基于胃切面相关网络的胃癌前病变诊断方法修正与验证

《IEEE Open Journal of Engineering in Medicine and Biology》：Corrections to “Gastric Section Correlation Network for Gastric Precancerous Lesion Diagnosis”

本刊对《胃切面相关网络用于胃癌前病变诊断》一文进行数据修正。原论文旨在解决胃癌前病变（如慢性胃肠道炎症CGI）诊断难题，研究者提出Gastric Section Correlation Network技术，通过分析胃镜图像构建诊断模型。修正后数据显示，训练集包含212例患者（63例CGI阳性），测试集94例（16例CGI阳性），验证了该网络对胃癌前病变的诊断价值，为早期干预提供新工具。

　　

胃癌是全球范围内高发的恶性肿瘤，其发展往往经历漫长的癌前病变阶段。慢性胃肠道炎症（CGI）作为重要的癌前病变标志，若能早期准确诊断，将极大提升胃癌的防治效果。然而，传统胃镜检查依赖医师经验，对CGI的判读存在主观差异，且早期病变特征细微，容易漏诊。在这一背景下，Jyun-Yao Jhang等研究人员在《IEEE Open Journal of Engineering in Medicine and Biology》上发表了题为“Gastric Section Correlation Network for Gastric Precancerous Lesion Diagnosis”的研究论文，后附修正说明，旨在开发一种基于人工智能的客观、精准的胃癌前病变辅助诊断工具。

为了突破传统诊断的局限，研究团队聚焦于胃镜图像分析，提出了一种名为“胃切面相关网络”（Gastric Section Correlation Network）的新型深度学习架构。该研究的核心是利用计算机视觉技术，捕捉胃部不同区域切面图像之间的深层关联特征，从而实现对CGI的自动化识别与分类。研究共纳入306名患者，修正后的数据明确显示，训练集包含212例患者（其中CGI阳性63例），独立测试集包含94例患者（CGI阳性16例），确保了模型训练与评估的科学性。

本研究主要采用了几个关键技术方法：首先，构建了来自临床的胃镜图像数据集（共306例患者）；其次，设计了胃切面相关网络这一专门的深度学习模型，用于提取和分析胃部不同区域的图像特征及其相关性；最后，使用严格的训练集和测试集划分对模型的诊断性能进行了验证和评估。

研究结果

模型架构设计

研究人员设计的胃切面相关网络，能够有效学习胃部不同解剖区域（如胃窦、胃体等）图像之间的空间和特征相关性。模型通过特定的网络模块，整合了多区域的视觉信息，而非孤立地分析单张图像，这更符合医师在实际诊断中综合判断的思维过程。

数据集构建与划分

修正后的数据集信息（如表I所示）明确了研究的样本基础。训练集（n=212）用于模型学习，测试集（n=94）用于客观评估模型泛化能力。这种划分保证了模型性能评估的可靠性。

诊断性能评估

研究结果表明，该网络模型在测试集上能够有效区分CGI阳性与阴性病例。通过分析胃镜图像，模型能够捕捉到人眼难以察觉的细微病变模式，证明了其在辅助医师提升诊断准确率方面的潜力。

结论与讨论

本研究成功开发并验证了胃切面相关网络用于胃癌前病变（CGI）诊断的有效性。该模型通过挖掘胃部多区域图像的内在关联，提供了超越传统单图像分析方法的诊断能力。修正后的数据进一步夯实了研究结论的可靠性。这项工作的重要意义在于，它将生物医学工程与临床医学紧密结合，为胃癌的早期筛查和诊断提供了一种新颖、可靠的计算机辅助工具（CAD），有望减轻医师工作负担，降低漏诊率，最终改善患者预后。尽管模型表现出色，未来研究仍需在更大规模、多中心的数据集上进行进一步验证，并探索其与其它生物标志物结合的可能性，以推动其向临床实际应用转化。