综述：胃癌管理中的人工智能革命

《Cancer Cell International》：The artificial intelligence revolution in gastric cancer management: clinical applications

这篇综述聚焦胃癌管理，全面探讨人工智能（AI）在胃癌诊疗各环节的应用与挑战。

　　

# 胃癌管理中的人工智能革命：临床应用

一、引言

胃癌是全球范围内高发且恶性程度高的肿瘤疾病，发病率位居第五，死亡率第四。东亚地区发病率最高，虽然部分地区发病率呈下降趋势，但预计到 2040 年全球胃癌负担将增加 62% 。幽门螺杆菌（Helicobacter pylori，Hp）感染是主要危险因素，成功根除 Hp 可降低 34 - 53% 的胃癌发病率。早期胃癌患者行根治性手术，五年生存率超 90%，然而早期症状隐匿，超 80% 患者确诊时已处于晚期，晚期患者五年生存率不足 10% 。

传统治疗手段如化疗、放疗和靶向治疗存在诸多局限，免疫治疗虽带来突破，但响应率限制了其广泛应用。在此背景下，人工智能（artificial intelligence，AI）技术的发展为胃癌管理带来新契机，其融合计算机科学与大量数据，涵盖机器学习（machine learning，ML）和深度学习（deep learning，DL）等领域，正逐步改变胃癌的诊疗格局。

二、AI 驱动的高危人群监测策略

2.1 幽门螺杆菌感染

尽管根除 Hp 策略降低了胃癌风险，但根除后个体患癌风险仍高于普通人群。多项研究利用 AI 技术对 Hp 感染进行诊断和风险预测。例如，Lin 等人开发的 scSE-CatBoost 分类系统，通过预处理内镜图像诊断 Hp 感染，准确率达 0.90，灵敏度为 1.00，特异性为 0.81，阳性预测值为 0.82，阴性预测值为 1.00，曲线下面积（area under the curve，AUC）为 0.88 。Nakashima 等人开发的计算机辅助诊断（computer-aided diagnostic，CAD）系统能将患者 Hp 感染状态分为未感染、感染和已根除三类，准确率分别为 84.2%、82.5% 和 79.2% 。Leung 等人评估不同机器学习模型预测 Hp 根除后胃癌风险的性能，其中 XGBoost 模型表现最佳，AUC 达 0.97 。此外，ABC 方法结合 Hp 感染检测与血清胃蛋白酶原水平，可有效区分胃癌高危和低危人群；Murphy 等人基于血清胃蛋白酶原和 13 种 Hp 抗原抗体反应，利用最小绝对收缩和选择算子（Minimal Absolute Contraction and Selection Operator，LASSO）建立风险分层模型，AUC 更高，为胃癌风险评估提供了更准确的工具。

2.2 慢性萎缩性胃炎伴肠化生

根据 Correa 级联反应，胃癌的病理演变具有多阶段转化特征，早期诊断对提高治愈率和预后至关重要。Fang 等人利用半监督深度学习 GasMIL 算法对疑似萎缩性胃炎患者的病理图像进行诊断和分级，该算法在外部测试集中诊断肠化生和萎缩性胃炎的 AUC 分别为 0.884 和 0.877 。Iwaya 等人建立 DCNN 模型和 ResNet50 对有无肠化生的图像进行分类，灵敏度达 97.7%，特异性为 94.6%，有助于对慢性胃炎患者的个体胃癌风险进行分类 。Shi 等人使用深度学习 DLDA 模型训练和测试患者病理图像，实现肠化生和发育异常的自动诊断，内部验证队列 AUC 为 0.97，独立外部验证队列宏观平均 AUC 从 0.67 提升至 0.82，且通过域自适应优化技术对发育异常进行详细分类，为胃癌早期筛查和风险评估开辟了新途径。

2.3 胃肠道黏膜下病变

胃肠道间质瘤（gastrointestinal stromal tumors，GISTs）和胃肠道平滑肌瘤是常见的黏膜下病变，GISTs 被视为潜在恶性肿瘤。Hirai 等人利用 AI 对图像进行分类，有效区分包括 GISTs、平滑肌瘤、神经鞘瘤和异位胰腺在内的五种病变，总体准确率达 86.1%，在区分 GISTs 与非 GISTs 时，灵敏度为 98.8%，特异性为 67.6%，准确率为 89.3% 。Yang 等人开发的人工智能系统用于联合诊断，使内镜医师诊断 GISTs 或胃肠道平滑肌瘤的准确率从 73.8% 提高到 88.8% 。Zhang 等人对七项研究进行系统回顾和分析，发现 AI 辅助内镜下区分 GISTs 与其他黏膜下肿瘤的合并灵敏度、特异性、阳性和阴性似然比分别为 0.92、0.82、4.55 和 0.12，总诊断优势比（diagnostic odds ratio，DOR）和 AUC 分别为 64.70 和 0.950，表明 AI 在自动诊断胃肠道间质瘤方面具有高精度和可靠性。

三、人工智能赋能胃癌影像学诊断

3.1 图像识别技术在胃癌诊断中的实践探索

3.1.1 内镜图像检测

内镜是检测早期胃癌肿瘤的关键工具，但受光源照明影响，存在阴影或反射问题，影响观察清晰度和诊断准确性 。Dong 等人开发的可解释 AI 系统 ENDOANGEL-ED，在人机对比中优于所有内镜医师，内部评估准确率为 81.10%，外部视频评估准确率为 88.24% 。Gong 等人引入的深度学习系统对四种病变（进展期胃癌、早期胃癌、发育异常和非肿瘤）进行分类，准确率达 89.7%，可在实时内镜检查中自动检测和分类胃肿瘤 。Yuan 等人开发的人工智能系统在白光内镜下诊断六种胃病变的准确率为 85.7%，与高级内镜医师相当（85.1%）且高于初级内镜医师（78.8%） 。Wu 等人利用 9151 张图像建立 DCNN 系统检测早期胃癌，准确率达 92.5%，还利用 24549 张不同胃部图像训练 DCNN 识别食管胃十二指肠镜检查中的盲点，在将胃部位置分为 10 或 26 部分的任务中，准确率分别达到 90% 或 65.9%，与专家相当，为增强内镜训练质量提供了技术支持。

3.1.2 智能内镜与专家经验的精度对比

传统诊断方法存在复杂性高、耗时、劳动强度大且依赖医师经验等局限。AI 在医学领域的融合正革新传统诊疗方式。Zhang 等人开发的深度学习系统区分六种胃病变，在识别早期胃癌和高级别上皮内瘤变方面，CNN 的准确率与内镜医师相当，且诊断特异性和阳性预测值（positive predictive value，PPV）更高（特异性：91.2% vs. 86.7%；PPV：55.4% vs. 41.7%） 。Ikenoyama 等人对比 CNN 与内镜医师，发现 CNN 诊断速度快（45.5 ± 1.8 s），灵敏度高（58.4%，比医师高 26.5%），同时保持高特异性（87.3%）、良好的 PPV（26.0%）和阴性预测值（negative predictive value，NPV）（96.5%） 。Noda 等人利用残差神经网络分析胃癌图像仅需 7 s，准确率、灵敏度、特异性等关键指标均超过内镜医师，在病变分析方面表现突出（准确率 86.1%，灵敏度 82.1% 等） 。He 等人开发的 ENDOANGEL-ME 系统，内部和外部测试集及视频准确率均超 90%，显著优于高级内镜医师的平均水平（70.16% ± 8.78%） 。Goto 等人使用人工智能分类器区分黏膜内癌和黏膜下癌，准确率、灵敏度、特异性和 F1 值分别为 77%、76%、78% 和 0.768，内镜医师的相应值为 72.6%、53.6%、91.6% 和 0.662，证实 AI 与医师协作可增强早期胃癌浸润深度的诊断能力。Zhang 等人利用 AIAG 系统诊断疑难病例，灵敏度为 79.69%，特异性为 73.26%，均优于普通内镜医师，AI 显著提高中级医师的诊断特异性（59.79% vs. 52.62%），而专家表现不受影响，表明 AI 对中级医师识别胃肿瘤的诊断能力有显著影响。Niikura 等人对比 AI 与专家内镜医师的诊断准确性，AI 组诊断准确率更高（100% vs. 94.12%），图像诊断率也更高（99.87% vs. 88.17%） 。

3.1.3 优化内镜图像精确分割算法

胃癌症状因进展阶段而异，图像的人工分割面临挑战，如黏膜特征多样、病变边缘不规则以及与正常黏膜差异细微等 。Zhang 等人提出改进的 Mask R-CNN（IMR-CNN）模型，通过识别和验证早期胃癌图像，对胃镜图像中的胃癌病变进行识别和分割，精度、召回率、准确率、特异性和 F1-Score 值分别为 92.9%、95.3%、93.9%、92.5% 和 94.1% 。Du 等人提出基于共空间注意力和通道注意力的三分支自动分割框架（CSA-CA-TB-ResUnet），实现了 84.54% 的杰卡德相似系数（Jaccard similarity index）、81.73% 的阈值杰卡德指数（threshold Jaccard index）、91.08% 的 Dice 相似系数和 91.18% 的像素级准确率，证明胃镜图像间的相关信息可提高早期胃癌病变的精确分割 。Sun 等人提出使用生成对抗训练的胃病变分割新网络，实验结果显示 dice 值、准确率和召回率分别为 86.6%、91.9% 和 87.3%，优于现有模型。这些研究表明 AI 可提供高精度、快速、一致且实时的自动化解决方案，提高内镜图像分割性能，进而提升临床医师的诊断效率和准确性。

3.1.4 实现漏诊和误诊率的双降低

由于胃肿瘤病变的精细性和内镜医师技能差异，临床内镜检查可能出现漏诊或误诊 。Wu 等人在不增加检查时间的情况下，有效降低了 AI 优先组胃肿瘤的漏诊率（6.1% vs. 27.3%），同时减少了不必要的活检 。Namikawa 等人开发的人工智能诊断系统在病变水平对胃癌和胃溃疡进行分类，以降低临床误诊率，总体准确率分别为 45.9%（胃癌 100%；胃溃疡 0.8%）和 95.9%（胃癌 99.0%；胃溃疡 93.3%） 。借助 AI，医生能更有效地利用患者信息提高诊断准确性，减少误诊或漏诊导致的悲剧。

3.2 病理分析在胃癌诊断中的创新应用

3.2.1 胃癌病理诊断的数字化转型

内镜和病理活检是目前胃癌诊断的首选方法，病理是肿瘤诊断的 “金标准”。但随着科技发展，病理学面临诸多挑战，如病理医师短缺，尤其在医疗资源相对匮乏的偏远地区和县级医院；长期高强度工作可能导致病理医师精力不足，加上医师临床经验差异和主观解读的必然性，增加了诊断结果的不确定性 。AI 技术的兴起为这一传统领域注入活力，其强大的数据处理能力和深度学习算法可实现对全切片数字图像（whole-slide digital images，WSI）的高效自动化分析，准确识别病变类型，评估病变程度，为年轻临床医师提供有力辅助支持。

许多先进医疗机构已开展 “数字病理和智能病理” 的探索与实践。Hu 等人发布的胃组织病理学亚尺寸图像公共数据库（GasHisSDB），在传统机器学习中最高准确率为 86.08%，最低为 41.12%，深度学习最高准确率达 96.47%，最低为 86.21% 。Song 等人开发的临床上适用的 CNN 系统，在 2123 张像素级标注的胃癌苏木精 - 伊红（hematoxylin and eosin，H&E）染色 WSI 上训练后，在真实世界测试数据集上实现了近 100% 的灵敏度和 80.6% 的平均特异性 。Ba 等人基于 WSI 进行完全交叉多读者多病例研究，发现深度学习辅助病理医师解读 110 张 WSI 时，AUC（0.911 vs. 0.863）高于未辅助的病理医师，表明深度学习提高了病理医师诊断胃癌的准确性和效率 。Tan 等人开发并验证的人工智能放射病理学模型，在训练和验证队列中的 AUC 分别为 0.953 和 0.851，在区分 I - II 期和 III 期胃癌方面表现出色 。Huang 等人开发的深度学习模型，从 1037 名患者收集 2333 张病理图像，在外部验证集中准确率达 0.920 。Veldhuizen 等人构建的基于深度学习的胃癌组织学亚型分类器，在三个队列 731 名患者中进行五折交叉内部验证，平均 AUC 为 0.93 ± 0.07 。Liu 等人将飞秒受激拉曼散射（femtosecond stimulated Raman scattering，femto-SRS）和 U-Net 技术相结合，实现了胃镜和组织病理学的同步诊断，对活检样本进行快速高灵敏度成像和诊断，为早期胃癌筛查和治疗赢得宝贵时间。

3.2.2 胃癌淋巴结转移的病理诊断

淋巴结转移是胃癌扩散的重要途径，晚期胃癌淋巴结转移率超 70% 。病理医师需在光学显微镜下仔细检查所有解剖来源的淋巴结切片，评估每个淋巴结的状态和总数，但仍难以消除误诊风险。由于技术限制，实际获取的淋巴结数量可能无法满足准确预后的需求，导致 N 分期不准确。为此，行业尝试引入淋巴结转移比例作为 AJCC N 分期的补充指标，但存在局限性，难以完全替代传统 N 分期标准。

Wang 等人利用深度学习从切除的淋巴结 WSI 预测胃癌，并揭示肿瘤与淋巴结转移面积比 。Muti 等人开发并验证的深度学习系统，从 1146 名患者的 WSI 队列直接预测淋巴结转移（lymph node metastasis，LNM）状态，准确率分别为 0.71、0.69 和 0.65 。Hu 等人基于深度学习算法将 921 张淋巴结 WSI 分为训练组和测试组，利用 327 张未标记图像进行前瞻性测试以验证诊断系统性能，淋巴结定量准确率达 97.13%，Xception 和 DenseNet-121 组合模型的 PPV 为 93.53%，NPV 为 97.99%，在淋巴结诊断方面高效准确，有助于病理医师对胃癌患者淋巴结转移进行初步筛查 。Zhang 等人设计的 3D 增强特征金字塔网络在四个医学中心收集的 CT 图像数据集上进行实验，结果证实该方法提高了淋巴结转移的诊断准确性，优于现有方法 。淋巴管侵犯（lymphovascular invasion，LVI）是胃癌的预后因素，LVI 与淋巴结转移的可能性更高相关，患者总体预后更差 。Lee 等人引入基于深度学习的方法检测淋巴管浸润（+），ConViT 模型在多分类模型中使用 H&E 染色 WSI，AUROC 为 0.9796，AUPRC 为 0.9648，有望推进精准医学，节省检查时间和人力，减少病理医师之间的差异。

3.2.3 构建高效低负担的临床病理活检系统

病理医师需对大组织样本进行细致分析，进行全面病理检查以确定疾病类型、严重程度和范围，这一过程涉及在显微镜下检查组织切片、诊断疾病、评估病变特征并与临床医师协作制定治疗计划，同时还需与外科、放射科等团队密切合作，对临床病理医师而言任务艰巨 。

为减轻病理医师诊断胃活检的工作量，Abe 等人引入 AL 胃活检病理诊断系统（AI-G），利用病理多阶段语义分割（MSP）方法分析从 WSI 切片中提取的特征值分布，在组织水平验证中，MSP AI-G 的准确率（91.0%）高于传统补丁 AI-G（PB AI-G）（89.8%），在 10 个不同机构的队列测试中，MSP AI-G 在组织水平分析中的准确率（0.946）也始终高于 PB AI-G（0.861） 。Park 等人开发的 CNN 算法可自动对 2434 张 WSI 进行分类，通过 AUROC 评估的两级分类诊断性能为 0.9790，能区分阴性（NFD）和阳性（除 NFD 外的所有病例），对于上皮肿瘤，灵敏度和特异性分别为 1.000 和 0.9749，表明其可作为诊断胃活检标本的筛查辅助系统。

四、人工智能在胃癌治疗方案开发中的应用

4.1 内镜下黏膜下剥离术

内镜下黏膜下剥离术（endoscopic submucosal dissection，ESD）是一种成熟的内镜切除方法，可实现早期胃肠道肿瘤的高整体切除率 。未分化早期胃癌是 ESD 的适应证之一，但根治性切除率仍不理想。Bang 等人开发的极端梯度提升分类器，基于病变的形态和生态特征，在 ESD 前预测未分化早期胃癌的根治性切除，内部验证准确率、精度、召回率和 F1 分数分别为 93.4%、92.6%、99.0% 和 95.7% 。Yun 等人创建的预测早期胃癌 ESD 非治愈性切除的模型，在内部验证中具有良好的判别性能（AUC 0.851） 。

ESD 技术要求高且并发症风险高，病变位置会影响操作难度。Kim 等人开发的胃模拟器可用于练习胃 ESD 的各种位置，在具有挑战性的位置，机器人辅助 ESD 的手术时间显著短于传统 ESD（6.2 vs. 10.2 min），主要是由于更快的剥离速度（220.3 vs. 101.9 mm²/min），且盲剥离率显著低于<