图/表详细信息

图片操作
显示大图下载下载为PPT文件

人工智能在胃癌诊疗和患者预后预测中的应用现状及未来展望

彭东阁, 万子叶, 卢宁

中国癌症杂志 2025, 35 (5): 496-504. DOI: 10.19401/j.cnki.1007-3639.2025.05.008

摘要（191）

HTML （2）

PDF（pc）（1042KB）（540）

胃癌是全球范围内高发的恶性肿瘤之一，具有起病隐匿、早期诊断困难、进展期预后不良等特点。传统诊断技术受主观因素影响较大，且在准确率和效率方面存在局限，难以满足精准医学的临床需求。近年来，人工智能（artificial intelligence，AI）技术，尤其是基于深度学习（deep learning，DL）的快速发展，为胃癌的精准诊疗带来了全新的机遇。AI辅助胃镜诊断可显著提升病变检出率及诊断效率，AI驱动的影像组学模型可精准预测肿瘤浸润深度、淋巴结及腹膜转移情况，而AI辅助病理学系统的应用则可以显著提高诊断的准确率和效率。此外，结合多组学数据的AI模型在化疗和靶向治疗反应预测以及个体化预后评估方面亦展现出巨大潜力。然而，AI技术在胃癌领域的临床转化仍面临诸多挑战，包括数据标准化不统一、模型泛化能力不足及算法可解释性较弱等问题。因此，本文系统综述AI技术在胃癌诊断、疗效评估及预后预测方面的最新研究进展，深入探讨当前技术所面临的核心挑战，并展望未来AI在胃癌精准诊疗中的发展趋势，以期推动AI技术的广泛应用和临床转化，最终实现胃癌诊疗的精准化和个体化，改善患者的临床预后。

View image in article

图1 DL模型开发与优化流程

正文中引用本图/表的段落

随着人工智能（artificial intelligence，AI）在医疗领域的广泛应用，特别是在胃癌的诊断和预后预测方面，AI展现出巨大的潜力[3-4]。相比传统机器学习（machine learning，ML），深度学习（deep learning，DL）具有强大的特征学习能力、层次化表示和对大数据的适应性[5]。DL是ML的特殊类型，通过多层神经网络模拟人脑信息处理方式，能够自动从大量数据中学习特征，超越传统ML的表现（图1）。常用的DL模型包括深度神经网络、卷积神经网络（convolutional neural network，CNN）、图神经网络、残差网络、生成对抗网络及Transformer架构等[6]。本文将重点综述DL在胃癌诊断、疗效评估和预后预测中的应用现状及未来发展方向。

早期胃癌的病变不明显，有时与胃炎难以区分。Horiuchi等[18]使用ME-NBI获取的1 492张早期胃癌图片和1 078张胃炎图片进行基于CNN模型的训练，在由151张早期胃癌图片和107张胃炎图片组成的独立测试集中取得0.853的准确率，其灵敏度、特异度、阳性预测值和阴性预测值分别为0.954、0.710、0.823和0.917，平均阅片速度为51.83张/s。Yang等[16]在胃内良/恶性病变的二分类研究中，EfficientNetB7模型的AUC为0.994 3，对早期胃癌预测的准确率为91.76%，而对良性病变预测的准确率为99.52%。然而，这些模型在应对复杂病变和较为细微的内镜下特征时，仍有进一步优化的空间。

GAN: Generative adversarial network; RFS: Recurrence-free survival. ...

Endoscopic three-categorical diagnosis of Helicobacter pylori infection using linked color imaging and deep learning: a single-center prospective study (with video)

2020

... WHO将Hp定义为一级致癌物，Hp感染在胃癌的发生、发展中发挥重要作用[15].Yang等[16]开发的胃镜图像AI辅助综合分析系统，收集了516例患者的6 270张WLE图像，带入14种CNN模型进行训练，EfficientNetB7模型对区分Hp与非Hp感染的预测准确率达83.33%，受试者工作特征（receiver operating characteristic，ROC）曲线的曲线下面积（area under curve，AUC）为0.909 6.随后，Nakashima等[17]进行了单中心前瞻性队列研究，分别对AI辅助胃镜诊断有无Hp感染及除菌是否成功进行研究，结果发现AI辅助WLE诊断Hp感染的灵敏度和特异度分别为86.7%和86.7%，AUC为0.956.另外，基于图像增强胃镜的AI诊断Hp不同感染状态的准确率优于基于WLE的AI，且与有经验的内镜医师相当.这些研究结果突显出AI在提高胃癌早期诊断效率和准确率方面的潜力，但仍需进一步优化算法，提升泛化能力，以应对不同临床环境下的挑战. ...

Convolutional neural network for differentiating gastric cancer from gastritis using magnified endoscopy with narrow band imaging

2020

... 早期胃癌的病变不明显，有时与胃炎难以区分.Horiuchi等[18]使用ME-NBI获取的1 492张早期胃癌图片和1 078张胃炎图片进行基于CNN模型的训练，在由151张早期胃癌图片和107张胃炎图片组成的独立测试集中取得0.853的准确率，其灵敏度、特异度、阳性预测值和阴性预测值分别为0.954、0.710、0.823和0.917，平均阅片速度为51.83张/s.Yang等[16]在胃内良/恶性病变的二分类研究中，EfficientNetB7模型的AUC为0.994 3，对早期胃癌预测的准确率为91.76%，而对良性病变预测的准确率为99.52%.然而，这些模型在应对复杂病变和较为细微的内镜下特征时，仍有进一步优化的空间. ...

Deep learning system compared with expert endoscopists in predicting early gastric cancer and its invasion depth and differentiation status (with videos)

2022

... 肿瘤浸润深度是决定胃癌患者接受内镜切除或外科手术的关键标准，但内镜检查对其判断的准确率较低.通过DL可显著提升内镜医师在肿瘤浸润深度诊断中的能力.北京大学肿瘤医院开展的一项多中心、前瞻性、实时竞赛性的比较诊断性研究[19]，用ENDOANGEL系统与内镜医师通过比较内镜视图实时答题，在早期胃癌浸润深度和分化状态的预测中，ENDOANGEL的表现与内镜医师相当，专家、高级和初级内镜医师的平均诊断时间分别为2.22、2.53和2.42 h，而ENDOANGEL为1.60 h.AI在提高内镜检查效率的同时，也能为医师节省时间.Gong等[20]基于DL模型训练5 017张内镜图像预测胃癌浸润深度，该模型的胃内病变检出率为95.6%，胃癌浸润深度预测的准确率为89.2%（病变限于黏膜或黏膜下层）.Uema等[21]开发基于AI的超声内镜辅助诊断模型，用于诊断早期胃癌的浸润深度.在诊断性能方面，AI模型的准确率、灵敏度和特异度（74.1%、73.1%和75.0%）与内镜专家的实时诊断相当（75.5%、79.1%和72.2%）.综上所述，AI在胃癌浸润深度评估中具有显著的临床应用前景，尤其在提高诊断准确率和工作效率方面展现出特有优势. ...

本文的其它图/表