胃癌作为我国常见恶性肿瘤之一, 严重威胁居民的生命健康. 针对胃癌高风险人群开展早期筛查与诊断, 是目前降低胃癌发病率和死亡率的关键措施. 然而, 传统的胃癌筛查方法存在灵敏度不足和特异性差等问题, 导致早期病例常被漏诊. 近年来, 人工智能(artificial intelligence, AI)技术的快速发展, 为胃癌的早期筛查与诊断提供了新的强大工具, 有望显著提升胃癌检测效率与准确性. 本文综述了当前胃癌早筛早诊的现状与挑战, 深入探讨了人工智能在影像识别、病理分析及风险预测等方面的最新研究进展, 分析了人工智能技术如何提升胃癌的早期检测能力, 并讨论未来可能的发展方向, 包括多模态数据融合和个性化医疗策略的应用. 通过对以上综述, 期望促进胃癌早筛早诊的技术进步和临床应用, 助力推动我国胃癌防治工作的发展.
关键词: 胃癌; 早期筛查; 早期诊断; 人工智能; 综述文献
核心提要: 胃癌是我国高发恶性肿瘤, 传统筛查方法存在灵敏度与特异性不足的问题. 人工智能技术在胃癌早筛早诊中展现出巨大潜力, 通过影像识别、病理分析和风险预测显著提升了早期病变的检测效率与准确性. 未来, 多模态数据融合与个性化医疗策略将推动该领域进一步发展, 为胃癌防治提供新方向.
引文著录: 万子叶, 彭东阁, 卢宁. 胃癌早筛早诊中人工智能的应用研究进展. 世界华人消化杂志 2026; 34(1): 20-27
Applications of artificial intelligence in early screening and diagnosis of gastric cancer
Zi-Ye Wan, Dong-Ge Peng, Ning Lu
Zi-Ye Wan, Dong-Ge Peng, Xinjiang Medical University, Urumqi 830054, Xinjiang Uygur Autonomous Region, China
Ning Lu, Department of Oncology, General Hospital of Xinjiang Military Command, Urumqi 830092, Xinjiang Uygur Autonomous Region, China
Supported by: The "Tianshan Talent" Leading Scientific and Technological Innovation Talent Project of the Department of Science and Technology of Xinjiang Uygur Autonomous Region, No. 2023TSYCLJ0040.
Corresponding author: Ning Lu, Professor, Chief Physician, Department of Oncology, General Hospital of Xinjiang Military Command, No. 359 Fuyou North Road, Urumqi 830092, Xinjiang Uygur Autonomous Region, China. luning407@sina.com
Received: November 18, 2025
Revised: December 15, 2025
Accepted: January 21, 2026
Published online: January 28, 2026
Gastric cancer, a prevalent malignant tumor in China, poses a significant threat to public health. Early screening and diagnosis for high-risk populations are critical to reducing its incidence and mortality. However, conventional screening methods suffer from limitations such as insufficient sensitivity and specificity, often resulting in missed diagnoses of early-stage cases. In recent years, the rapid development of artificial intelligence (AI) technology has provided a new and powerful tool for the early screening and diagnosis of gastric cancer, which is expected to significantly improve the efficiency and accuracy of gastric cancer detection. AI applications in image recognition, pathological analysis, and risk prediction have significantly improved diagnostic efficiency and accuracy. This review examines the current landscape and challenges in early gastric cancer screening and diagnosis, explores AI-driven innovations in the field, and analyzes how AI augments early detection capabilities. Future directions, including multi-modal data fusion and personalized medical strategies, are also discussed. By synthesizing these insights, this review aims to accelerate technological progress and clinical adoption of AI in gastric cancer prevention, ultimately advancing China's efforts to mitigate the disease burden.
Key Words: Gastric cancer; Early screening; Early diagnosis; Artificial intelligence; Literature review
0 引言
胃癌是一种起源于胃黏膜上皮细胞的恶性肿瘤, 在全球新发病例中位居第五, 在癌症死亡率中亦位居全球第五位[1]. 在我国, 胃癌亦具有高发生率, 并且诊断多为中晚期, 预后不良, 进展期胃癌即使经过手术, 5年生存率也仅为35%左右, 远低于日本(80.1%)和韩国(75.4%)[2]. 而早期胃癌(early gastric cancer, EGC)病例经过及时治疗, 5年生存率可达90%以上[3]. 然而, 胃癌早期通常没有明显症状, 仅依靠症状来识别胃癌往往为时已晚. 因此, 胃癌的早期筛查工作显得尤为重要.
现如今人工智能在医疗领域的发展日渐广泛, 在胃癌筛查方面亦有巨大的发展潜力. 本文旨在综述胃癌早筛早诊的现状、挑战及人工智能技术在该领域的最新研究进展, 包括影像识别、病理分析、风险预测等方面的应用, 并探讨未来发展方向. 期望为我国胃癌高风险人群提供有效的筛查评估策略以及精准化的诊疗模式.
1 传统胃癌早期筛查与早期诊断策略
1.1 确定高风险人群, 探究胃癌风险因素
根据年龄、是否来自胃癌高发区、幽门螺杆菌(Helicobacter pylori, H. pylori)感染、胃癌前疾病、胃癌家族史、是否存在高盐、腌制饮食、吸烟、重度饮酒等胃癌高危因素进行综合风险评分, 确定高风险人群, 并进行针对性筛查[2]. 其中H. pylori感染是胃癌发生的重要危险因素. 大约75%的全球胃癌负担和5.5%的恶性肿瘤可归因于H. pylori诱导的炎症和损伤[4]. 研究表明[5], 根除H. pylori可以有效降低胃癌的发生率和病死率, 对胃癌和癌前病变的预防具有明确效果. 家族史尤其是一级亲属(父母、同父母的兄弟姐妹、子女)患胃癌显著增加个体风险. 一项韩国大型横断面研究表明[6], 兄弟姐妹患胃癌时, 个体风险提高近3倍(OR = 2.98, 95%CI: 2.31-3.83; P<0.001). 高盐、腌制食品(如咸鱼、泡菜、熏制肉类)的摄入与胃癌风险显著相关. 此外, 新鲜蔬菜和水果摄入不足也会增加风险, 研究表明[7], 改善饮食结构, 增加蔬菜和水果的摄入量可以显著降低胃癌的发生率.
1.2 传统胃癌筛查与诊断方法
癌胚抗原、糖类抗原199(carbohydrate antigen 199, CA199)、糖类抗原72-4是最常用的胃癌血清肿瘤标志物, 但它们单指标的敏感性与特异性不足[8]. 胃癌患者血清胃泌素-17(gastrin-17, G-17)的水平会有显著升高, 不过单独G-17诊断价值有限[曲线下面积(area under the curve, AUC) = 0.671], 联合胃蛋白酶原比值(pepsinogen ratio, PGR)等检测可显著提升准确性(AUC = 0.883)[9]. 另外还有许多基于蛋白质的标志物, 例如三叶草因子家族肽(trefoil factor family, TFF), 特别是TFF3, 其诊断能力大于PGR(AUC: 0.81 vs 0.78). TFF3在区分胃癌方面的预测能力也明显高于胃蛋白酶原(pepsinogen, PG)(OR: 10.33 vs 2.57)[10]. 还有许多正在研究的有潜力的胃癌早期诊断指标, 如血清外泌体RNA, 但它们检测价格昂贵, 临床意义需要进一步的广泛研究来确认.
内镜检查是目前最精准的胃癌筛查工具, 可直接观察黏膜病变并进行活检, 对EGC(尤其是表浅型)检出率显著高于其他方法. 一项基于日本公共卫生中心的大型前瞻性队列研究显示[11], 内镜筛查使胃癌死亡率和晚期胃癌发病率分别降低了61%[风险比(hazard ratio, HR) = 0.39, 95%CI: 0.30-0.51]和22%(HR = 0.78, 95%CI: 0.67-0.90). 根据《胃癌筛查与早诊早治方案(2024年版)》, 推荐45-74岁高风险人群每5年进行一次胃镜检查, 若存在萎缩性胃炎、肠上皮化生等病变, 则需缩短筛查间隔[12]. 螺旋CT和磁共振成像扫描等影像学技术的应用更加广泛. 磁共振波谱成像通过检测胆碱等代谢物变化, 可辅助鉴别早期癌变组织[13]. 磁共振弥散加权成像联合血清标志物(PGⅠ、PGⅡ、CA19-9)能显著提升EGC诊断效能(AUC = 0.989)[14], 而正电子发射断层显像(positron emission tomography, PET)/磁共振成像(magnetic resonance imaging, MRI)融合技术进一步提高了复发灶的早期检出率和可切除性判断准确性[15].
1.3 传统筛查方法的局限性
血清标志物的检测可以为胃癌的早期诊断、治疗监测和预后评估提供重要信息. 然而, 尽管这些标志物在临床应用中显示出一定的价值, 但单独依赖血清标志物进行胃癌的诊断仍然存在局限性. 目前, 胃癌的诊断主要依赖于传统内镜. 但传统内镜需要依赖医生的经验, 而且基层普及率低. 影像学检查如CT和MRI在胃癌的筛查中也面临一些挑战. 这些技术虽然能够有效地检测到较大或明显的肿瘤, 但对于早期病变或小肿瘤的识别能力仍然有限, EGC仍难以甄别[16].
2 人工智能在胃癌早期筛查识别中的应用
2.1 人工智能技术在内窥镜图像分析中的应用
近年来, 机器学习与深度学习算法在胃癌的内镜图像识别方面取得了显著的进展. Du等[17]评估了现有最先进的机器学习模型, 通过关键生物标志物(如血管形态、黏膜微结构)提升早期癌诊断精度, 其中WeightedEnsemble_L2模型的受试者工作特征曲线(receiver operating characteristic, ROC)曲线下面积最高可达(AUC = 0.94). 可以发现, 各种机器学习模型在准确诊断EGC方面都有巨大的潜力. 深度学习模型中如卷积神经网络(convolutional neural network, CNN)可以实时分析胃镜视频流, 自动识别并标记出可疑的早期病变区域(如微小癌灶、EGC、高级别上皮内瘤变、不典型增生、肠化生区域等). 这些区域可能非常微小、颜色或纹理变化细微, 肉眼极易漏诊, 人工智能(artificial intelligence, AI)系统能显著降低漏诊率, 在EGC的检测中表现出了高效的准确率. 一项系统评估显示AI能够以86%的敏感性和90%的特异性从内镜图像中识别EGC[17], 显著超越传统内镜(尤其低年资医师准确率仅58%-77%), 在放大内镜窄带成像模式下对微血管形态的识别准确率达94.2%, 而医师组平均为72.9%[18].
2.2 CT和MRI图像分析的AI技术
通过对CT影像进行量化分析, 提取大量影像特征参数, 构建影像组学模型, 可用于预测胃癌的淋巴结转移、肿瘤TNM分期、组织学分级及分化程度等, 还可评估化疗效果及预后. 基于Faster RCNN检测模型构建胃癌T分期模型, T2/T3/T4识别准确率达90%-95%, 单图像分析仅需0.2秒[19]. 多层螺旋CT可清晰显示胃癌形态学特征及与周围组织关系, 增强扫描能评估肿瘤血供, 对分期、手术规划及预后评估具有重要价值. 基于DLCT影像组学特征构建的预测模型, 可实现微卫星不稳定性状态的无创评估及术后复发风险分层[20]. Gao等[21]开发的基于CT图像的全自动筛查EGC模型, 不论是训练集还是验证集, 它的准确度、灵敏度、特异性和F1评分都达到90%以上. 目前来看, 结合多种成像技术的综合评估, 能够显著提高对胃癌转移和复发的早期检测能力, 标志着胃癌影像学评估进入了一个新的智能化时代.
2.3 数字化病理图像分析与分子病理学分析
数字病理学的迅速发展使得人工智能在胃癌的诊断中发挥了越来越重要的作用. 尤其是卷积神经网络, 已被广泛应用于胃癌的组织学分类中. 深度学习模型能够有效提取病理图像中的特征, 从而实现对不同类型胃癌的准确分类. 例如, 使用深度学习算法对胃癌组织切片进行分析, 取得了高达93%的分类准确率[22]. 这种算法不仅提高了病理学家的工作效率, 还减少了因人为因素导致的误诊率. Lauren分型是胃癌常用的分类方式, 一般依据胃癌的组织结构、细胞形态和生物学行为进行分型. 训练深度学习模型后, 就能够自动识别和分类胃癌的不同亚型, 如弥漫型和肠型, 进而帮助医生制定个性化的治疗方案. 例如, 一项关于AI在胃癌分类中应用的研究显示[23], AI系统在区分Lauren类型方面表现出色, 其准确率明显高于传统方法.
在分子病理学领域, AI的应用同样显示出巨大的潜力. 例如, 在分子分型方面, AI算法能够整合临床和分子特征数据, 如基因组数据和病理指标, 实现对胃癌患者的精确亚型分类. 一项2024年的研究构建了临床患者相似性网络, 利用无监督学习模型计算高维数据(包括分子标记), 成功将胃癌患者分为不同亚组, 并发现这些亚组在生存率上存在显著差异, 例如Cluster_2亚组预后较好, 而Cluster_5亚组预后较差[24]. 在预测胃癌患者对治疗反应方面, AI技术显著提升了效率和准确性. 一项2025年的前沿研究引入了动态感知模型(dynamic-aware model, DAM), 该模型整合纵向液体活检数据(如肿瘤相关细胞图像和标记指数), 预测患者对治疗的响应. 通过分析91名患者的数据, DAM在三重交叉验证中达到AUC为0.807, 预测准确率优于传统方法, 且能基于早期治疗数据精准识别响应模式[25]. 为胃癌患者提供了一条有精确反应预测和个性化治疗策略的途径.
3 人工智能在胃癌风险预测中的应用
3.1 多组学数据整合分析
随着AI技术的快速发展, 多组学数据的整合分析为胃癌的早期检测和风险预测提供了新的可能性. 研究表明[26], 采用多组学方法(包括基因组、转录组和蛋白组数据)结合机器学习技术, 可以更准确地识别与胃癌相关的生物标志物. 例如XGBoost模型通过年龄、肠化生、胃溃疡等26个变量, 预测根除H. pylori后5年胃癌风险(AUC = 0.97, 95%CI: 0.96-0.98), 使需内镜监测的高危人群比例降至6.6%. 2025年的一项研究[27]利用深度学习模型分析癌症基因组图谱的胃癌数据, 整合病理图像、基因表达与临床数据构建多模态融合模型, 其对胃癌患者生存预后的预测C-index达0.806(显著优于单模态模型). 利用深度学习算法, 研究人员能够构建出能够有效预测胃癌风险的模型. Wong等[28]通过对大型中国人群的研究, 开发了一种新的风险评分系统, 利用年龄、性别、H. pylori感染史、质子泵抑制剂使用、非阿司匹林和非甾体抗炎药使用等因素来预测胃癌风险. 该系统的AUC为0.834, 能有效区分高风险(评分≥9分)和低风险组, 胃癌患病率分别为1.81%和0.096%. 这种模型的建立不仅提升了早期检测的准确性, 还为临床决策提供了科学依据, 从而能够更早地干预高风险患者, 改善预后.
3.2 临床数据挖掘
3.2.1 电子健康记录: 电子健康记录(electronic health record, EHR)的分析为胃癌的风险预测提供了丰富的数据支持. 一项2022年研究[29]使用来自英国初级保健EHR的数据集, 开发了多种机器学习分类器(如支持向量机、随机森林和逻辑回归), 用于预测食管胃癌症风险. 该研究发现, 机器学习模型在准确性和AUC方面表现优异(准确率达0.89, AUC = 0.87)[29], 显著优于现有的风险评估工具, 并能够识别出更多癌症病例, 帮助临床医生更早地发现额外病例, 从而改善生存结局. 这支持了EHR数据在风险预测中的价值, 以及机器学习在挖掘复杂数据中的优势. 另一项2022年的研究[30]基于两个独立的EHR系统(斯坦福大学和华盛顿大学), 比较了逻辑回归和机器学习算法在预测非贲门胃癌风险方面的性能. 总而言之, 逻辑回归模型基于组织学肠化生、H. pylori感染等风险因素表现出与机器学习模型相当的准确性、敏感性和特异性, 在内部和外部验证中均保持高性能.
3.2.2 临床决策支持系统: 在临床决策支持系统中, 基于EHR的预测模型和整合AI也逐渐成为一种趋势. 临床决策支持系统能够实时分析患者数据, 提供个性化的风险评估和治疗建议, 帮助医生更好地进行临床决策. 一项意大利区域性项目[31]整合临床数据与放射组学信息, 建立包含700+胃癌患者的数据库平台, 支持开发者测试AI算法并实现影像特征自动提取、疾病分层预测建模与手术并发症风险评估. Hua等[32]开发的智能疾病检测工具通过微流控芯片处理血液样本生成3D肿瘤模型, 结合改进的基于掩码区域的卷积神经网络算法, 使自动分割图像时间减少90%, 对健康人群与胃癌患者识别灵敏度达到98%, 精准区分治疗阶段和癌症分期. Lan等[33]基于内镜Kimura-Takemoto萎缩分型系统, 构建了一个胃癌风险预测模型, 结合年龄、HP感染等变量建立逻辑回归模型(AUC = 0.812), 通过列线图可视化风险, 达到对胃癌的风险预测.
3.2.3 真实世界数据: 真实世界数据(real-world data, RWD)的验证在胃癌风险预测模型的开发和推广中不可或缺. 通过在不同的临床环境中验证AI算法和预测模型的有效性, 研究人员能够评估其在实际应用中的可靠性和可行性. Kang等[34]基于5家机构2927例患者的真实内镜图像和临床数据(活检病理、CT影像等), 研究团队开发的多模态AI预测模型在内部验证时预测EGC淋巴结转移(AUC = 0.9083), 外部验证时在两个独立机构(766例患者)仍保持94.0%的敏感性和89.1%的特异性, 显著优于传统CNN模型. Yabuuchi等[35]进行了一项多中心的回顾性队列研究, 日本19家中心对901例非治愈性内窥镜粘膜下剥离术(endoscopic submucosal dissection, ESD)患者的验证显示, 经典eCura风险评分系统经RWD校准后C统计量达0.741(95%CI: 0.676-0.806), eCura系统被验证为在真实临床环境中预测 ESD后淋巴结转移的可靠工具.
4 人工智能技术在胃癌早筛早诊中的技术创新进展
多模态数据融合技术在癌症早筛和诊断中的应用正在迅速发展. 通过结合不同类型的数据(如医学影像、基因组数据和临床记录), 研究者可以更全面地评估患者的健康状况. 例如, 有研究整合病理图像+基因表达+临床数据三模态深度学习模型, 将肿瘤突变负荷(tumor mutational burden, TMB)的预测性能大幅提升至最高AUC = 0.971, 显著优于单一图像模型(提升了29.6%), 验证了跨模态特征互补的优越性[36]. 该研究证明组织病理学图像可作为TMB的替代预测标志物, 而多模态融合策略为胃癌免疫治疗疗效预测提供了高精度、低成本的实用框架, 推动精准医疗实践. Zhang等[37]进行了一项回顾性研究, 通过整合增强CT影像的深度学习特征、手工放射组学特征与内镜图像的深度特征, 构建了多模态融合预测模型, 用于胃癌术前病理分期. 该多模态集成模型在测试集中的ROC AUC达0.933(95%CI: 0.887-0.979), 敏感性与特异性分别为0.869和0.840, 显著优于任何单一模型. 这表明, 多模态融合策略有效综合了不同影像来源的互补信息, 显著提升胃癌术前分期准确性, 为临床个体化治疗决策提供了更可靠的辅助工具. 因此, 未来的研究应集中在如何进一步优化这些融合算法, 以提升其在临床应用中的有效性和可操作性.
联邦学习(federated learning, FL)为医疗数据的隐私保护提供了一种新颖的解决方案. 联邦学习允许医院和医疗机构在本地训练模型, 仅共享模型参数而非原始数据, 从而保护患者隐私, 同时可以克服数据"孤岛", 允许在不共享数据的情况下, 利用分散在各处的数据共同训练更强大的模型. 支持在多中心、跨机构环境中识别术后胃癌复发的高危患者, 从而实现具有重大价值的稳健治疗[38]. AI在消化系统疾病(尤其是胃癌)诊断中展现出巨大潜力, 其通过分析内窥镜图像等技术, 在EGC检测方面已达到与专家相仿的精度, 推动了诊疗范式的转变[39]. 未来的发展方向应包括建立更完善的联邦学习框架, 以支持更多的医疗应用, 并确保数据安全性与模型性能之间的平衡.
边缘计算与传统的云计算相对比, 边缘计算是分布式处理, 并且可以储存在本地, 相比云计算的集中式处理更具隐私性与安全性. 而且作为一种新兴的计算架构, 它能够在数据产生源近旁进行实时数据处理, 这对于医疗诊断尤为重要. Gong等[40]开发了基于边缘计算的轻量化深度学习模型, 利用15910张内窥镜图像实现对胃癌发生全阶段(正常/萎缩/肠化生/异型增生/EGC/晚期胃癌)的六类病变自动分类, 内部验证准确率达93.8%(95%CI: 93.4%-94.2%). 并且在前瞻性真实世界验证中, 模型在边缘设备上维持93.3%高准确率(95%CI: 91.5%-95.1%), 满足内窥镜检查实时性要求. 该研究首次验证了边缘计算设备承载复杂AI诊断模型的能力, 通过毫秒级响应与临床无感集成, 解决了传统云端AI对硬件依赖度高、延迟明显的瓶颈问题. 在胃癌的筛查和诊断中, 边缘计算可以减少延迟, 提高数据处理速度, 从而实现实时监测和快速响应. 随着边缘计算技术的不断进步和普及, 未来可能会进一步增强胃癌早筛的效率和准确性, 改善患者的临床结果.
5 人工智能在胃癌早筛早诊中的挑战与未来展望
5.1 未来展望
个性化筛查策略的制定是未来癌症筛查的重要发展趋势. 根据患者的遗传背景、生活方式及家族史等因素, 制定针对性的筛查方案, 可以提高筛查的有效性和接受度. Qin等[41]使用微观模拟模型评估了中国目前的六种胃癌筛查策略, 得出未来将是深度融合患者的并发症水平(如心血管疾病、糖尿病)与年龄参数的策略. 例如, 对于无并发症个体, 筛查区间建议为40-60岁; 中重度的并发症患者则缩短至40-55岁, 以实现效益-风险-成本效益的最优平衡. H. pylori"检测与治疗"策略将成为个性化筛查的基石. 未来推荐基于地区发病率差异实施差异化筛查频率: 在低风险地区/年龄段, 建议从20岁起每5年进行一次筛查; 在高风险地区/年龄段, 则缩短至每2年一次, 此举可显著节约成本并降低胃癌发病率[42]. 为解决医疗资源不均的挑战, 未来方案将结合非侵入性初筛(如血清学检测、胃超声Su-RADS分级)与侵入性精筛(内镜). 高风险人群(如Su-RADS 4-5级)直接接受内镜确诊, 中低风险人群则进入监测队列, 从而优化内镜资源分配并提升筛查可及性[43]. 通过这种方式, 可以有效减少不必要的检查负担, 同时提高早期发现的几率. 未来的研究应集中于如何利用大数据和人工智能技术, 优化个性化筛查策略的实施.
远程医疗和移动健康应用在癌症筛查中的潜力正在逐渐被挖掘. 在胃癌筛查中, 通过移动应用程序, 患者可以随时随地获取健康信息、进行症状监测和预约检查, 从而提高了参与筛查的意愿. 未来的研究方向应关注如何设计更加用户友好的移动健康应用, 并通过教育和宣传提高公众对远程医疗的认知和接受度.
建立全球协作平台, 可以促进不同国家和地区在胃癌筛查及研究中的合作与信息共享. 通过汇集不同地区的临床数据和研究成果, 可以促进最佳实践的传播, 并加速新技术的推广应用. 未来的研究应致力于构建这种跨国界的合作网络, 比如联邦学习, 以推动全球范围内的胃癌早筛工作, 提高早诊率和治疗效果.
增强现实眼镜与混合现实眼镜或将逐步成为胃癌早筛的"智能视觉中枢", 通过实时AI增强、远程协作闭环、无创技术整合等路径, 突破传统筛查对医生经验的依赖, 或许能够实现真正的"所见即所得"的精准早诊.
5.2 技术挑战
在人工智能技术应用于胃癌早筛早诊的过程中, 存在多项技术挑战. 首先, 数据质量和标准化问题显得尤为突出. AI模型的性能高度依赖于输入数据的质量, 而在胃癌相关的数据集中, 样本量不足、数据缺失和异质性问题常常导致模型训练效果不佳. 一项对中国≥45岁人群的横断面研究[44]表明, 中国人群对EGC筛查知识的掌握存在显著不足, 仅13.4%的受访者表现出良好理解, 且筛查实践率低, 仅有23.4%, 这与健康教育不足和数据收集不规范直接相关. 另一项挑战是算法泛化能力的挑战, 筛查方法在不同人群中的差异显著, 研究表明[45], 血清标志物(如PG、G-17)在东亚高危人群中敏感度较高, 但欧美人群中特异性下降, 原因是H. pylori感染率及胃癌亚型分布不同. 在亚洲国家筛查项目中EGC检出率高, 但相同方法在美国不同种族群体(如亚裔 vs 非西班牙裔白人)中效果差异显著, 或因风险分层策略不适配人群异质性[46]. 因此, 需要建立统一的内镜图像质量标准与血清检测规范, 以减少数据异质性.
5.3 临床转化的应用挑战
在临床应用层面, 人工智能技术在胃癌早筛早诊中同样面临多重挑战. 首先, 大多数现有研究基于有限的数据集, 缺乏大规模验证. 例如, 一项综述指出, AI在放大窄带成像内镜中的应用研究多为小规模, 需要更多病例积累来确认其高诊断性能[19]. 这限制了模型的泛化能力和可靠性, 在真实世界临床环境中可能表现不佳, 目前仍需大规模多中心研究验证以确保外部有效性. 其次, 临床普及度低, 尽管AI系统在研究中表现出色, 但尚未广泛集成到常规临床实践中. 许多AI模型仍处于研究阶段, 缺乏标准化和互联互通性, 导致其在医院环境中的实施受阻[47]. 例如, 一项综述强调, 大多数AI-based模型仅以研究格式存在, 在真实世界临床实践中的价值有限, 需要进一步开发工具和积累数据[48].
而且医疗资源分配和成本效益问题突出, 尤其在低收入国家和高发地区, 经济性和可持续性需仔细考量, 以优化资源分配和提高筛查效率. 例如, 边缘计算设备在基层医院的部署成本高昂, 专用芯片价格已经要上千元, 而医疗专用定制芯片价格还要翻倍. AI系统的集成需要先进的数字病理和内镜设备, 以及计算资源与医疗系统的支持, 这在资源有限的地区可能难以实现[49]. FL通过共享训练模型参数而不公开原始数据保护患者隐私, 然而, 安全漏洞仍难以避免, FL系统易受多种攻击, 包括模型窃取、数据泄漏和对抗性攻击, 这些漏洞可能被利用来破坏隐私保护[50]. 动态聚合方法如在FedAvg的框架中加入FedSGD进行调整, 基于数据优化模型分歧, 让FL保护隐私的功能更强[51]. 最后, 医生与AI系统的协作模式需进一步优化, 确保AI辅助而非取代医生决策, 通过建立有效的信息共享机制提升诊断效果. 克服这些挑战将充分发挥AI在胃癌早筛中的应用潜力.
6 结论
人工智能在胃癌早期筛查与诊断领域迅速发展, 通过影像识别、病理分析和风险预测显著提高了检出率、诊断准确性及临床决策支持. 然而, 该领域仍面临关键挑战: 数据质量方面, 来源广泛但缺乏统一标准的数据集限制了模型的泛化能力, 亟需建立高质量标准化数据库; 模型可解释性方面, "黑箱"决策机制削弱临床信任, 需开发可解释算法阐明诊断依据; 临床应用转化方面, 需克服临床试验设计、伦理(如患者数据隐私)及监管合规等瓶颈. 未来需深化多模态数据整合、算法优化与真实世界临床验证, 并加强医学、工程学与伦理学等多学科协作, 建立起能够自动筛查EGC风险模型. 通过精准化筛查实现高危人群分层管理、早期干预前移及生存率提升, 最终推动胃癌早筛早诊进入精准医疗新阶段, 这有赖于突破数据、算法及临床转化瓶颈的协同努力. 未来如果能将AI能力下沉至智能眼镜等医疗设备终端, 就能实现"AI+医生"的高效协同诊疗模式. 毕竟, 未来的医疗模式不是AI取代医生, 而是"AI+医生"的增强模式.
