修回日期: 2025-06-20
接受日期: 2025-09-17
在线出版日期: 2025-09-28
胃癌是全球高发的恶性肿瘤, 早期精准诊断对改善患者预后至关重要. 传统影像学方法存在图像质量不稳定和主观依赖性等问题, 而人工智能(artificial intelligence, AI)通过深度学习和影像组学技术显著提升了胃癌计算机体层影像分析的精准性. 本文系统综述AI在胃癌术前分期、腹膜转移识别、脉管侵犯评估、新辅助化疗疗效预测及术后复发风险评估中的研究进展, 并探讨其临床应用潜力与现存挑战.
核心提要: 人工智能为胃癌CT影像应用带来革新, 在术前分期、疗效评估等领域潜力突出, 为诊疗提供新方向. 虽面临模型普适性、临床推广难题, 但未来结合多模态影像与人机协作, 有望推动胃癌精准诊疗, 助力实现个性化医疗.
引文著录: 任刚, 汪心韵. 基于CT的胃癌影像学多维度人工智能应用的研究进展. 世界华人消化杂志 2025; 33(9): 685-692
Revised: June 20, 2025
Accepted: September 17, 2025
Published online: September 28, 2025
Gastric cancer is a malignant tumor with a high global incidence, and accurate early diagnosis is crucial for improving patient prognosis. Traditional imaging methods have issues such as unstable image quality and subjective dependence. However, artificial intelligence (AI) has significantly enhanced the accuracy of computed tomography image analysis for gastric cancer through deep learning and radiomics techniques. This article systematically reviews the progress in research of AI in preoperative staging of gastric cancer, identification of peritoneal metastasis, assessment of vascular invasion, prediction of neoadjuvant chemotherapy efficacy, and evaluation of postoperative recurrence risk, while also discussing its clinical application potential and existing challenges.
- Citation: Ren G, Wang XY. Progress in multi-dimensional artificial intelligence applications in CT-based gastric cancer imaging. Shijie Huaren Xiaohua Zazhi 2025; 33(9): 685-692
- URL: https://www.wjgnet.com/1009-3079/full/v33/i9/685.htm
- DOI: https://dx.doi.org/10.11569/wcjd.v33.i9.685
胃癌(gastric cancer, GC)在全球范围内发病率居恶性肿瘤第五位[1], 死亡率居第四位, 尤其胃癌在我国的死亡率高居第三位[2]. 胃癌的早期诊断和精准分期对于临床制定有效治疗方案至关重要, 能够显著提高患者生存率[3]. 然而, 传统影像学检查方法如内窥镜、超声和计算机体层成像(computed tomography, CT)扫描在早期发现和准确评估肿瘤方面存在一定的局限性, 如图像质量不高、医生经验依赖性强等问题.
近年来, 人工智能(artificial intelligence, AI)在医学影像领域取得了显著进展, AI通过机器学习(machine learning, ML)和深度学习(deep learning, DL)算法, 能够从大量影像数据中提取特征并进行分析, 辅助医生做出更客观的诊断[4]. 目前结合AI的CT影像学方法在胃癌早期筛查、诊断、分期及预后评估方面展现出巨大潜力[5]. 有研究表明[6], AI模型在胃癌诊断中的准确率达到了97.4%, 并且在不同临床场景中表现出较强的特异性和敏感性.
AI技术的核心在于其能够处理和分析大量数据, 通过机器学习和深度学习算法, AI能够从复杂的影像中提取出潜在的病理特征, 进而为临床诊疗提供更个体化、精准化的信息[7]. 其中, 深度学习算法如卷积神经网络(convolutional neural network, CNN)在医学影像分析中表现出色, 能够自动识别和分类胃癌相关的影像特征, 从而减少临床繁重工作过程中产生的人为误差, 提高诊断效率[8,9].
AI还可以从多维度对胃癌进行分析, 包括影像特征、临床数据和分子生物标志物等, 形成综合的风险评估模型[10]. 这种多模态的AI应用不仅能提高胃癌早期发现率, 还能为个性化治疗提供依据. 例如, 通过分析CT影像, AI可以预测肿瘤的浸润深度和淋巴结转移的可能性, 从而为手术方案的制定提供支持[11].
尽管AI在胃癌影像学中的应用前景广阔, 但仍面临一些挑战, 包括数据获取和处理、算法透明性和可解释性等问题. 未来, 随着不断的技术进步和研究深入, AI有望在胃癌临床管理中发挥更大作用, 帮助医生实现更为精准的诊断和治疗. 本文将进一步探讨AI在胃癌CT影像学中的多维度应用研究进展, 重点关注其在诊断、分期和预后评估等关键领域的应用, 以期为临床实践提供有价值的参考.
根据AJCC第8版TNM分期标准, T分期描述原发肿瘤的浸润深度: T1a(黏膜层)、T1b(黏膜下层)、T2(固有肌层)、T3(浆膜下层)、T4a(浆膜层)和T4b(邻近器官). N分期描述区域淋巴结转移数量: N0(无转移)、N1(1-2枚)、N2(3-6枚)、N3(≥7枚). M分期描述远处转移状态: M0(无转移)、M1(存在转移).
CT作为目前术前评估GC患者TNM分期最主要的影像学方法[12], 已有文献报道其对术前T分期的整体诊断符合率不稳定、尤其是对于早期胃癌(early gastric cancer, EGC)存在一定的局限性, 而AI技术的助力为提高T分期诊断准确性提供可能性.
有研究表明[13], 传统CT影像学用于诊断GC患者T分期的难点主要在于区分T1a与T1b、T3与T4a期胃癌. Zeng等[14]构建了一种深度学习模型用于诊断EGC, 结果显示基于ResNet101神经网络的模型在区分EGC方面表现优异, 在两个验证队列中受试者工作特征曲线下面积(area under curve, AUC)分别为0.993和0.968, 准确度分别为0.946和0.914, 且能区分EGC的黏膜和黏膜下肿瘤, 为EGC的个体化治疗提供重要支持, 但该模型仅纳入了静脉期图像. Sun等[15]开发了基于CT影像的深度学习影像组学模型评估胃癌浆膜侵犯, 从三期CT图像提取传统手工特征和深度学习特征构建影像组学特征, 并结合临床特征建立列线图, 该列线图在各数据集中AUC均在0.90左右, 具有强大的诊断能力, 该研究表明基于CT的影像组学特征可有效区分胃癌浆膜侵犯的不同类型.
Tao等[16]通过放射科医生手动勾画肿瘤静脉期图像上、下最边缘两层及病灶最大层面ROI, 自动化生成包括整个肿瘤和周围结构的3D立方靶区, 提出了基于CT的影像组学模型、结合视觉Transformer(ViT)的深度学习模型和混合模型来预测胃癌T分期, 其中混合模型在诊断胃癌病理分期上表现最佳, 整体分类准确率达81.4%, 提高胃癌T分期的诊断准确性, 辅助临床制定更精准的治疗方案. Yardimci等[17]探讨了通过CT纹理分析(CT-TA)在胃癌术前的T分期、N分期和肿瘤分级进行评估, 其中对T分期的判别能力为90.4%, 从而为制定个性化的治疗方案提供支持.
综上, 深度学习和影像组学技术可以从不同角度提升胃癌CT影像诊断水平, 但仍存在一定挑战: 如胃癌整体病灶的自动化分割仍是难点、模型的可解释性也有待提高等.
淋巴结转移是胃癌患者预后的独立危险因素[18], 而传统CT诊断胃癌淋巴结转移的准确度约为52.9%-81.3%[19,20], 且尚无统一的标准. 影像组学通过从CT图像中提取定量特征来反映肿瘤的生物学特性, 为预测胃癌淋巴结转移提供了新的视角[21]. Gao等[22]回顾性分析了768例胃癌患者静脉期CT图像的影像组学特征, 运用最小绝对收缩和选择运算符(least absolute shrinkage and selection operator, LASSO)方法提取了7个影像组学特征, 并且结合血清CA72-4和CT报告的淋巴结状态构建了一个综合临床预测模型, 为早期胃癌患者的淋巴结转移提供良好的预测性能(AUC为0.85). 类似地, Gao等[23]另一项针对463例早期胃癌患者的研究, 构建的基于CT的影像组学模型包含6个特征, 与淋巴结转移显著相关, 在训练队列和测试队列的AUC分别为0.91和0.89, 决策曲线分析证实了其临床实用性. Jiang等[24]回顾性分析了1689例患者的CT影像, 利用LASSO回归模型构建影像组学特征, 并结合临床病理变量构建列线图, 研究表明, 影像组学特征是淋巴结转移的独立预测因素, 该列线图在训练队列、内部验证队列和外部验证队列的C指数分别为0.788、0.802和0.829, 具有良好的区分度和校准度.
随着AI技术的发展, 深度学习模型能够自动学习图像的高级特征, 在胃癌淋巴结转移预测中展现出独特的优势. Cen等[25]应用深度学习改进基于CT图像的早期胃癌淋巴结转移预测模型, 构建了基于CNNs的模型和影像组学模型并进行对比, 表明CNNs模型准确率达到71%, 在预测淋巴结转移方面显著优于影像组学模型和临床模型. Dong等[26]开展的国际多中心研究旨在构建深度学习影像组学列线图(deep learning radiomic nomogram, DLRN)预测局部进展期胃癌(locally advanced gastric cancer, LAGC)淋巴结转移数量, 从多期CT图像中提取特征构建DLRN, 并与多种方法进行比较, 结果显示, DLRN显著优于常规临床N分期、肿瘤大小和临床模型, 且与LAGC患者的总生存期显著相关.
在诊断胃癌患者是否有淋巴结转移的基础之上, AI可进一步构建临床实用工具来对其进行全面的术前预测. Feng等[27]开发了基于CT影像组学特征的临床决策支持系统(decision support system, DSS)用于预测胃癌淋巴结转移, 从静脉期CT图像提取93个影像特征, 利用支持向量机分类器进行特征选择和建模. 结果表明, 该DSS在训练和验证数据集的AUC分别为0.824和0.764, 校准曲线显示预测与实际概率一致性良好, 且在训练和测试数据集中, DSS预测淋巴结转移的准确性均高于传统分期标准.
综上, 在胃癌患者的淋巴结转移方面, 影像组学模型和深度学习模型都取得了较好的成果, 不仅提高了诊断的准确性和效率, 而且能够更准确地预测淋巴结转移情况.
GC的M分期主要依赖于影像学对全身各脏器进行系统性、全面性的评估, 而本文探讨的重点是一种特殊的远处转移-腹膜转移(peritoneal metastasis, PM). 约有20%的胃癌患者在术前或术中诊断PM, 伴有PM的晚期患者中位生存期只有3-6 mo, 5年生存率更是低于2%[28]. 薄层增强CT是术前检查有无PM最常用的手段, 但其灵敏度只有50%左右[29]. 传统CT在一定程度上受诊断医师经验和识别能力的影响, AI在基于CT图像的预测胃癌患者PM方面展现出了巨大潜力[30].
Chen等[31]开展了一项回顾性研究, 旨在借助双能量CT技术构建用于预测胃癌PM的影像组学模型. 研究共纳入239例经确诊的胃癌患者, 将其划分为训练队列(160例)与测试队列(79例). 研究人员利用标准化碘摄取(iodine-uptake, IU)图像和120-kV等效混合图像, 分别从腹膜区域与原发性肿瘤区域精准提取影像组学特征, 经筛选后构建了R_IU和R_MIX模型. 其中, R_IU模型表现尤为突出, 在训练队列中的AUC达到0.981, 在测试队列中亦高达0.967, 显著优于R_MIX模型, 且在预测性能上超越了临床模型以及人类专家的判断. 但是该研究存在回顾性研究固有的局限性, 且仅在单中心开展, 样本的代表性可能不足.
据报道, 有10%-30%的术前CT检查未发现PM的进展期胃癌, 而术中探查明确PM, 这部分被定义为临床隐匿性腹膜转移[32]. Dong等[33]进行了一项多中心研究, 致力于开发基于CT影像的影像组学列线图, 以识别晚期胃癌患者的隐匿性PM. 研究纳入554例患者, 并将其合理分配至训练队列、内部验证队列以及两个外部验证队列. 研究人员从原发性肿瘤和腹膜区域的CT图像中全面提取特征, 并结合临床因素构建列线图. 结果表明, RS1、RS2以及Lauren类型是隐匿性PM的重要预测因素, 所构建的列线图在各队列中的AUC处于0.920-0.958之间, 具有较高的临床应用价值. 但不同中心的CT参数及图像质量存在差异, 可能影响特征提取与模型性能, 且临床因素的选择或许不够全面. 后续研究需对这些方面进行优化, 以进一步提升列线图的预测准确性与稳定性. 同为多中心回顾性研究, Jiang等[34]在扩大了样本量的基础上开发了PM网络(PMetNet)这一深度学习模型, 用于预测胃癌隐匿性PM. 研究利用1225例患者的数据进行训练, 753例患者的数据用于外部验证. PMetNet模型在外部验证队列中的表现优异, AUC分别达到0.946和0.920, 性能显著优于传统临床病理因素. 但是, 深度学习模型通常被视为"黑箱", 其内部决策机制难以解释, 且受不同医院CT数据差异的影响较大. 因此, 提升该模型的可解释性与对不同数据的适应性, 是未来研究的重要方向.
当前影像组学与深度学习研究大多依赖人工手动肿瘤分割, 而自动化分割技术仍较少实现. 例如, 上述Jiang等[34]研究采用的是手动肿瘤分割进行的临床导向降维手段, 该方法的优点是直接排除非肿瘤背景干扰, 提升模型对肿瘤特征的学习效率, 而缺点是人力成本高、完全忽略非肿瘤区域的特征等. 因而有学者开始探索自动化分割技术的实现, Mirniaharikandehei等[35]利用随机投影算法对机器学习模型进行优化, 实现了半自动分割肿瘤的过程, 以预测胃癌PM风险. 研究收集了159例患者的CT图像, 通过分割肿瘤体积计算特征, 并构建了嵌入不同特征选择方法的梯度提升机(gradients boosting machine, GBM)模型. 结果显示, 嵌入随机投影算法的GBM模型预测准确率最高, 可达71.2%. 但该研究样本量较小, 可能无法全面反映总体情况, 且随机投影算法在某些情况下可能会丢失重要信息. 未来需探索更优的算法, 并扩大样本量, 以提高模型的预测精度与可靠性.
综上所述, 基于CT影像数据的影像组学、深度学习模型在预测胃癌患者PM方面具有重要价值, 为临床治疗决策和效益量化提供了实证基础. 未来需通过开展多中心协作研究、推动跨模态数据整合及深化可解释性人工智能技术研发, 进一步加速其临床转化进程.
胃癌的主要治疗方式是手术切除, 而血管侵犯(vascular invasion, VI)是影响胃癌术后预后的重要因素[36], 因此准确的术前评估对制定治疗方案意义重大. Hu等[37]回顾性分析296例经病理确诊的局部进展期胃癌患者, 基于门静脉期CT影像组学特征和机器学习模型, 探讨术前预测胃癌VI的价值. 研究者用Pyradiomics软件提取影像组学特征, 经筛选后用四种机器学习算法构建预测模型. 结果显示, 分化程度、Lauren分类和CA199水平是LAGC VI的独立危险因素; 构建的模型在训练集和验证集上表现出较高的预测性能, 其中逻辑回归模型在验证集中AUC值最高, 为0.877. 这表明基于门静脉期CT影像组学特征和机器学习模型可作为术前预测局部进展期胃癌VI的非侵入性方法.
人体脉管系统不仅包括心血管系统, 还包括淋巴系统, 所以更多的研究是聚焦评估及预测脉管侵犯, 其与胃癌转移和患者生存率相关, 目前术前无创诊断脉管侵犯仍存在困难[38]. Fan等[39]回顾性纳入101例接受手术的胃癌患者, 通过三维手动分割从正电子放射断层造影术(positron emission tomography, PET)和静脉期CT图像中提取影像组学特征, 结合临床因素构建影像模型、临床模型和联合模型, 并使用三种机器学习分类器进行模型开发. 结果显示, 联合模型在验证集中的AUC值高于影像模型和临床模型, 表明基于机器学习的模型整合PET/CT和增强CT影像组学特征及临床因素, 对淋巴管血管侵犯(lymphovascular invasion, LVI)具有良好的判别能力, 可作为术前预测LVI的无创工具, 辅助临床决策. 该研究的优势是从PET/CT和增强CT图像中提取到了更为丰富的影像组学特征, 但单中心的样本量较少. Li等[40]回顾性分析1062例胃癌患者, 基于增强CT影像构建两种胃成像标记物(GI-marker-1和GI-marker-2), 并整合多种信息构建胃癌风险(gastric cancer risk, GRISK)模型预测LVI. 研究发现, GI-marker-1和GI-marker-2在预测LVI方面性能相似, GRISK模型在训练集和测试集中具有一定的诊断性能; LVI阳性患者的无进展生存期和总生存期较短, 且在非化疗组中差异更明显. 这说明增强CT上的影像组学和深度学习特征在预测胃癌患者LVI方面有潜力, GRISK模型有助于优化个体化治疗决策和预测生存结果.
相较于传统的CT, 光谱CT是一种更先进的医学成像技术, 它具有物质鉴别能力强、图像质量更佳及辐射剂量可控等优点[41], 基于光谱CT的AI研究也逐步被关注. Ge等[42]开发并测试融合光谱CT参数和临床指标的机器学习模型, 可以准确预测LVI和周围神经侵犯(peripheral nerve invasion, PNI), 通过提取临床指标和光谱CT定量参数, 经特征选择后构建的逻辑回归模型显示, CT T3-4期、CT-N阳性、CT-EMVI阳性在LVI/PNI阳性组更为常见; 单能量CT值、碘浓度等在LVI/PNI阳性组更高; 联合模型在训练集和验证集中的AUC值分别为0.918和0.874, 高于单个独立因素. 该研究表明, 利用门静脉和平衡期光谱CT参数可有效术前检测胃癌LVI/PNI, 结合临床标志物可提高准确性. 同样是基于光谱CT参数, Ren等[43]探讨了联合临床和光谱CT参数对胃癌LVI和PNI的术前评估价值, 结果显示, LVI/PNI阳性组的CA125水平、Zeff和IC更高, 组织学分级和Borrmann类型存在差异; 联合参数的诊断效能高于单个参数, 临床参数联合AP和VP的Zeff和IC具有较高评估效能. 这表明临床和光谱CT参数在术前评估胃癌LVI和PNI方面有潜力, 联合使用可有效预测.
Huang等[44]纳入205例胃癌患者, 开发并验证基于临床因素和增强CT影像组学特征预测PNI的模型. 选择最优影像组学特征构建影像组学模型, 结合临床因素构建联合模型. 结果显示, 临床模型的独立预测因素包括肿瘤T分期、N分期和分化程度; 影像组学模型中支持向量机分类器的AUC最高; 联合模型的预测性能更好, AUC在训练集和验证集中分别为0.889和0.885. 这表明联合影像组学特征和临床因素的模型对预测胃癌PNI有良好性能, 有助于预后评估和临床决策.
综上所述, 虽然AI在胃癌脉管侵犯方面的分析预测已经取得了一定成果, 但是由于样本量小且存在不平衡的状况, 导致模型的泛化能力不足, 临床应用价值受限. 因此, 有必要开展大规模的前瞻性研究, 以进一步推动该领域的发展.
新辅助化疗是局部进展期胃癌的重要治疗手段, 其疗效评估对于制定后续治疗方案至关重要[3]. 传统的疗效评估方法依赖于医生的经验和主观判断, 存在一定的不一致性. AI通过深度学习技术, 能够从CT图像中自动提取特征并评估化疗反应, 显著提高了评估的准确性和一致性[45]. Bao等[46]运用系统回顾与荟萃分析法, 对AI模型、临床模型以及综合模型在预测胃癌患者新辅助化疗反应方面的准确性展开评估. 研究团队最终纳入9项研究, 覆盖3313例患者. 成果表明, AI模型在预测过程中展现出一定效能, 特别是基于CT的深度学习模型, 其敏感性尤为显著. 该研究的优势在于采用了系统且全面的分析手段, 整合多个研究数据, 极大提升了结果的可信度与普适性. 但是受纳入研究自身局限性的影响, 不同研究在样本选取、研究方法等方面存在差异, 这可能对最终结论的精准度产生一定干扰.
Giganti等[47]通过纳入34例经活检确诊的胃癌患者新辅助治疗前后的多层螺旋计算机体层成像(multi-detector computed tomography, MDCT)检查, 探究术前基于MDCT的纹理分析在预测胃癌患者新辅助治疗反应方面的能力, 并依据肿瘤退缩分级评估治疗效果. 通过对图像纹理特征进行量化分析, 发现14个参数在单变量分析中存在显著差异, 例如熵、紧凑度在治疗反应者中数值较高, 而均匀度数值较低; 多变量分析结果显示, 熵、范围和均方根等参数可用于识别治疗无反应者. 该研究的优势在于直接针对CT图像纹理特征展开分析, 为预测治疗反应提供了直观的影像学依据. 然而, 由于样本量相对较小, 可能导致研究结果的稳定性和普适性不足. 同样是开展影像组学分析, Song等[48]通过对接受新辅助化疗的胃癌患者的CT图像进行纹理特征分析来构建预测模型. 结果显示, 影像组学特征能够有效预测患者对新辅助化疗的反应. 此研究方法较为直接, 重点关注影像组学特征与治疗反应之间的关联. 但在模型构建的复杂性以及多因素综合考量方面可能存在欠缺, 从而影响模型的全面性. Sun等[49]学者更是利用构建的CT影像组学评分系统, 来预测胃癌患者对新辅助化疗的反应以及生存情况. 研究人员对患者CT图像进行特征提取与分析, 进而构建评分系统. 该评分系统在预测治疗反应和生存方面展现出一定准确性. 这种评分系统的构建为临床医生提供了简洁直观的评估工具. 不过, 评分系统的准确性可能受到特征选取和权重设置等因素的影响, 存在进一步优化的空间.
除了单纯使用影像组学方法, Cui等[50]聚焦于开发并验证基于深度学习的DLRN, 旨在预测局部晚期胃癌患者对新辅助化疗的反应. 研究人员回顾性纳入719例患者, 并将其合理划分为训练队列、内部验证队列以及外部验证队列. 通过对预处理门静脉期CT图像进行细致分析, 构建出反映深度学习和手工制作影像组学特征的成像特征, 经过多步特征筛选与建模, 成功建立DLRN. 该列线图在不同队列中均展现出良好的区分能力, 内部和两个外部验证队列的受试者AUC分别高达0.829、0.804和0.827, 且校准效果良好. 同时, DLRN与患者的无病生存期(disease free survival, DFS)显著相关. 此研究的亮点在于多队列验证增强了模型的可靠性, 并且与临床关键指标DFS建立关联, 极大提高了模型的临床应用价值. 但由于该研究采用回顾性设计, 可能存在一定的选择偏倚, 对研究结果的前瞻性推广造成一定限制.
综上所述, 整合高质量的多模态与多组学数据能够显著促进胃癌预后预测的精准化与个体化发展. 尽管现有研究仍需应对数据标准化采集及跨设备差异处理等挑战, 相关成果已有效验证人工智能系统的临床应用价值, 并为自动化图像分析系统的研发奠定了技术基础.
胃癌的术后复发是影响患者预后生存质量的重要危险因素, 而肿瘤的病理分化、浸润深度、肿瘤分期、淋巴结转移是患者术后复发的独立影响因素[51]. 通过分析患者的影像学数据和临床信息, AI技术能够实现对复发风险的实时监测和评估[51].
影像组学研究在胃癌患者的复发预测中扮演着至关重要的角色, 它可以通过对影像特征进行定量分析, 使研究者们能够识别出与复发相关的关键影像学特征, 从而为临床决策提供依据. Huang等[52]从术前CT影像提取影像组学特征构建模型, 发现由contrast_GLCM(Gray level co-occurrence matrix)和 dissimilarity_GLCM组成的影像组学特征在预测胃癌局部复发方面优于临床模型, 进一步整合临床风险因素构建的影像组学列线图, 使预测准确性大幅提升, 在多个队列中展现出良好的预测性能.
深度学习在胃癌复发预测中也发挥着重要作用. Cao等[53]开展的多中心回顾性研究, 纳入2813例胃癌患者, 通过构建深度学习融合特征模型, 综合利用术前CT影像的深度学习特征与临床特征, 在预测胃癌术后复发方面展现出优异性能, 其在训练集、内部验证集和外部验证集的AUC值分别达到0.833、0.831和0.859, 校准度良好且显著优于临床模型和单纯基于影像的模型, 为临床精准预测复发提供了有力工具.
基于深度学习的预测模型通过自动提取CT影像的深层特征, 可以显著提升预测效能. 例如, Feng等[54]开发的鲁棒联邦学习模型结合ResNet18、图卷积网络和生成对抗网络, 在四个中心的测试中分别取得了0.710、0.798、0.809和0.869的AUC值, 误诊率降低42.23%. 该模型不仅准确性较高, 还具有出色的稳健性, 能够有效识别不同数据中心的共同和自适应特征, 为多中心跨机构的胃癌复发预测研究提供了新的思路和方法. 这些进展为个性化术后管理提供了新工具, 未来需进一步验证其在不同人群和设备中的泛化能力, 推动AI技术向临床实践的转化.
综上所述, 现有关于胃癌复发预测的研究在模型构建、技术应用及临床验证等方面取得了显著进展, 但仍面临诸多挑战. 未来研究需在数据质量控制、模型标准化、多中心协作以及临床应用转化等方面深入探索, 以进一步提升人工智能在胃癌复发预测中的准确性和实用性.
人工智能在胃癌CT影像学中的应用, 正逐步引领着医学影像学的变革, 成为研究的热门领域. 近年来, 许多研究表明, AI技术在术前TNM分期、脉管侵犯预测、新辅助化疗疗效评估以及复发预测等方面展现出了巨大的潜力. 这些成果不仅为胃癌患者的诊疗提供了新思路, 也为临床医生在决策过程中的依据增加了科技支持.
首先, AI在术前TNM分期中的应用, 能够通过对影像数据的深度学习, 提取出传统方法难以识别的细微特征, 从而提高分期的准确性. 这一方面有助于制定个性化的治疗方案, 另一方面也能降低误诊率, 确保患者得到及时而有效的治疗. 此外, AI在脉管侵犯的预测中, 通过对CT影像分析, 能够早期识别潜在的脉管侵犯情况, 为手术规划提供了重要依据.
然而, 尽管AI在胃癌影像学中的应用展现出良好前景, 但仍面临着一些挑战. 首先, 模型的普适性是一个亟待解决的问题. 不同人群、不同地区的患者在影像特征上可能存在显著差异, 因此, 如何使AI模型在多样化的临床环境中保持稳定表现, 是今后研究的重点之一. 此外, 临床可推广性也是一个不可忽视的问题. 当前的研究多数集中在高水平医院和特定的研究机构, 而在基层医疗机构的应用仍然较少, 如何将这些先进技术推广至更广泛的临床实践, 将是推动AI在胃癌领域应用的关键.
未来, AI有望在胃癌的精准诊疗中发挥更大的作用. 随着技术的不断进步, AI在数据处理、学习和推理能力上的提升, 将使其在影像学分析中更加精准和高效. 同时, 结合大数据和MRI、PET等多模态影像技术, AI有可能从更全面的角度分析患者的病情, 从而提供更为精准的治疗方案. 此外, AI与临床专家的合作将进一步提升诊疗水平, 通过人机协作, AI不仅能辅助医生做出更明智的决策, 还能帮助医生在繁忙的工作中提高工作效率, 减轻负担.
综上所述, 人工智能在胃癌CT影像学中的应用已展现出广阔的发展前景, 尽管面临诸多挑战, 但其在精准诊疗领域的潜力不容忽视. 未来, 随着研究的深入与技术的进步, AI将在胃癌的早期诊断、治疗方案制定以及预后评估等方面发挥更为重要的作用, 助力实现个性化医疗目标. 为了充分发挥AI的优势, 临床实践中需要加强多学科合作, 推动AI技术的普及和应用, 从而为胃癌患者带来更为有效和精准的治疗体验.
学科分类: 胃肠病学和肝病学
手稿来源地: 上海市
同行评议报告学术质量分类
A级 (优秀): A
B级 (非常好): B, B
C级 (良好): C, C
D级 (一般): 0
E级 (差): 0
科学编辑: 刘继红 制作编辑:张砚梁
| 1. | Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, Bray F. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J Clin. 2021;71:209-249. [PubMed] [DOI] |
| 2. | Han B, Zheng R, Zeng H, Wang S, Sun K, Chen R, Li L, Wei W, He J. Cancer incidence and mortality in China, 2022. J Natl Cancer Cent. 2024;4:47-53. [PubMed] [DOI] |
| 3. | 国家卫生健康委员会. 胃癌诊疗规范(2018年版). 中华消化病与影像杂志(电子版). 2019;9:118-144. [DOI] |
| 4. | Lee J, Lee H, Chung JW. The Role of Artificial Intelligence in Gastric Cancer: Surgical and Therapeutic Perspectives: A Comprehensive Review. J Gastric Cancer. 2023;23:375-387. [PubMed] [DOI] |
| 5. | Wang Z, Liu Y, Niu X. Application of artificial intelligence for improving early detection and prediction of therapeutic outcomes for gastric cancer in the era of precision oncology. Semin Cancer Biol. 2023;93:83-96. [PubMed] [DOI] |
| 6. | Zha Y, Xue C, Liu Y, Ni J, De La Fuente JM, Cui D. Artificial intelligence in theranostics of gastric cancer, a review. Med Rev (2021). 2023;3:214-229. [PubMed] [DOI] |
| 7. | Khosravi M, Jasemi SK, Hayati P, Javar HA, Izadi S, Izadi Z. Transformative artificial intelligence in gastric cancer: Advancements in diagnostic techniques. Comput Biol Med. 2024;183:109261. [PubMed] [DOI] |
| 8. | Ma T, Wang H, Ye Z. Artificial intelligence applications in computed tomography in gastric cancer: a narrative review. Transl Cancer Res. 2023;12:2379-2392. [PubMed] [DOI] |
| 9. | Liu S, Liang W, Huang P, Chen D, He Q, Ning Z, Zhang Y, Xiong W, Yu J, Chen T. Multi-modal analysis for accurate prediction of preoperative stage and indications of optimal treatment in gastric cancer. Radiol Med. 2023;128:509-519. [PubMed] [DOI] |
| 10. | Qin Y, Deng Y, Jiang H, Hu N, Song B. Artificial Intelligence in the Imaging of Gastric Cancer: Current Applications and Future Direction. Front Oncol. 2021;11:631686. [PubMed] [DOI] |
| 11. | Cao R, Tang L, Fang M, Zhong L, Wang S, Gong L, Li J, Dong D, Tian J. Artificial intelligence in gastric cancer: applications and challenges. Gastroenterol Rep (Oxf). 2022;10:goac064. [PubMed] [DOI] |
| 13. | He P, Miao LY, Ge HY, Wang TL, Ye JX, Meng LM, Xue H, Zhang F, Zhao B. Preoperative Tumor Staging of Gastric Cancer: Comparison of Double Contrast-Enhanced Ultrasound and Multidetector Computed Tomography. J Ultrasound Med. 2019;38:3203-3209. [PubMed] [DOI] |
| 14. | Zeng Q, Feng Z, Zhu Y, Zhang Y, Shu X, Wu A, Luo L, Cao Y, Xiong J, Li H, Zhou F, Jie Z, Tu Y, Li Z. Deep learning model for diagnosing early gastric cancer using preoperative computed tomography images. Front Oncol. 2022;12:1065934. [PubMed] [DOI] |
| 15. | Sun RJ, Fang MJ, Tang L, Li XT, Lu QY, Dong D, Tian J, Sun YS. CT-based deep learning radiomics analysis for evaluation of serosa invasion in advanced gastric cancer. Eur J Radiol. 2020;132:109277. [PubMed] [DOI] |
| 16. | Tao J, Liu D, Hu FB, Zhang X, Yin H, Zhang H, Zhang K, Huang Z, Yang K. Development and Validation of a Computed Tomography-Based Model for Noninvasive Prediction of the T Stage in Gastric Cancer: Multicenter Retrospective Study. J Med Internet Res. 2024;26:e56851. [PubMed] [DOI] |
| 17. | Yardimci AH, Sel I, Bektas CT, Yarikkaya E, Dursun N, Bektas H, Afsar CU, Gursu RU, Yardimci VH, Ertas E, Kilickesmez O. Computed tomography texture analysis in patients with gastric cancer: a quantitative imaging biomarker for preoperative evaluation before neoadjuvant chemotherapy treatment. Jpn J Radiol. 2020;38:553-560. [PubMed] [DOI] |
| 18. | Zhong J, Zhao W, Ren F, Qi S, Wang X, Lv T, Su Z, Yin H, Ren J, Huan Y. Lymph node metastasis in patients with gastric cancer: a multi-modality, morphologic and functional imaging study. Am J Transl Res. 2016;8:5601-5609. [PubMed] |
| 19. | Kawaguchi T, Ichikawa D, Komatsu S, Kosuga T, Kubota T, Okamoto K, Shiozaki A, Fujiwara H, Konishi H, Morimura R, Murayama Y, Kuriu Y, Ikoma H, Nakanishi M, Sakakura C, Otsuji E. Impact of Combination Criteria of Nodal Counts and Sizes on Preoperative MDCT in Advanced Gastric Cancer. World J Surg. 2016;40:158-164. [PubMed] [DOI] |
| 20. | Hasegawa S, Yoshikawa T, Shirai J, Fujikawa H, Cho H, Doiuchi T, Yoshida T, Sato T, Oshima T, Yukawa N, Rino Y, Masuda M, Tsuburaya A. A prospective validation study to diagnose serosal invasion and nodal metastases of gastric cancer by multidetector-row CT. Ann Surg Oncol. 2013;20:2016-2022. [PubMed] [DOI] |
| 21. | Zhang Z, Zhao X, Gu J, Chen X, Wang H, Zuo S, Zuo M, Wang J. Spectral CT radiomics features of the tumor and perigastric adipose tissue can predict lymph node metastasis in gastric cancer. Abdom Radiol (NY). 2025;50:3435-3446. [PubMed] [DOI] |
| 22. | Gao X, Ma T, Cui J, Zhang Y, Wang L, Li H, Ye Z. A radiomics-based model for prediction of lymph node metastasis in gastric cancer. Eur J Radiol. 2020;129:109069. [PubMed] [DOI] |
| 23. | Gao X, Ma T, Cui J, Zhang Y, Wang L, Li H, Ye Z. A CT-based Radiomics Model for Prediction of Lymph Node Metastasis in Early Stage Gastric Cancer. Acad Radiol. 2021;28:e155-e164. [PubMed] [DOI] |
| 24. | Jiang Y, Wang W, Chen C, Zhang X, Zha X, Lv W, Xie J, Huang W, Sun Z, Hu Y, Yu J, Li T, Zhou Z, Xu Y, Li G. Radiomics Signature on Computed Tomography Imaging: Association With Lymph Node Metastasis in Patients With Gastric Cancer. Front Oncol. 2019;9:340. [PubMed] [DOI] |
| 25. | Cen X, He J, Tong Y, Yang H, Lu Y, Li Y, Dong W, Hu C. A Deep Radiomics Model for Lymph Node Metastasis Prediction of Early-Stage Gastric Cancer Based on CT Images. Acad Radiol. 2025;32:1771-1772. [PubMed] [DOI] |
| 26. | Dong D, Fang MJ, Tang L, Shan XH, Gao JB, Giganti F, Wang RP, Chen X, Wang XX, Palumbo D, Fu J, Li WC, Li J, Zhong LZ, De Cobelli F, Ji JF, Liu ZY, Tian J. Deep learning radiomic nomogram can predict the number of lymph node metastasis in locally advanced gastric cancer: an international multicenter study. Ann Oncol. 2020;31:912-920. [PubMed] [DOI] |
| 27. | Feng QX, Liu C, Qi L, Sun SW, Song Y, Yang G, Zhang YD, Liu XS. An Intelligent Clinical Decision Support System for Preoperative Prediction of Lymph Node Metastasis in Gastric Cancer. J Am Coll Radiol. 2019;16:952-960. [PubMed] [DOI] |
| 28. | Thomassen I, van Gestel YR, van Ramshorst B, Luyer MD, Bosscha K, Nienhuijs SW, Lemmens VE, de Hingh IH. Peritoneal carcinomatosis of gastric origin: a population-based study on incidence, survival and risk factors. Int J Cancer. 2014;134:622-628. [PubMed] [DOI] |
| 29. | Kim SJ, Kim HH, Kim YH, Hwang SH, Lee HS, Park DJ, Kim SY, Lee KH. Peritoneal metastasis: detection with 16- or 64-detector row CT in patients undergoing surgery for gastric cancer. Radiology. 2009;253:407-415. [PubMed] [DOI] |
| 30. | Zhou C, Wang Y, Ji MH, Tong J, Yang JJ, Xia H. Predicting Peritoneal Metastasis of Gastric Cancer Patients Based on Machine Learning. Cancer Control. 2020;27:1073274820968900. [PubMed] [DOI] |
| 31. | Chen Y, Xi W, Yao W, Wang L, Xu Z, Wels M, Yuan F, Yan C, Zhang H. Dual-Energy Computed Tomography-Based Radiomics to Predict Peritoneal Metastasis in Gastric Cancer. Front Oncol. 2021;11:659981. [PubMed] [DOI] |
| 33. | Dong D, Tang L, Li ZY, Fang MJ, Gao JB, Shan XH, Ying XJ, Sun YS, Fu J, Wang XX, Li LM, Li ZH, Zhang DF, Zhang Y, Li ZM, Shan F, Bu ZD, Tian J, Ji JF. Development and validation of an individualized nomogram to identify occult peritoneal metastasis in patients with advanced gastric cancer. Ann Oncol. 2019;30:431-438. [PubMed] [DOI] |
| 34. | Jiang Y, Liang X, Wang W, Chen C, Yuan Q, Zhang X, Li N, Chen H, Yu J, Xie Y, Xu Y, Zhou Z, Li G, Li R. Noninvasive Prediction of Occult Peritoneal Metastasis in Gastric Cancer Using Deep Learning. JAMA Netw Open. 2021;4:e2032269. [PubMed] [DOI] |
| 35. | Mirniaharikandehei S, Heidari M, Danala G, Lakshmivarahan S, Zheng B. Applying a random projection algorithm to optimize machine learning model for predicting peritoneal metastasis in gastric cancer patients using CT images. Comput Methods Programs Biomed. 2021;200:105937. [PubMed] [DOI] |
| 36. | Wang Q, Liu Z, Han J, Gao Y, Shao Y, Cai H, Yin K. Vessel invasion is a risk factor for gastric cancer: a retrospective analysis study. World J Surg Oncol. 2024;22:348. [PubMed] [DOI] |
| 37. | Hu ZW, Liang P, Li ZL, Yong LL, Lu H, Wang R, Gao JB. Preoperative prediction of vessel invasion in locally advanced gastric cancer based on computed tomography radiomics and machine learning. Oncol Lett. 2023;26:293. [PubMed] [DOI] |
| 38. | Li J, Yin H, Zhang H, Wang Y, Ma F, Li L, Gao J, Qu J. Preoperative Risk Stratification for Gastric Cancer: The Establishment of Dual-Energy CT-Based Radiomics Using Prospective Datasets at Two Centers. Acad Radiol. 2024;31:4466-4477. [PubMed] [DOI] |
| 39. | Fan L, Li J, Zhang H, Yin H, Zhang R, Zhang J, Chen X. Machine learning analysis for the noninvasive prediction of lymphovascular invasion in gastric cancer using PET/CT and enhanced CT-based radiomics and clinical variables. Abdom Radiol (NY). 2022;47:1209-1222. [PubMed] [DOI] |
| 40. | Li Q, Feng QX, Qi L, Liu C, Zhang J, Yang G, Zhang YD, Liu XS. Prognostic aspects of lymphovascular invasion in localized gastric cancer: new insights into the radiomics and deep transfer learning from contrast-enhanced CT imaging. Abdom Radiol (NY). 2022;47:496-507. [PubMed] [DOI] |
| 41. | Greffier J, Villani N, Defez D, Dabli D, Si-Mohamed S. Spectral CT imaging: Technical principles of dual-energy CT and multi-energy photon-counting CT. Diagn Interv Imaging. 2023;104:167-177. [PubMed] [DOI] |
| 42. | Ge HT, Chen JW, Wang LL, Zou TX, Zheng B, Liu YF, Xue YJ, Lin WW. Preoperative prediction of lymphovascular and perineural invasion in gastric cancer using spectral computed tomography imaging and machine learning. World J Gastroenterol. 2024;30:542-555. [PubMed] [DOI] |
| 43. | Ren T, Zhang W, Li S, Deng L, Xue C, Li Z, Liu S, Sun J, Zhou J. Combination of clinical and spectral-CT parameters for predicting lymphovascular and perineural invasion in gastric cancer. Diagn Interv Imaging. 2022;103:584-593. [PubMed] [DOI] |
| 44. | Huang P, Li S, Deng Z, Hu F, Jin D, Xiong S, Fan B. Machine-Learning Based Computed Tomography Radiomics Nomgram For Predicting Perineural Invasion In Gastric Cancer. Curr Med Imaging. 2025;21:e15734056323323. [PubMed] [DOI] |
| 45. | Li X, Zhai Z, Ding W, Chen L, Zhao Y, Xiong W, Zhang Y, Lin D, Chen Z, Wang W, Gao Y, Cai S, Yu J, Zhang X, Liu H, Li G, Chen T. An artificial intelligence model to predict survival and chemotherapy benefits for gastric cancer patients after gastrectomy development and validation in international multicenter cohorts. Int J Surg. 2022;105:106889. [PubMed] [DOI] |
| 46. | Bao Z, Du J, Zheng Y, Guo Q, Ji R. Deep learning or radiomics based on CT for predicting the response of gastric cancer to neoadjuvant chemotherapy: a meta-analysis and systematic review. Front Oncol. 2024;14:1363812. [PubMed] [DOI] |
| 47. | Giganti F, Marra P, Ambrosi A, Salerno A, Antunes S, Chiari D, Orsenigo E, Esposito A, Mazza E, Albarello L, Nicoletti R, Staudacher C, Del Maschio A, De Cobelli F. Pre-treatment MDCT-based texture analysis for therapy response prediction in gastric cancer: Comparison with tumour regression grade at final histology. Eur J Radiol. 2017;90:129-137. [PubMed] [DOI] |
| 48. | Song R, Cui Y, Ren J, Zhang J, Yang Z, Li D, Li Z, Yang X. CT-based radiomics analysis in the prediction of response to neoadjuvant chemotherapy in locally advanced gastric cancer: A dual-center study. Radiother Oncol. 2022;171:155-163. [PubMed] [DOI] |
| 49. | Sun KY, Hu HT, Chen SL, Ye JN, Li GH, Chen LD, Peng JJ, Feng ST, Yuan YJ, Hou X, Wu H, Li X, Wu TF, Wang W, Xu JB. CT-based radiomics scores predict response to neoadjuvant chemotherapy and survival in patients with gastric cancer. BMC Cancer. 2020;20:468. [PubMed] [DOI] |
| 50. | Cui Y, Zhang J, Li Z, Wei K, Lei Y, Ren J, Wu L, Shi Z, Meng X, Yang X, Gao X. 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. EClinicalMedicine. 2022;46:101348. [PubMed] [DOI] |
| 51. | O'Sullivan NJ, Temperley HC, Horan MT, Curtain BMM, O'Neill M, Donohoe C, Ravi N, Corr A, Meaney JFM, Reynolds JV, Kelly ME. Computed tomography (CT) derived radiomics to predict post-operative disease recurrence in gastric cancer; a systematic review and meta-analysis. Curr Probl Diagn Radiol. 2024;53:717-722. [PubMed] [DOI] |
| 52. | Huang L, Feng B, Li Y, Liu Y, Chen Y, Chen Q, Li C, Huang W, Xue H, Li X, Zhou T, Li R, Long W, Feng ST. Computed Tomography-Based Radiomics Nomogram: Potential to Predict Local Recurrence of Gastric Cancer After Radical Resection. Front Oncol. 2021;11:638362. [PubMed] [DOI] |
| 53. | Cao M, Hu C, Li F, He J, Li E, Zhang R, Shi W, Zhang Y, Zhang Y, Yang Q, Zhao Q, Shi L, Xu Z, Cheng X. Development and validation of a deep learning model for predicting gastric cancer recurrence based on CT imaging: a multicenter study. Int J Surg. 2024;110:7598-7606. [PubMed] [DOI] |
| 54. | Feng B, Shi J, Huang L, Yang Z, Feng ST, Li J, Chen Q, Xue H, Chen X, Wan C, Hu Q, Cui E, Chen Y, Long W. Robustly federated learning model for identifying high-risk patients with postoperative gastric cancer recurrence. Nat Commun. 2024;15:742. [PubMed] [DOI] |