点击蓝字 关注我们
引用本文：谢意，周生源，董彬，等．人工智能在胃癌图像组学研究中的应用进展[J/CD]．肿瘤综合治疗电子杂志，2025，11（1）：1-9．
基金项目：国家自然科学基金联合基金项目重点支持项目（U22A20327）；国家自然科学基金青年学生基础研究项目（823B2069）；国家自然科学基金青年科学基金项目（82203881）；北京市自然科学基金（7222021）；北京市医院管理中心“青苗”计划（QMS20201102）
通信作者：陈杨 E-mail ：Yang_Chen@bjcancer.org
【摘要】 胃癌是全球常见的恶性肿瘤，早期症状不明显，导致大多数患者确诊时已处于晚期，预后较差。近年来，人工智能（artificial intelligence，AI）技术在胃癌的图像组学应用中展现出巨大潜力。AI技术通过深度学习算法自动识别内镜图像和视频中的早期病变，可提高筛查效率与准确率；在病理学中，AI能自动分析组织切片，检测癌前病变和肿瘤，并量化病理特征，预测分子分型；在影像组学中，AI结合计算机断层扫描、磁共振成像等影像数据，可非侵入性评估肿瘤的分期、预后及治疗反应，并探索肿瘤微环境的复杂性与免疫反应。AI技术推动了胃癌精准医疗的发展，但仍面临数据标准化、隐私保护、伦理规范化等挑战。本文旨在概述AI技术在胃癌内镜学、病理学、影像组学等图像组学中的应用进展。
【关键词】 胃癌；人工智能；图像组学；肿瘤微环境
胃癌是世界范围内常见恶性肿瘤，根据2022年的数据，全球新增胃癌病例约96.9万例，死亡病例约66.0万例，发病率和死亡率均居所有癌症第5位[1]。尽管手术切除是治疗早期胃癌的主要方法，但大多数患者早期症状并不明显，确诊时已处于晚期，复发和转移风险较高，预后较差，5年生存率较低。胃癌的诊疗复杂性源于其高度异质性、复杂的分子机制以及对个体化治疗的需求，使得传统的诊断和治疗方法难以实现精准识别和处理。因此，探索新的工具和技术对提升胃癌的诊断和治疗效果具有重要意义。
随着科学技术的飞速发展，人工智能（artificial intelligence，AI）逐渐应用于胃癌领域，特别是在内镜学、病理学和影像组学等图像组学领域展现了巨大的潜力。AI技术涵盖了深度学习、机器学习、计算机视觉等多个领域，能通过对海量医学图像数据中的医学知识进行学习和建模，辅助医生对胃癌的早期筛查、诊断、预后评估、治疗决策和免疫微环境进行探索[2-3]。
AI技术能通过强大的数据处理和分析能力，对海量医学图像进行深度挖掘，帮助医生更快速准确地识别出早期的病变特征，有效提高胃癌早期诊断的准确率和效率，甚至可以在症状不明显的情况下发现潜在病变。AI还能对胃癌的分期进行更准确的评估，帮助医生明确肿瘤的发展阶段，从而优化治疗策略。对于晚期胃癌患者，AI通过分析影像和病理数据，可以预测治疗反应，包括化疗、靶向治疗和免疫治疗的效果，进而为个体化治疗方案的制订提供有力支持。本文旨在综述AI技术在胃癌内镜学、病理学、影像组学等图像组学中的应用进展，以期为AI技术应用于胃癌多领域，提升诊断和治疗决策的准确性奠定理论基础。
1 人工智能在胃癌内镜学中的应用
1.1 提高胃癌的早诊与筛查能力
基于内镜的胃癌诊断是一种重要的早期筛查手段，能够实时观察胃黏膜检测病变区域。内镜诊断的优势在于其直观性和准确性，能直接获取胃内的高分辨率图像。然而，内镜检查需要经验丰富的医生来判断图像中的异常，这对技术和经验要求较高。此外，由于内镜检查时生成的图像和视频量巨大，医生易因疲劳或图像细节过多而错过早期病变。AI技术通过自动化分析和实时辅助，可明显提高胃癌早期筛查的效率和准确率。目前，已有多个研究团队开发了不同的AI系统，以助力胃癌的早期诊断，并减轻临床医生的工作负担。
Hirasawa等[4]基于13584张胃癌内镜图像，构建基于卷积神经网络（conventional neural network，CNN）系统，CNN系统在检测胃癌时的总体敏感度为92.2%，其中98.6%的直径＞ 6 mm的病灶被成功检测，所有的侵袭性癌症均被正确识别。Luo等[5]开发了GRAIDS深度学习系统，该系统通过分析从中国6家医院收集的1036496张内镜图像，训练模型用于识别食管癌和胃癌。结果发现，GRAIDS系统的敏感度与内镜专家相当（94.2%∶94.5%），显著高于合格医生（85.8%）和学员（72.2%），表明在医疗资源有限的地区，GRAIDS系统能提高内镜检查的诊断效率。
除了胃癌的识别外，AI技术还可以用于内镜图像的自动分类。Igarashi等[6]研究了CNN模型AlexNet在上消化道器官图像分类中的应用。通过对胃癌患者在常规内镜检查中获取的图像进行自动化分类，AlexNet将图像分为14个类别，包括白光模式下的胃、食管、十二指肠等。该模型在训练集和验证集上的分类准确率分别为99.3%和96.5%，减轻了医生在图像数据处理上的负担，进一步提升了临床效率。Cho等[7]收集来自多中心的5017张白光内镜图像，包含早期胃癌、晚期胃癌、高级别异型增生、低级别异型增生和非肿瘤病变5类胃部病变，使用预训练的Inception-ResNet-v2模型，进一步构建了基于CNN的分类模型，该模型分类准确率为84.6%，且模型在区分胃癌和非肿瘤病变时的曲线下面积（area under the curve，AUC）分别为0.877和0.927，表现出较强的识别能力。表明AI技术在胃癌早期诊断中具有巨大潜力，显著提高了癌前病变和早期胃癌的识别率。AI技术通过高效的图像处理和准确的病变识别，能处理内镜图像和视频数据，帮助医生在实时检查中准确识别病变区域，改善胃癌早期检测的精确度和效率。尤其在医疗资源匮乏和专业经验不足的情境下，AI技术能协助医生提供更精确的医疗服务，进而有助于胃癌的早筛早诊。
1.2 基于视频辅助病变程度和类型判断
基于视频的AI技术在辅助判断病变程度和类型方面展现了巨大潜力。与静态图像分析不同，内镜视频包含了更丰富的动态信息和病变的全貌，使得AI能实时捕捉和分析病变区域的变化。通过深度学习模型，AI可以在内镜视频中自动识别病变的类型、侵袭深度以及分化状态。例如，Wu等[8]基于深度学习的AI系统ENDOANGEL，通过放大窄带成像内镜视频数据，对106例早期胃癌患者进行检测，并预测其侵袭深度和分化状态。ENDOANGEL在检测胃癌时敏感度达到了100%，显著高于内镜医生的87.13%。在预测侵袭深度和分化状态上，分别达到78.57%和71.43%的准确率，明显高于内镜医生，显示了其在临床应用中的巨大潜力。Wu等[9]基于内镜视频开发了一个深度卷积神经网络（deep convolutional neural network，DCNN）系统，用于实时检测早期胃癌，并减少操作中的盲区。DCNN系统的表现优于专家组和其他组别，且能在实时视频中准确跟踪并标记潜在的病变区域。
Xu等[10]开发了一种名为ENDOANGEL的DCNN系统，用于检测胃黏膜萎缩（gastric atrophy，GA）和肠上皮化生（intestinal metaplasia，IM）。该系统能实时处理图像，增强内镜图像和数据，并将视频剪切成图像进行分类。在检测GA和IM时，ENDOANGEL的诊断准确率分别达到了90.1%和90.8%。此外，该团队还进一步开发并验证了一种名为ENDOANGEL-ME的AI系统，该系统基于放大增强内镜，帮助医生在实时视频中识别早期胃癌的病变区域。ENDOANGEL-ME的整体准确率（90.32%∶70.16%）和敏感度（96.88%∶67.19%）均明显高于资深内镜医生[11]。
基于视频的动态分析不仅可以更动态全面地评估病变，还能在早期发现细微病变，提升诊断的准确性和实时性。AI系统通过动态和实时的视频分析，提高了胃癌及其他病变的早期检测效率和准确性，展现了广阔的临床应用前景。
2 人工智能在胃癌病理学中的应用
2.1 诊断癌前病变与胃癌
病理组织诊断在胃癌的早期发现与精准分类中具有至关重要的作用。通过分析患者的组织切片，病理医生能评估肿瘤的类型、分化程度和浸润范围，从而为后续的治疗方案提供关键依据。然而，传统的病理诊断依赖于经验丰富的病理医生，操作复杂且耗时长，诊断过程中还可能受到主观因素的影响。针对这些挑战，AI技术已逐渐应用于病理学领域，通过自动化分析病理切片图像，提高诊断效率和准确性。AI技术能在大量病理切片中迅速识别微小病变，减少人为错误，为胃癌的早期诊断和个性化治疗提供了强有力的技术支持。
Iwaya等[12]开发了一种基于ResNet50的DCNN模型的AI系统，利用1032例胃活检样本中的5753张全视野数字切片（whole slide imaging，WSI）对IM进行检测和评分。该系统在IM检测中敏感度和特异度分别高达97.7%和94.6%，能高效、准确地辅助病理医生评估胃癌的发生风险。这项技术通过提高IM的检测精度，有助于在早期发现潜在的胃癌病变。
Niikura等[13]基于InceptionResNetV2模型，对食管腺癌和食管胃交界处腺癌的手术切除标本进行了训练和验证。通过AI工具的辅助，病理医生的诊断一致性显著提高，且分析诊断时间大幅缩短，表明AI技术不仅能提升诊断质量，还能显著减轻病理医生的工作负担。
Oh等[14]采用了多尺度混合视觉Transformer（ViT）网络，有效区分了胃癌的5个亚分类，包括发育不良、分化型癌、未分化型癌、管状腺瘤和黏膜相关淋巴组织淋巴瘤。该系统不仅能提供精准的病理分类，还为胃癌的个性化治疗提供了决策支持，进一步提升了治疗效果。
以上研究表明，AI技术能自动化处理和分析病理切片图像，大幅提高了工作效率和诊断精确率。运用AI技术不仅可以识别病变组织，还可对肿瘤进行分类和评分，减少主观因素的干扰；AI技术的引入使得诊断流程更加标准化，确保不同病理学专家之间的诊断结果具有更高的一致性；AI技术可以迅速筛选出可疑病变，协助医生在早期阶段采取干预措施，提高患者的生存率，因而对于胃癌的早筛早诊具有重要意义；AI技术自动检测并分类多种胃癌亚型，为个性化治疗方案的制订提供数据支持。
2.2 分子分型预测
目前，胃癌的靶向治疗和免疫治疗在很大程度上依赖于病理切片的免疫组织化学分析，以检测关键生物标志物，如微卫星不稳定性（microsatellite instability，MSI）、EB病毒（Epstein-Barr virus，EBV）感染等标志物，且已被证明与患者对免疫治疗的反应密切相关[15-16]。然而，现有检测技术的复杂性以及较高的检测成本，限制了这些关键指标在临床中的大规模推广，尤其是在资源有限的医疗环境中。因此，研究者们通过训练深度学习等AI模型，能自动化分析大量病理图像，提取复杂的形态学特征，实现对这些分子标志物的高效、准确和低成本预测。
Saldanha等[17]收集了来自4个国家的胃癌病理切片数据，引入了“群体学习”的方法，通过分布式的深度学习模型，预测MSI和EBV这2种重要的生物标志物状态。Kather等[18]从公共数据库癌症基因组图谱（the cancer genome atlas，TCGA）中提取了胃癌和肠癌的病理切片数据，并利用残差网络18（residual network 18，Resnet18）模型预测MSI状态。该研究先对比了5种CNN模型，结果表明，Resnet18模型在检测肿瘤区域中表现最佳，在胃癌患者中预测MSI状态的AUC达0.810。Muti等[19]在一项多中心回顾性研究中，收集了来自7个国家10个队列的2823例MSI状态已知患者和2685例EBV状态已知患者的切片数据。开发了深度学习分类器，使用CNN对病理切片的数字化图像进行特征提取，以预测MSI和EBV状态。结果显示，深度学习分类器在检测MSI和EBV准确率均较高，MSI和EBV的AUC分别为0.723～0.863和0.672～0.859。
基于病理切片使用AI技术预测胃癌分子分型正在成为精准医学领域的一个重要突破。AI可以从常规的苏木精-伊红染色（hematoxylin-eosin stai-ning，HE染色）组织病理切片中提取复杂的图像特征，并预测胃癌的分子特征，能自动化、快速地分析大规模切片数据，避免手动标注的误差，同时展现了高效的预测性能。
2.3 免疫微环境指标预测预后
免疫微环境在胃癌的预后和治疗反应预测中具有关键作用。基于病理切片的多重免疫组织化学技术与机器学习的结合，能深入解析肿瘤组织中的免疫细胞构成及其空间分布特征。通过定量分析免疫标志物和细胞间的相互作用，可精确评估免疫微环境对免疫治疗的影响。Chen等[20]基于胃癌临床队列的肿瘤组织病理切片，通过多重免疫荧光标记、图形分析和深度学习等方法定位分割肿瘤及免疫细胞，建立了空间预测模型，揭示了免疫微环境中的免疫细胞数量及其空间结构规律。该模型多维度挖掘了胃癌空间微环境与程序性死亡受体1（programmed death-1，PD-1）/程序性死亡受体配体1（programmed death-ligand 1，PD-L1）抑制剂疗效之间的关系，主要结合了CD4+FoxP3-PD-L1+、CD8+PD-1-LAG-3-和CD68+STING+细胞的密度及CD8+PD-1+LAG-3-T淋巴细胞的空间位置，为胃癌免疫治疗疗效预测提供了新思路。
Jiang等[21-22]开发了基于支持向量机（support vector machine，SVM）的胃癌分类器，通过结合免疫组织化学标志物（如CD3、CD8、CD45RO等）和临床病理信息，预测胃癌患者的生存率及辅助化疗的潜在获益。模型整合了8个免疫组织化学特征[CD3（肿瘤中心和浸润边缘）、CD8、CD45RO、CD57、CD66b、CD68和CD34]。SVM分类器在预测胃癌患者的生存率和辅助化疗效果方面具有独立的预测作用，高SVM评分的Ⅱ期和Ⅲ期胃癌患者在接受辅助化疗后表现出明显的生存获益，其预后预测能力优于传统的TNM分期。
Tian等[23]基于深度学习的多实例学习模型DeepRisk，旨在通过胃癌患者的WSI生成1个数字病理学特征（digital pathology system，DPS），评估患者对新辅助化疗（neoadjuvant chemotherapy， NAC）的反应。低DPS的患者在NAC后的反应更好，与肿瘤的退缩等级显著相关。对高DPS患者的免疫微环境进行了深入分析，发现这些患者的肿瘤微环境（tumor microenvironment，TME）中存在显著的免疫抑制现象。Eweje等[24]应用深度学习模型对全片HE图像进行自动化分析，预测患者的客观反应和无进展生存（progression-free survival，PFS）时间。通过量化TME中的细胞组成和细胞间相互作用，研究发现，淋巴细胞与中性粒细胞之间的相互作用与较长的PFS时间呈强相关性。Kim等[25]通过AI技术对585例晚期胃癌患者的HE染色图像进行免疫表型（immune phenotype，IP）分析，通过Lunit SCOPE IO系统将患者分为炎症性免疫表型和非炎症性免疫表型。结果表明，炎症性免疫表型是纳武利尤单抗联合化疗治疗中PFS时间的独立预测因素（HR＝0.64，P＝0.022），且还能有效预测纳武利尤单抗联合化疗的疗效，尤其在非印戒细胞患者中效果显著。
AI技术基于病理切片的多重免疫组织化学分析，能对胃癌组织中的免疫微环境进行更为精细的细胞级分析。多重免疫组织化学能同时检测肿瘤组织中多种免疫标志物，从而深入分析免疫细胞的种类、数量及其在TME中的分布和相互作用。这种方法揭示了肿瘤免疫微环境中不同类型的免疫细胞如何协同工作，有助于理解免疫微环境对免疫治疗反应的影响。AI技术不仅为胃癌患者的生存率和治疗效果提供了独立的预测依据，还超越了传统TNM分期的限制。利用深度学习模型对免疫微环境的预测能力，尤其是对NAC和免疫抑制现象的理解，有助于优化个体化治疗方案，推动免疫治疗在胃癌中的应用。
3 人工智能在胃癌影像学中的应用
3.1 辅助胃癌分期
胃癌的分期对治疗决策和预后预测至关重要。传统的胃癌分期主要依赖于影像学检查，如计算机断层扫描（computed tomography，CT）、磁共振成像（magnetic resonance imaging，MRI）和正电子发射体层摄影/CT（positron emission tomography/CT，PET/CT），但影像学检查方法通常依赖于放射科医生的主观判断，存在一定的误差和局限性。随着深度学习和计算机视觉技术的进步，基于影像的AI技术能自动识别、提取并分析肿瘤的关键特征，为胃癌的精确分期提供了新的工具。
Gao等[26]使用深度神经网络辅助提高CT影像中识别胃旁转移淋巴结的准确性，有助于制订更准确的术前评估和治疗方案。Zheng等[27]基于1205例患者的术前CT图像数据，通过三维肿瘤图像的分析，开发了基于Transformer的深度学习网络来预测接受NAC后局部进展期胃癌（locally advanced gastric cancer，LAGC）患者的淋巴结转移的可能性。Dong等[28]收集了来自国内外6个中心的730例LAGC患者的数据，通过多期CT图像提取了深度学习和手工设计的放射组学特征，结合临床特征（如肿瘤大小、临床N分期等），构建了深度学习影像组学列线图（deep learning radiomic nomogram，DLRN）模型。DLRN模型在术前预测淋巴结转移数量时表现良好，在主要队列中的C指数为0.821，在外部验证队列中的C指数为0.797～0.822，显著优于传统的临床N分期。
腹膜复发是胃癌术后复发的主要形式，且复发后患者预后极差。因此，在术前通过影像学手段早期预测腹膜复发的风险具有重要的临床意义。Jiang等[29]分析患者术前CT图像中的三维肿瘤特征，使用多任务深度学习模型，同时预测患者的腹膜复发风险和无病生存期（disease-free survival，DFS）时间。该模型在3个独立验证队列中的预测准确性表现优异，AUC均大于0.8，显示出对腹膜复发风险的良好预测能力。Liu等[30]通过分析554例术前CT被判定为腹膜转移阴性，但后续经腹腔镜手术确诊的胃癌患者数据，构建了结合肿瘤和腹膜区域的放射组学特征（RS1和RS2）与临床因素（如Lauren类型）的模型，通过结合RS1、RS2及Lauren类型，列线图模型在预测晚期胃癌患者隐匿性腹膜转移时表现出极高的准确性。该模型为临床医生提供了术前非侵入性识别隐匿性腹膜转移的工具，避免了不必要的手术，并有助于确定适合进行腹腔镜探索的患者。
淋巴结外软组织转移（extranodal soft tissue metastasis，ESTM）是胃癌患者根治术后的独立预后因素[31]。Liu等[30]开发了一种基于深度学习和放射组学的模型，能在术前通过CT图像预测胃癌患者的ESTM风险。该模型还成功预测了患者的总生存（overall survival，OS）时间，在内部验证队列和外部验证队列中的C指数分别为0.723和0.715， 有成为TNM分期系统补充工具的潜力。
3.2 预测治疗反应及预后
基于影像组学技术的AI模型在预测胃癌治疗反应和预后方面展现出重要的临床价值。通过对CT、PET/CT等医学影像中的高维数据进行深入分析，这些模型能帮助临床医生筛选出最有可能从化疗中获益的患者，进而优化治疗决策。Jiang等[32]基于18F-脱氧葡萄糖PET/CT的影像组学特征构建了一个预测胃癌生存率和化疗获益的模型。从PET/CT影像中提取80个影像组学特征。使用LASSO-Cox回归分析模型，选择影像组学特征以构建辐射组学评分（Rad-score），结果表明，Rad-score高的患者在化疗中获益显著。
影像组学技术在NAC的反应预测中也显示出较高的应用价值。Hu等[33]收集了6家医院共1060例局部晚期胃癌患者的术前CT图像数据，并结合临床数据（如肿瘤最大径、Borrmann分型等）开发了深度学习与放射临床特征（deep learning radio-clinical signature，DLCS）模型。用于预测LAGC患者的NAC反应和预后。在内部验证队列中，DLCS模型在预测NAC反应的AUC为0.86；而在外部验证队列中，AUC为0.82，表现出良好的预测性能。Cui等[34]同样收集了来自多中心的LAGC患者，提取CT图像的深度学习特征和手工设计的影像组学特征，结合临床病理因素，构建了DLRN模型，以预测LAGC患者对NAC的反应。Zhang等[35]基于633例接受NAC的LAGC患者术前CT图像，采用深度学习模型ResNet-50进行分析，以预测NAC耐药性。该深度学习模型在多中心验证中表现出稳健的预测性能，AUC均超过0.75。表明该模型可帮助临床医生在治疗前识别耐药患者。
影像组学不仅在治疗反应预测方面表现出色，还在胃癌复发风险的预测中发挥了重要作用。Zhang等[36]从669例经过病理确诊的LAGC患者中收集了术前CT图像，提取了放射组学特征，结合临床风险因素如Borrmann分型、癌胚抗原（carcinoembryonic antigen，CEA）和糖类抗原19-9（carbohydrate antigen 19-9，CA19-9）等，开发了一个基于多变量逻辑回归分析的放射组学列线图模型，用于预测术后1年内的早期复发风险。该模型在训练集和验证集中的AUC分别为0.831和0.826，展示了较高的预测准确性和临床适用性。
3.3 非侵入评估TME
基于AI的图像组学技术在胃癌TME探索中展示了巨大潜力。CT影像的放射组学方法提供了非侵入性、实时评估TME状态的手段。放射组学通过从常规CT影像中提取大量复杂的定量特征，如纹理、形状和强度等，提供了关于TME的多层次信息，能预测患者对不同治疗方案（尤其是化疗和免疫治疗）的反应。
Jiang等[37]利用深度学习技术和放射组学分析相结合的方法，开发了一种创新的非侵入性成像特征评估技术，通过研究TME来提高胃癌患者对辅助化疗和免疫治疗的临床反应预测准确性。该研究证明了通过无创手段评估TME的可行性，为癌症患者提供了一种监测和追踪治疗效果的新途径。此外，该研究还训练并独立验证了一个深度学习模型，该模型使用诊断性CT图像来分类TME并预测胃癌患者的预后及免疫治疗的反应。该深度学习模型可以捕获肿瘤异质性相关信息，将TME分为4类，并重点讨论了不同TME类别在免疫治疗中的响应差异。研究发现，免疫浸润较高且基质较少的肿瘤（TME为1类和2类）对免疫检查点抑制剂（如PD-1抑制剂治疗）有较好的反应，而免疫浸润较少或基质成分较多的肿瘤（TME为3类和4类）表现出较差的治疗效果，并在大规模多中心队列中进行验证[38]。
Sun等[39]分析了来自9个独立队列的2600例胃癌患者的CT数据，开发了淋巴细胞放射组学评分（lymphoid radiomics score，LRS）和髓样细胞放射组学评分（myeloid radiomics score，MRS）2个关键的放射组学评分，及其与4种影像亚型的联合分类器。LRS和MRS在预测淋巴和髓样免疫背景方面表现出较高准确性（AUC为0.736～0.773）。研究表明，高LRS或低MRS的患者对PD-1抑制剂免疫治疗的反应更好，而4种影像亚型中不同的免疫浸润模式与不同的治疗效果显著相关。该研究成功开发了非侵入性的CT影像生物标志物，能有效评估胃癌的免疫微环境，并预测预后和免疫治疗的反应。
3.4 胃癌基因影像组分析
影像基因组学是将医学数字图像中的大量影像组学特征、高通量测序的基因数据以及临床流行病学数据相结合，通过数学建模将这些信息融合在一起，其核心目的是揭示影像特征与疾病的基因表达模式、基因突变及其他基因组特征之间的相关性，从而探索疾病的特性并预测治疗反应[40]。
Lai等[41]基于TCGA胃癌队列的443例具有完整CT影像和基因组数据的患者，通过CT图像分析了14种定性和2种定量特征，预测胃癌染色体不稳定性（chromosomal instability，CIN）状态。该研究尤其关注肿瘤转角和肿瘤最大径这2个关键特征，肿瘤最大径（OR＝0.54，P＝0.017）和肿瘤转角（OR＝7.41，P＝0.045）是染色体不稳定状态的独立预测因子。在验证队列中肿瘤转角的敏感度、特异度和准确率均达到了88.9%。该研究首次通过CT影像特征探索了预测胃癌CIN状态的可能性，提出了肿瘤转角这一创新性的影像标志物，为非侵入性预测胃癌分子亚型提供了新的途径，有助于个性化治疗策略的制订。Jin等[42]基于中国以及TCGA数据库的胃癌患者的CT影像和RNA测序数据，构建了一个放射组学特征模型，用于预测OS时间和DFS，结果显示，放射组学特征与药物代谢和趋化因子调控通路密切相关。
AI技术为胃癌影像基因组学的研究开辟了新的视野，可以有效整合影像数据、基因组信息和临床数据，实现多模态数据的深度学习，这不仅有助于深入理解胃癌的分子机制，还能揭示影像特征与基因突变、基因表达模式之间的复杂关系，为胃癌的特征分析与治疗反应预测提供了新的视角和方法。
4 总结与展望
AI技术在胃癌图像组学领域的应用具有巨大的潜力，尤其是在内镜学、病理学和影像组学中，为提高诊断准确性、优化治疗决策、改善患者预后提供了新思路。尽管AI技术在胃癌领域的应用前景广阔，但当前仍面临诸多挑战，包括数据异质性、标注不一致、监管不足、数据安全问题以及伦理问题等。这些问题不仅限制了AI在临床中的广泛应用，也对其未来的发展提出了新的要求。
由于内镜检查的图像质量在不同医疗机构和操作人员之间存在显著差异，常导致诊断结果的准确性不一致。为了解决这些问题，研究者们正探索多种技术路径。例如，基于Swin Transformer编码器的生成对抗网络技术在扩充数据集方面展现了良好的前景。该技术通过生成高质量的合成图像来缓解数据稀缺和类别不平衡的问题。该技术逐层提取内镜图像的多尺度特征，并利用自注意力机制增强生成图像的细节信息，显著提高了生成图像的质量，使其更接近原始图像分布，从而有效扩展了用于训练深度学习模型的图像数据集[43]。此外，基于Cascade R-CNN模型的双重检查支持系统显著提高了胃镜检查中的病变检测效率，特别是在低质量图像识别方面表现出色，显示了AI在胃癌早期筛查中的应用潜力[44]。
与此同时，数据隐私和安全问题也日益突出，特别是在涉及患者隐私的情况下，确保数据的安全性和合规性是实施AI技术的前提[45]。Saldanha等[17]引入的群体学习方法，通过分布式的深度学习模型，预测MSI和EBV状态，并在不共享原始数据的情况下训练AI模型，为跨机构的合作提供了新的路径。结合区块链技术进行模型参数交换和同步，不仅保障了数据隐私，还推动了多机构合作下的AI模型训练和开发。
此外，随着AI技术的不断发展，构建多模态模型逐渐成为胃癌图像组学研究中的重要趋势[46]。多模态模型通过融合来自不同数据源的信息，如内镜图像、病理切片、CT和MRI影像，以及患者的基因组数据和临床记录，实现对复杂临床场景的综合理解，能为疾病诊断和治疗提供更全面和精准的支持。目前，许多研究开始探索如何有效整合这些不同模态的数据，以提高模型对胃癌复杂病理特征的识别能力。Chen等[47]开发了名为MuMo的深度学习模型，收集了429例胃癌患者的多模态数据，包括放射影像、病理切片和临床报告，并构建了包含单独接受抗人表皮生长因子受体2（human epidermal growth factor receptor-2，HER-2）治疗和联合抗HER-2免疫治疗的患者队列，成功预测了患者对不同治疗方案的反应。MuMo模型在预测抗HER-2治疗的响应时，AUC达到0.821，而在联合抗HER-2免疫治疗的预测中，AUC达到了0.914，显示出极高的预测准确性。尽管多模态模型展现了极高的潜力，但数据整合的复杂性、不同模态数据的标准化和互操作性仍然是亟待解决的难题。此外，模型可能产生不一致甚至错误的信息（“幻觉”现象），这在医疗应用中具有高度风险[48]。在医疗场景中使用这些模型时，必须有严格的伦理监督和持续的优化。目前，针对医疗AI的法规体系尚不完善，许多国家或地区尚未建立明确的监管框架，导致临床应用中缺乏必要的监督[49]。责任主体的问题同样不可忽视，因为假阴性和假阳性结果可能会导致医疗决策失误，进而危及患者的健康和安全，因此，明确AI在诊断过程中的作用和责任是十分必要的。
未来，AI技术有望通过不断优化算法、增强数据共享的安全性以及加强监管体系的完善，推动其在临床中的广泛应用。随着AI技术与医学的深度融合，可促进个体化、精准化的胃癌诊疗，提高患者的整体生存率和生活质量。
参考文献
向上滑动查看
[1] 王裕新，潘凯枫，李文庆．2022全球癌症统计报告解读[J/CD]． 肿瘤综合治疗电子杂志，2024，10（3）：1-16．
[2] ELEMENTO O, LESLIE C, LUNDIN J, et al. Artificial intelligence in cancer research, diagnosis and therapy[J]. Nat Rev Cancer, 2021, 21(12):747-752.
[3] CAO R, TANG L, FANG M, et al. Artificial intelligence in gastric cancer: applications and challenges[J]. Gastroenterol Report, 2022, 10:goac064.
[4] HIRASAWA T, AOYAMA K, TANIMOTO T, et al. Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images[J]. Gastric Cancer, 2018, 21(4):653-660.
[5] LUO H, XU G, LI C, et al. Real-time artificial intelligence for detection of upper gastrointestinal cancer by endoscopy: a multicentre, case-control, diagnostic study[J]. Lancet Oncol, 2019, 20(12):1645-1654.
[6] IGARASHI S, SASAKI Y, MIKAMI T, et al. Anatomical classification of upper gastrointestinal organs under various image capture conditions using AlexNet[J]. Comput Biol Med, 2020, 124:103950.
[7] CHO B J, BANG C S, PARK S W, et al. Automated classific-ation of gastric neoplasms in endoscopic images using a convolutional neural network[J]. Endoscopy, 2019, 51(12): 1121-1129.
[8] WU L, WANG J, HE X, et al. Deep learning system compared with expert endoscopists in predicting early gastric cancer and its invasion depth and differentiation status (with videos)[J]. Gastrointest Endosc, 2022, 95(1):92-104.e3.
[9] WU L, ZHOU W, WAN X, et al. A deep neural network improves endoscopic detection of early gastric cancer without blind spots[J]. Endoscopy, 2019, 51(6):522-531.
[10] XU M, ZHOU W, WU L, et al. Artificial intelligence in the diagnosis of gastric precancerous conditions by image-enhanced endoscopy: a multicenter, diagnostic study (with video)[J]. Gastrointest Endosc, 2021, 94(3):540-548.e4.
[11] HE X, WU L, DONG Z, et al. Real-time use of artificial intelligence for diagnosing early gastric cancer by magnifying image-enhanced endoscopy: a multicenter diagnostic study (with videos)[J]. Gastrointest Endosc, 2022, 95(4):671-678.e4.
[12] IWAYA M, HAYASHI Y, SAKAI Y, et al. Artificial intelligence for evaluating the risk of gastric cancer: reliable detection and scoring of intestinal metaplasia with deep learning algorithms[J]. Gastrointest Endosc, 2023, 98(6):925-933.e1.
[13] NIIKURA R, AOKI T, SHICHIJO S, et al. Artificial intelligence versus expert endoscopists for diagnosis of gastric cancer in patients who have undergone upper gastrointestinal endoscopy[J]. Endoscopy, 2022, 54(8):780-784.
[14] OH Y, BAE G E, KIM K H, et al. Multi-scale hybrid vision transformer for learning gastric histology: ai-based decision support system for gastric cancer treatment[J]. IEEE J Biomed Health Inform, 2023, 27(8):4143-4153.
[15] JOSHI S S, BADGWELL B D. Current treatment and recent progress in gastric cancer[J]. CA Cancer J Clin, 2021, 71(3):264-279.
[16] KIM S T, CRISTESCU R, BASS A J, et al. Comprehensive molecular characterization of clinical responses to PD-1 inhibition in metastatic gastric cancer[J]. Nat Med, 2018, 24(9):1449-1458.
[17] SALDANHA O L, MUTI H S, GRABSCH H I, et al. Direct prediction of genetic aberrations from pathology images in gastric cancer with swarm learning[J]. Gastric Cancer, 2023, 26(2):264-274.
[18] KATHER J N, PEARSON A T, HALAMA N, et al. Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer[J]. Nat Med, 2019, 25(7):1054-1056.
[19] MUTI H S, HEIJ L R, KELLER G, et al. Development and validation of deep learning classifiers to detect Epstein-Barr virus and microsatellite instability status in gastric cancer: a retrospective multicentre cohort study[J]. Lancet Digit Health, 2021, 3(10):e654-e664.
[20] CHEN Y, JIA K, SUN Y, et al. Predicting response to immuno-therapy in gastric cancer via multi-dimensional analyses of the tumour immune microenvironment[J]. Nat Commun, 2022, 13(1):4851.
[21] JIANG Y, XIE J, HUANG W, et al. Tumor immune microe-nvironment and chemosensitivity signature for predi cting response to chemotherapy in gastric cancer. cancer immuno-logy research[J]. Cancer Immunol Res, 2019, 7(12):2065-2073.
[22] JIANG Y, XIE J, HAN Z, et al. Immunomarker support vector machine classifier for prediction of gastric cancer survival and adjuvant chemotherapeutic benefit[J]. Clin Cancer Res, 2018, 24(22):5574-5584.
[23] TIAN M, YAO Z, ZHOU Y, et al. DeepRisk network: an AI-based tool for digital pathology signature and treatment responsiveness of gastric cancer using whole-slide images[J]. J Transl Med, 2024, 22(1):182.
[24] EWEJE F, LI Z, GOPAULCHAN M, et al. Use of artificial intelligence-based digital pathology to predict outcomes for immune checkpoint inhibitor therapy in advanced gastro-esopha-geal cancer[J]. J Clin Oncol, 2024, 42(Suppl 16):4013.
[25] KIM H D, LEE C K, CHO S I, et al. AI-powered immune phenotype predicts favorable outcomes of nivolumab (niv) plus chemotherapy (chemo) in advanced gastric cancer (AGC): a multi-center real-world data analysis[J]. Ann Oncol, 2024, 35(Suppl 2):S882.
[26] GAO Y, ZHANG Z D, LI S, et al. Deep neural network-assisted computed tomography diagnosis of metastatic lymph nodes from gastric cancer[J]. Chin Med J, 2019, 132(23):2804-2811.
[27] ZHENG Y, QIU B, LIU S, et al. A transformer-based deep learning model for early prediction of lymph node metastasis in locally advanced gastric cancer after neoadjuvant chemotherapy using pretreatment CT images[J]. eClinicalMedicine, 2024, 75:102805.
[28] DONG D, FANG M J, TANG L, et al. Deep learning radiomic nomogram can predict the number of lymph node metastasis in locally advanced gastric cancer: an international multicenter study[J]. Ann Oncol, 2020, 31(7):912-920.
[29] JIANG Y, ZHANG Z, YUAN Q, et al. Predicting peritoneal recurrence and disease-free survival from CT images in gastric cancer with multitask deep learning: a retrospective study[J]. Lancet Digit Health, 2022, 4(5):e340-e350.
[30] LIU S, DENG J, DONG D, et al. Deep learning-based radiomics model can predict extranodal soft tissue metastasis in gastric cancer[J]. Med Phys, 2024, 51(1):267-277.
[31] ZHANG N, DENG J, SUN W, et al. Extranodal soft tissue metastasis as an independent prognostic factor in gastric cancer patients aged under 70 years after curative gastrectomy[J]. Ann Transl Med, 2020, 8(6):376.
[32] JIANG Y, YUAN Q, LV W, et al. Radiomic signature of 18F fluorodeoxyglucose PET/CT for prediction of gastric cancer survival and chemotherapeutic benefits[J]. Theranostics, 2018, 8(21):5915-5928.
[33] HU C, CHEN W, LI F, et al. Deep learning radio-clinical signature for predicting neoadjuvant chemotherapy response and prognosis from pretreatment CT images of locally advanced gastric cancer patients[J]. Int J Surg, 2023, 109(7):1980-1992.
[34] CUI Y, ZHANG J, LI Z, et al. A CT-based deep learning radiomics nomogram for predicting the response to neoadjuvant chemotherapy in patients with locally advanced gastric cancer: a multicenter cohort study[J]. eClinicalMedicine, 2022, 46:101348.
[35] ZHANG J, CUI Y, WEI K, et al. Deep learning predicts resistance to neoadjuvant chemotherapy for locally advanced gastric cancer: a multicenter study[J]. Gastric Cancer, 2022, 25(6):1050-1059.
[36] ZHANG W, FANG M, DONG D, et al. Development and validation of a CT-based radiomic nomogram for preoperative prediction of early recurrence in advanced gastric cancer[J]. Radiother Oncol, 2020, 145:13-20.
[37] JIANG Y, ZHOU K, SUN Z, et al. Non-invasive tumor microenvironment evaluation and treatment response prediction in gastric cancer using deep learning radiomics[J]. Cell Rep Med, 2023, 4(8):101146.
[38] JIANG Y, ZHANG Z, WANG W, et al. Biology-guided deep learning predicts prognosis and cancer immunotherapy response[J]. Nat Commun, 2023, 14(1):5135.
[39] SUN Z, ZHANG T, AHMAD M U, et al. Comprehensive assessment of immune context and immunotherapy response via noninvasive imaging in gastric cancer[J]. J Clin Invest, 2024, 134(6):e175834.
[40] LI S, ZHOU B. A review of radiomics and genomics applic a-tions in cancers: the way towards precision medicine[J]. Radiat Oncol, 2022, 17(1):217.
[41] LAI Y C, YEH T S, WU R C, et al. Acute tumor transition angle on computed tomography predicts chromosomal instability status of primary gastric cancer: radiogenomics analysis from tcga and independent validation[J]. Cancers, 2019, 11(5):641.
[42] JIN Y, XU Y, LI Y, et al. Integrative radiogenomics approach for risk assessment of postoperative and adjuvant chemotherapy benefits for gastric cancer patients[J]. Front Oncol, 2021, 11:755271.
[43] DENG B, ZHENG X, CHEN X, et al. A Swin transformer encoder-based StyleGAN for unbalanced endoscopic image enhancement[J]. Comput Biol Med, 2024, 175:108472.
[44] OURA H, MATSUMURA T, FUJIE M, et al. Development and evaluation of a double-check support system using artificial intelligence in endoscopic screening for gastric cancer[J]. Gastric Cancer, 2022, 25(2):392-400.
[45] HANDLEY J L, LEHMANN C U, RATWANI R M. Prioriti-zing data privacy and security in pediatric AI-reply[J]. JAMA Pediatr, 2024, 178(10):1085.
[46] YUAN M, BAO P, YUAN J, et al. Large language models illuminate a progressive pathway to artificial healthcare assistant: a review[J]. Medicine Plus, 2024, 1(2):100030.
[47] CHEN Z, CHEN Y, SUN Y, et al. Predicting gastric cancer response to anti-HER2 therapy or anti-HER2 combined immunotherapy based on multi-modal data[J]. Sig Transduct Target Ther, 2024, 9(1):222.
[48] SHEN Y, HEACOCK L, ELIAS J, et al. ChatGPT and other large language models are double-edged swords[J]. Radiology, 2023, 307(2):e230163.
[49] MENNELLA C, MANISCALCO U, DE PIETRO G, et al. Ethical and regulatory challenges of AI technologies in healthcare: a narrative review[J]. Heliyon, 2024, 10(4):e26297.
声明：本文由“肿瘤界”整理与汇编，欢迎分享转载，如需使用本文内容，请务必注明出处。
编辑：lagertha
审核：松月
