感度高达92.2%，仅用时77秒，但阳性预测值较低，只有30.6%，推测提高阳性预测值可能是后续研究重点。另外幽门螺杆菌（Helicobacter pylori，Hp）感染与消化性溃疡、慢性胃炎、胃癌等密切相关，且我国Hp感染率较高，但内镜医生对Hp的识别存在较大的主观差异，有研究利用CNN模型，对内镜下胃Hp感染诊断灵敏度和特异度均达到86.7%，优于内镜医生的直接判断。胃镜检查中病灶的定位研究也较多，一项大样本研究应用机器学习方法将胃镜图像分为喉部、食管、胃、十二指肠4个部位进行模型训练，结果显示辨别解剖部位的准确度为97%，该研究表明机器学习方法可能会自动识别消化道解剖部位，在胃镜实际操作过程中提醒内镜医师操作中可能存在的检查盲区，以提高胃镜检查质量，具有较高的应用价值。