编辑推荐：
为解决胃间质瘤（GSTs）和胃平滑肌瘤（GLs）术前精准鉴别难题，吉林大学第二医院研究人员开展利用内镜超声（EUS）构建人工智能（AI）鉴别模型的研究。结果显示 ResNet50 模型性能优越，优于临床模型和内镜医师诊断，有助于临床精准诊疗。
在医学领域，胃肠道疾病的诊断与治疗一直是重要研究方向。随着内镜检查技术的普及，胃肠道黏膜下肿瘤（SMTs）的检出率显著提高。其中，胃间质瘤（GSTs）和胃平滑肌瘤（GLs）作为胃 SMTs 的主要病理亚型，在生物学行为、治疗方式和预后方面存在明显差异 。GSTs 具有恶性潜能，可能发生转移和术后复发，而 GLs 通常为良性，很少恶变。对于直径≥2cm 的 GSTs，手术切除是主要治疗手段；但对于直径 < 2cm 的 GSTs，治疗方案存在争议 。GLs 一般只需定期内镜随访，仅在肿瘤明显增大或出现胃肠道症状时才考虑手术切除。因此，术前精准鉴别 GSTs 和 GLs 对制定合理治疗方案、改善患者预后至关重要。
然而，目前的诊断方法存在诸多挑战。内镜超声（EUS）虽为评估 SMTs 的首选影像学方法，但仅依靠 EUS 成像难以准确区分 GSTs 和 GLs，尤其是在肿瘤直径 < 2.0cm 时，两者的 EUS 特征相似，容易导致误诊 。组织病理学评估和免疫组化分析是确诊 GSTs 和 GLs 的金标准，但术前活检存在局限性。传统内镜活检钳难以获取黏膜下肿瘤组织，EUS 引导下细针穿刺（EUS-FNA）和细针活检（FNB）在病变≤20mm 时，获取的组织可能不足，诊断效能降低，且活检还可能增加肿瘤破裂和转移的风险 。近年来，人工智能（AI）在医学领域的应用取得了显著进展，基于卷积神经网络（CNNs）的辅助诊断模型在鉴别 GISTs 与其他 SMTs 方面表现出一定优势，但现有 AI 模型在鉴别小 GISTs（肿瘤直径≤2.0cm）或微小 GISTs（肿瘤直径≤1.0cm）时仍存在局限性。在临床实践中，直径 < 1.0cm 的 SMTs 较为常见，因此准确鉴别该范围内的 GSTs 和 GLs 具有重要的临床意义。
为了攻克这一难题，吉林大学第二医院的研究人员开展了一项极具价值的研究。他们旨在利用 EUS 图像开发一种 AI 模型，用于鉴别小和微小 GSTs 与 GLs，并评估其临床实用性。该研究成果发表在《BMC Gastroenterology》杂志上。
研究人员开展此项研究运用了多种关键技术方法。他们回顾性收集了 2018 年 1 月至 2022 年 9 月在吉林大学第二医院接受 EUS 检查，并经术后病理和免疫组化确诊为 GST 或 GL 的患者的 EUS 图像和临床数据 。采用数据增强技术对训练集的 358 张图像进行预处理，增加数据多样性。构建了基于 DenseNet201、ResNet50 和 VGG19 的三种深度学习模型，并使用 Python 及相关软件进行数据分析和模型开发。
研究结果主要从以下几个方面展开：
- 特征分析和临床模型：对 GST 和 GL 患者的临床特征进行单因素和多因素逻辑回归分析，发现长径（LD）/ 短径（SD）、年龄、癌胚抗原（CEA）和糖尿病在两组患者中存在显著差异，低 LD/SD 和高龄是 GST 诊断的独立预测因素 。基于这些指标，运用六种机器学习算法构建临床鉴别诊断模型，随机森林（RF）算法在训练集中表现相对较好，但在验证集中诊断效能明显下降，这表明临床特征在鉴别小或微小 GSTs 方面存在局限性。
- EUS-AI 模型在基于 EUS 图像鉴别小和微小 GSTs 与 GLs 中的性能：比较三种 EUS-AI 模型（DenseNet201、ResNet50 和 VGG19）在训练集、验证集 1（微小 SMTs）和验证集 2（小 SMTs）中的诊断性能，结果显示 ResNet50 模型在各队列中均表现出较高的准确性和一致性，其在训练集、验证集 1 和验证集 2 中的曲线下面积（AUC）分别为 0.938、0.832 和 0.841，整体诊断性能优于其他两个模型。
- EUS-AI 模型在基于肿瘤鉴别小和微小 GSTs 与 GLs 中的性能：研究人员创新地采用以肿瘤为中心的分析方法，整合单个肿瘤的多幅图像信息进行诊断。结果发现，该方法显著提高了所有模型的预测效能，ResNet50 模型在以肿瘤为诊断单位时优势更为明显，其在训练集、验证集 1 和验证集 2 中的 AUC 分别提升至 0.994、0.911 和 0.915。
- 临床模型与 EUS-AI 模型鉴别诊断性能的比较：将临床模型（RF）与诊断性能最佳的 EUS-AI 模型（ResNet50）进行比较，结果显示在所有数据集上，ResNet50 模型的诊断性能均显著优于 RF 模型，其在训练集、验证集 1 和验证集 2 中的 AUC 分别为 0.994、0.911 和 0.915，而 RF 模型的 AUC 分别为 0.901、0.693 和 0.599 。
- 鉴别诊断模型的性能评估和临床应用价值：通过校准曲线和 Hosmer-Lemeshow 检验评估模型的校准性能，结果显示 EUS-AI 模型（ResNet50）的校准曲线更接近参考线，拟合优度更好 。决策曲线分析（DCA）表明，EUS-AI 模型在训练集和验证集中均能产生更大的净效益，具有更高的临床实用价值。
- EUS-AI 模型与内镜医师鉴别诊断能力的比较：两名内镜医师对两个验证集进行诊断，经验丰富的医师诊断准确性略高于经验较少的医师，但两者与 EUS-AI 模型相比，诊断 AUC 值均显著较低 ，说明 EUS-AI 模型在鉴别诊断方面具有明显优势。
研究结论和讨论部分强调，基于 LD/SD、年龄、CEA 和糖尿病指标构建的临床模型在鉴别小和微小 GSTs 与 GLs 时存在一定局限性 。而基于 ResNet50 构建的 EUS-AI 模型能够有效鉴别小和微小 GSTs 与 GLs，以肿瘤为诊断单位时诊断性能更优，且优于内镜医师的诊断。该模型为临床医生在手术前准确鉴别小和微小 GSTs 与 GLs 提供了有力支持，有助于制定合理的治疗策略，具有广阔的临床应用前景。不过，该研究也存在一些局限性，如单中心、单种族队列研究，样本量相对较小，缺乏前瞻性数据支持等。未来需要开展前瞻性、多中心、大规模研究来进一步优化模型，提高其诊断性能和适用性。
