修回日期: 2026-05-09
接受日期: 2026-05-25
在线出版日期: 2026-05-28
胃癌(gastric cancer, GC)是一种常见的胃肠道恶性肿瘤, 是全球癌症相关死亡的第二大原因. 人工智能(artificial intelligence, AI)已经成为GC诊断和管理的变革性工具. 特别是卷积神经网络, 深度学习已成为从医学图像中提取细微信息的强大技术. 这些技术在GC多种临床应用中表现出优异的诊断性能. AI在治疗上包括内镜、手术和抗癌药物治疗上也带来新的方案. 本文综述AI在GC诊治中的进展, 随着AI技术在GC上的研究不断深入与改进, 并与原有的诊治方法互补, 必将给GC的临床带来新的突破, 从而改善GC的长期预后.
核心提要: 人工智能(artificial intelligence, AI)已经成为胃癌(gastric cancer, GC)诊断和管理的变革性工具. 本文综述了AI在GC诊治中的应用与研究进展, 提出了当前研究中存在的问题与挑战.
引文著录: 池肇春. 人工智能在胃癌诊治中的应用进展与现状. 世界华人消化杂志 2026; 34(5): 345-360
Revised: May 9, 2026
Accepted: May 25, 2026
Published online: May 28, 2026
Gastric cancer (GC) is a common gastrointestinal malignancy and the second leading cause of cancer-related death worldwide. Artificial intelligence (AI) has emerged as a transformative tool in the diagnosis and management of GC. In particular, convolutional neural networks and deep learning have become powerful techniques for extracting subtle information from medical imaging. These technologies demonstrate excellent diagnostic performance across a range of clinical applications in GC. AI also offers novel approaches to treatment, including endoscopy, surgery, and anticancer drug therapy. This review summarizes the advancements of AI in GC diagnosis and treatment. As AI research in GC continues to deepen and improve, complementing existing diagnostic and therapeutic methods, it is expected to bring new breakthroughs to clinical practice and ultimately improve the long-term prognosis of GC patients.
- Citation: Chi ZC. Artificial intelligence for gastric cancer: Advances and current status in diagnosis and therapy. Shijie Huaren Xiaohua Zazhi 2026; 34(5): 345-360
- URL: https://www.wjgnet.com/1009-3079/full/v34/i5/345.htm
- DOI: https://dx.doi.org/10.11569/wcjd.v34.i5.345
核心提要: 人工智能(artificial intelligence, AI)已经成为胃癌(gastric cancer, GC)诊断和管理的变革性工具. 本文综述了AI在GC诊治中的应用与研究进展, 提出了当前研究中存在的问题与挑战.
人工智能(artificial intelligence, AI)技术的快速发展旨在从根本上改变胃癌(gastric cancer, GC)的临床管理格局. 在这场变革中, 机器学习(machine learning, ML)和深度学习(deep learning, DL)作为两大核心技术发挥着举足轻重的作用, 为GC的诊断、治疗和预后评估带来了前所未有的创新和突破. AI的整合, 从优化诊断流程、提高诊断效率到推动精准医疗的实践, 在重塑GC治疗模式方面展现了其广阔的前景[1].
AI涉及一个计算机程序, 它运用多种技术来解决不同的问题, 并模仿人类智能[2]. 在临床实践中, 人们使用了多种相互重叠的AI工具, 例如ML、DL是一种计算机学习系统, 能够为疾病风险因素和表型提供见解. ML的类型可分为监督学习、无监督学习和强化学习[3]. 监督学习涉及使用标记数据进行模型训练, 包括分类和回归. 无监督学习包含未标记数据, 主要由聚类组成. 在强化学习中, 模型代理在环境中采取行动, 然后接收到的状态会提供更新和反馈. ML是一种高级且复杂的形式, 由输入层、多个隐藏层和输出层组成. 卷积神经网络(convolutional neural network, CNN)是一种特定类型的DL架构, 它集成了AI算法, 能够自动处理图像并执行其他涉及视觉数据的任务[4].
自然语言处理(natural language processing, NLP)是计算语言学的一个分支领域, 它致力于开发能够解读和生成人类语言的AI模型[5]. 这一技术使机器具备了理解、解码以及以恰当且富有成效的方式生成人类语言的能力, 并有助于从非结构化的医疗数据中进行分析、提取有价值的信息-这些数据包括电子健康记录、临床笔记、医学文献以及患者自行创建的内容等.
计算机视觉(computer vision)是人工智能的一个分支, 它帮助计算机理解和解释图像和视频. 在上消化道内镜或结肠镜检查中对黏膜情况进行充分评估; 以及标准化内镜技能的培训[6].
AI正在快速进入医学领域, DL模型在多个专业领域的图像分类、细分和结果预测等任务中已展现出优异的表现. 在放射学领域, AI辅助成像分析已被整合到临床工作流程中, 有助于提高诊断准确性和效率[7].
ML与GC交叉领域的研究涵盖了AI和临床医学领域. 临床医学作为一门经验科学, 依赖于持续的数据积累, 并受人力限制, 而ML则能提供不断更新和改进. 多学科管理和跨学科合作在临床医学中变得越来越重要, AI的审慎应用可以增强临床研究的可行性和可靠性[8,9] .
AI越来越多地被用来从生物医学数据中提取信息并发现新的模式[10]. 这些技术在推动GC研究和临床护理方面具有巨大的潜力[11]. DL最成功的应用之一就是通过医学影像进行癌症筛查, 以实现早期检测和诊断[12,13]. 然而, 在利用深度学来预测患者对治疗的反应及治疗结果方面, 进展相对较慢, 而这一点对于制定个性化治疗策略具有重要意义[14].
潜在的癌前胃病变, 如慢性萎缩性胃炎、良性胃溃疡、肥厚性胃病和胃息肉, 可能会增加GC的风险[15]. 已设计出多种算法以提高此类癌前胃状况的检测效果. 一项研究显示[16], CNN仅需47 s即可分析2296张胃部图像, 在识别GC病变时的敏感度为92.2%. 另一项研究表明[17], CNN-计算机辅助诊断系统能够识别GC的浸润深度, 其敏感度、特异度和准确度分别为76.47%、95.56%和89.16%. 在中国开展的一项研究中[18], CNN系统用于GC的病理诊断, 其敏感度和特异度分别为100%和80.6%.
AI辅助全切片图像扫描(whole slide imaging, WSI)是一种将病理玻片转换为高分辨率数字图像的技术, 允许用户在计算机或平板电脑上虚拟地检查和分析标本. 数字化过程包括四个主要步骤: 扫描、存储、编辑和显示. WSI能够快速、详细地捕获图像, 并将整个幻灯片重建为单个数字图像. 虽然数据文件很大, 但压缩方法和图像金字塔(多分辨率结构)允许有效地查看. 图像管理系统还可以方便地存储、检索、分析、注释和整合幻灯片与临床数据. 对于编辑和查看, 专用软件提供了交互式工具, 用于缩放、注释、选择感兴趣的区域和应用分析算法[19]. AI WSI分析在预测早期GC中淋巴结转移(lymph node metastasis, LNM)风险方面日益发挥重要的作用[20].
综上所述, AI凭借强大的数据处理和分析能力, AI在GC的各个方面显示出巨大的应用潜力, 有望推动医疗实践向精准医疗的转变. 目前, AI在GC应用的最新进展主要应用包括: (1)医学图像分析: 基于DL的图像分割、分类和检测算法可以自动识别医学图像中的器官和病理结构, 辅助诊断和疗效评估. 在放射学领域, AI可用于筛查和诊断; 在病理方面, AI可以实现组织病理切片的自动分析和诊断; (2)临床决策支持: ML算法可以从电子病历、医嘱、实验室报告等海量临床数据中提取特征, 建立疾病诊断和预后预测模型, 辅助临床决策. 例如, 基于NLP技术, AI可以自动构建病历信息, 智能推荐检查和用药计划[21-23]; (3)药物开发: AI可应用于药物分子筛选、虚拟药物筛选、药物重新定位等, 加快新药开发进程. 例如, DL算法可以从大量分子文库中筛选具有活性的先导化合物; AI可以预测药物毒性, 降低临床试验失败的风险[24,25]; (4)个体化治疗: 基于多组学数据的ML可以对患者进行分子分型, 预测具体治疗反应, 优化个体化方案[26-29]. 如在GC治疗中, AI整合基因组学、转录组学、蛋白质组学等多组学数据, 构建预后和疗效预测模型, 指导精准治疗[30]. 同时, 基于ML的预后和生存分析模型可以为临床决策提供更可靠的证据, 有助于改善患者的长期预后.
Horiuchi等[31]开发了早期GC和萎缩性胃炎的AI检测系统, 通过对每帧胃镜视频的分析, 可以在0.02 s内判断病变的存在, 诊断准确率和灵敏度分别为85.3%和95.4%, 除了发现早期病变外, AI还可以帮助确定GC的浸润深度, 为手术计划提供参考. Nagao等[32]利用CNN结合迁移学习对内镜图像进行训练, 建立了GC侵袭深度的诊断模型, 准确率和灵敏度分别达到94.5%和84.4%. Dong等[33]等开发了一种可解释的人工智能系统-ENDOANGEL-ED. 该系统被用于分析患者的病灶图像及视频. 在人与机器的对比测试中, ENDOANGEL-ED的表现优于所有内镜医师: 在内部视频评估中其准确率高达81.10%, 而人工内镜医师的准确率为70.61%; 在外部视频评估中, ENDOANGEL-ED的准确率为88.24%, 人工内镜医师的准确率为78.49%评估中都取得了更高的准确率. Gong等[34]介绍了一种DL系统, 用于对晚期GC、早期GC、非典型增生和非肿瘤四种类型的病变进行分类, 准确率为89.7%. 该系统实现了实时内镜下胃肿瘤的自动检测和分类. Yuan等[35]开发的人工智能系统在白光内镜下诊断6个胃病变的准确率达到85.7%. 这一比率与高级内镜医师(85.1%)相当, 高于初级内镜医师(78.8%). Wu等[36]利用9151张图像, 建立了深度CNN(deep convolutional neural network, DCNN), 是DL领域中处理图像、视频等二维或三维数据的核心模型. DCNN检测早期GC的系统, 准确率为92.5%. 他们还使用来自不同胃部位的24549张图像来训练DCNN识别食管胃十二指肠镜检查中的盲点, 在胃位置分为10个或26个部分的任务中, 准确率达到90%或65.9%. 这种表现与专家的表现相当.
1.1.1 图像识别与分析: 人工智能可以利用DL模型分析内镜拍摄的图像或视频, 自动识别潜在的病变区域. 通过训练神经网络, AI可以学习识别胃部的异常体征, 如溃疡、肿块、息肉等, 从而帮助医生做出更准确的诊断[37].
1.1.2 实时辅助诊断: 在内镜检查过程中, AI可以与实时图像流相结合, 提供即时反馈. 例如, AI系统可以实时提示可能的病变, 并在医生进行内镜手术时标记可疑区域, 帮助医生更快地做出决策, 避免漏诊[38].
1.1.3 自动图像标注: AI可以自动标记内镜图像, 以突出可能存在病变的区域. 这种注释功能不仅提高了图像的诊断效率, 而且使医生在后续复查时能够快速识别病变的位置和性质[39].
1.1.4 数据整合与分析: 通过将AI与医院信息系统和电子病历相结合, AI可以分析患者的病史数据, 如病史和家族史, 从而提供个性化的风险评估. 该技术有助于医生全面评估GC的风险, 并在内镜手术过程中提供增强的决策支持[40].
1.1.5 自动生成报告: AI可以根据内镜检查过程中收集的数据自动生成诊断报告. AI利用语音识别和自然语言生成技术, 可以为医生提供报告草稿, 从而减少人工撰写报告的时间和工作量[41].
1.1.6 质量控制和培训: AI可以作为一种有价值的质量控制工具来监测内镜手术的质量. 通过分析大量的检查数据, AI提供关于检查过程、操作技术和结果的反馈, 从而帮助医生提高内镜技术. 此外, AI还可以作为医疗专业人员的培训资源, 使新手医生能够通过模拟诊断经验来完善他们的技能[42]. 远程诊断和协作AI有助于将内镜图像和诊断结果远程传输到专业中心, 使医生能够使用AI系统进行远程咨询和诊断. 这种能力在偏远地区或获得专家资源有限的地区尤为重要[43].
1.1.7 精准的智能内镜和专家经验: 人工智能在医疗领域的融合正在彻底改变传统的诊断和治疗方式, 帮助临床医生进行疾病诊断, 提高诊断精度, 实现卓越的性能[44]. 例如, Zhang等[45]开发了一种DL系统来区分六种类型的胃病变, 特别是在识别早期GC和高级别上皮内瘤变方面. CNN的准确率与内镜医师相当, 诊断特异性和阳性预计值(positive predictive value, PPV)均高于内镜医师(特异性: 91.2% vs 86.7%; PPV: 55.4% vs 41.7%). Ikenoyama等[46]将CNN与内镜医师进行比较, 发现CNN的诊断速度显著(45.5±1.8 s), 明显快于内科医师(173±66 min). CNN的敏感性(58.4%)明显高于医生(31.9%, 分别高出26.5%), 同时保持了较高的特异性(87.3%), 良好的PPV(26.0%)和阴性预计值(negative predictive value, NPV)(96.5%), 显示了AI在医学诊断领域的巨大优势. Noda等[47]利用残差神经网络仅在7 s内分析GC图像, 其准确性、灵敏度、特异性等关键指标(83.2%、76.4%、92.3%等)超过了内镜医师, 特别是在病变分析方面(准确率86.1%、灵敏度82.1%等). He等[48]收集了多源医学影像数据, 开发了人工智能内镜精灵(ENDOANGEL)系统, 是一款基于DL技术的人工智能辅助诊疗系统, 主要用于辅助消化内镜检查, 可实时监测视频图像、提示可疑病灶并规范操作流程, 旨在提高早癌检出率. DL技术通过分析大量内镜视频数据训练系统, 使其具备病灶识别能力. 表现出色, 内外部测试集和视频准确率超过90%, 明显超过高级内镜医师的平均熟练程度(70.16%±8.78%). Goto等[49]采用人工智能分类器区分粘膜内癌和粘膜下癌, 准确率、灵敏度、特异性和F1值分别为77%、76%、78%和0.768. 内镜医师的检测值分别为72.6%、53.6%、91.6%、0.662, 人工智能和内窥镜医师的检测值分别为78.0%、76.0%、80.0%和0.776, 证实人工智能与医生协同提高了早期胃GC浸润深度的诊断能力0. Zhang等[50]利用AIAG系统诊断疑难病例的敏感性为79.69%, 特异性为73.26%, 均优于普通内窥镜医师. 人工智能显著提高了中级医师的特异性(59.79% vs 52.62%), 而专家的表现保持一致, 表明人工智能对中级医师识别胃肿瘤[50]的诊断能力有显著影响. Niikura等[51]分析了500例患者的图像, 其中包括100例GC, 将人工智能与内窥镜专家的诊断准确率进行了1:1的比较. 人工智能组的诊断准确率高于专家组(100% vs 94.12%), 图像诊断率优于专家组(99.87% vs 88.17%). 总之, 人工智能正在成为医疗领域不可或缺的辅助手段, 其不断的进步和完善有望显著缩小传统诊断方法与现代技术之间的差距, 从而为医疗领域的精确和高效发展提供巨大动力. 高水平内镜训练质量提供了强有力的技术支持.
随着AI技术的快速发展, AI技术通过对病理图像进行客观定量分析, 不仅可以辅助病理诊断, 提高诊断效率和准确性, 还可以显著减少医生的工作量. AI辅助消化道肿瘤病理诊断的发展经历了从基础图像分析到视觉语言融合再到多模态交互的发展过程. 随着研究的深入[52], 大规模的视觉语言预训练基础模型逐渐成为病理AI的新方向.
1.2.1 基于标题的对比学习用于组织病理学(contrastive learning from captions for histopathology, CONCH): 此模型的出现标志着病理性AI进入了视觉语言融合的新阶段[53]. 该模型通过对超过117万对病理图像-文本对的对比学习预训练, 获得了丰富的视觉语言表征, 能够更好地理解和利用病理报告中的语言信息. CONCH在各种下游任务中表现出色, 包括零射分类(在没有额外训练的情况下对未见过的病理图像分类)、跨模态检索(使用文本搜索相关图像或使用图像搜索描述性文本)、图像分割和图像描述. 特别是CONCH概述(从组织病理学说明对比学习). CONCH模型架构和数据集组成示意图, 包含约117万图像-文本对, 包括457373对H&E染色对和713595对免疫组化(immunohistochemistr, IHC)和特殊染色对. 该图显示了数据处理管道, 包括对象检测、标题分割和图像-文本匹配, 以及零射击分类和跨模态检索任务中的关键性能指标在罕见疾病的诊断中, CONCH与弱监督学习的结合显示出显著的潜力.
1.2.2 GC内镜检查和病理活检是目前首选的诊断方法: 病理是肿瘤诊断的"金标准[54].病理诊断的数字化转型: 随着人工智能技术在医疗领域的深入渗透和融合, "数字病理、智能病理"这一革命性的病理诊断范式正在逐步兴起, 引领国际病理学科走向更加便捷、智能、高效的发展轨道[55]. 在"数字病理学"的探索和实践中, 许多先进的医疗机构已经率先做出表率, 并成功部署了多个应用案例, 显示了其巨大的临床应用潜力和价值. 例如, Hu等[56]发布了一个公开可用的胃组织病理学亚尺寸图像数据库, 以确定分类器的性能. 在传统ML中准确率最高为86.08%, 准确率最低为41.12%. DL的最佳准确率为96.47%, 最低准确率为86.21%[57]. Ba等[58]基于WSI进行了一项完全交叉的多读者多病例研究, 发现DL辅助下的病理学家在解释110例WSI时, 其曲线下面积(area under the curve, AUC)(0.911 vs 0.863)高于非辅助病理学家, 说明DL的应用提高了病理学家诊断GC的准确性和效率. Tan等[59]开发并验证了人工智能放射病理学模型, 该模型在训练队列和验证队列中的AUC分别为0.953和0.851, 在区分Ⅰ-Ⅱ期和Ⅲ期GC方面表现优异. Huang等[60]开发了一种DL模型, 从1037名患者中收集了2333张病理图像, 在外部验证集中获得了0.920的准确率. Veldhuizen等[61]构建了基于DL的GC组织学亚型分类器, 并对3个队列的731例患者进行了5倍交叉的内部验证, 平均AUC为0.93±0.07. Liu等[62]证明, 他们的方法具有同时进行胃镜检查和组织病理学诊断的潜力, 通过将飞秒SRS(femto-SRS)和U型网络技术相结合, 实现了对活检样本的快速、高灵敏度成像和诊断, 为早期GC筛查和治疗赢得了宝贵的时间.
1.2.3 多模态生成AI病理助手: 多模态交互阶段: 最新的研究[63]进展引入了更先进的多模态生成AI病理助手, 如AIPathChat. 这些系统不仅可以分析病理图像, 还可以理解并生成相关的自然语言, 以对话方式回答病理诊断问题, 实现真正的交互式诊断辅助. PathChat, 这是一种面向人类病理学的视觉-语言通用AI助手. PathChat是通过将经过特殊训练的病理图像视觉编码器[64]与预训练的大型语言模型(如Llama 2)相结合, 并对超过450000个不同的图像文本指令(包含999202轮问答)进行微调而构建的. 评估表明, 与其他多模态模型相比, PathChat表现出色: 在病理图像的多项选择诊断任务中, PathChat的准确率为78.1%, 显著高于对比模型LLaVA 1.5(51.3%)、LLaVA- med(55.3%)和ChatGPT-4(24.3%); 当同时提供图像和临床背景信息时, PathChat的准确率分别比上述模型高89.5%、39.0%、60.9%和26.9%. 在开放式问答任务中, PathChat的答案更受病理学家的青睐, 准确率为78.7%, 比LLaVA1.5和LLaVA-Med高约48%, 比ChatGPT-4高26.4%. 特别是在需要仔细检查组织学图像的"显微镜检查"和"诊断"类型的问题上, PathChat的表现非常出色, 专家认为它的答案更准确, 也更有帮助. 这种多模态交互AI系统为"AI+病理学家"协同诊断模式提供了强有力的技术支持, 病理学家可以与AI进行多轮对话, 澄清疑虑, 获取更多信息, 最终做出更准确的诊断. PathChat显示了高度的灵活性, 可以有效地结合视觉特征和临床环境信息来提供诊断建议, 并支持基于新信息的判断调整.
1.2.4 细粒度特征提取和可解释性: 病理AI通常使用基于全卷积网络、U型网络的架构, 从数字幻灯片中提取切片级或斑块级特征. 这些模型可以提取细粒度的特征, 如核形态、染色强度和组织结构模式, 并在分类或分割头中输出特定的诊断结果. 为了提高可解释性, 一些研究在模型中引入了可视化注意图或类激活映射, 直接在病理图像上标记模型最关注的区域, 以帮助病理学家理解人工智能决策的基础. 例如, 在诊断GC粘膜下浸润时, 该模型可以标记可疑的粘膜下浸润带的位置, 提示高危区域. 验证指标和循证医学证据: 病理人工智能的评估通常包括多个层面: 在分割任务中, 使用Dice系数和交并比来量化重叠; 在分类或分级任务中, 使用准确性、F1分数和AUC等指标来评估诊断一致性. 在不同的研究中, "金标准"的设定存在差异, 一些研究使用高级病理学专家的共识作为参考, 而另一些研究则参考分子诊断或长期预后. 现有文献大多为回顾性设计, 缺乏大规模前瞻性、多中心临床试验. 虽然人工智能辅助病理诊断取得了重大的技术进步, 但其临床转化和应用仍面临诸多挑战. 首要问题是数据质量和标准化: 病理切片质量和染色的一致性直接影响AI诊断的准确性, 不同医院和地区的切片制备和诊断标准存在差异, 需要在构建AI模型时纳入多中心、多来源的数据, 以提高模型的通用性. 其次, 模型的可解释性仍然需要加强: 临床医生需要了解AI诊断的基础, 以增加信任和采用. 其次, 知识更新机制: 医学知识和诊断标准是不断演变的, AI模型需要不断学习和更新, 以适应新的诊断标准和治疗方法[52]. 此外, 临床验证和质量控制也是关键: 需要前瞻性研究来验证AI病理诊断的实际效益, 并需要建立相应的质量控制和责任追踪机制, 以确保AI系统长期、安全、可靠地应用于临床.
1.2.5 胃淋巴转移的病理诊断: LNM是GC扩散的重要途径, 特别是在晚期, LNM率超过70%[65]. 病理学家在光镜下仔细检查所有解剖衍生的淋巴结切片, 以评估每个淋巴结的状态和每个患者切片中淋巴结的总数. 尽管做出了这些努力, 但要消除误诊的风险仍然具有挑战性. 由于技术上的限制, 实际切除淋巴结的数量可能达不到准确预后所需的数量, 从而导致不准确的N分期. 为了解决这一限制, 业界试图引入LNM的比例作为AJCC N分期的补充指标. 然而, 它的局限性不容忽视, 要完全取代传统的N分期标准是一个挑战. 因此, Wang等[66]成功地利用DL从切除的淋巴结WSI预测GC, 并揭示肿瘤与LNM面积之比. Muti等[67]开发并验证了一种DL系统, 可直接从1146例WSI患者中预测LNM状态, 准确率分别为0.71、0.69和0.65. Hu等[68]基于DL算法将921个淋巴结WSI分为训练组和测试组. 他们利用327张未标记的图像进行前瞻性测试, 以验证诊断系统的性能, 淋巴结量化的准确率达到97.13%. Xception和DenseNet-121联合模型的PPV为93.53%, NPV为97.99%, 显示了较高的淋巴结诊断效率和准确性, 可以帮助病理学家初步筛查GC患者的LNM. Zhang等[69]设计了一个三维增强特征金字塔网络, 并在四个医学中心收集的CT图像数据集上进行了实验. 结果证实, 该方法提高了LNM的诊断准确性, 优于现有方法. 淋巴血管侵犯是GC的一个预后因素, LNM的可能性越大, 患者的整体预后越差[70]. Lee等[71]介绍了一种基于DL的检测淋巴血管浸润(+)的方法, 在多分类模型中, 使用H&E染色WSI的ConViT模型优于受试者工作特征曲线下的面积(area under the receiver operating characteristic, AUROC)和精确率-召回率曲线下的面积(area under precision recall curve, AUPRC)(AUROC: 0.9796; AUPRC: 0.9648). 这一进步有望通过节省检查时间和劳动力以及减少病理学家之间的差异来推进精准医疗.
展望未来, AI辅助病理诊断系统有望进一步整合多模态数据, 包括全切片数字病理图像、基因组学和转录组学等多组学数据以及患者临床信息, 实现更全面、更精确的诊断. AI系统与临床工具(如数字病理切片扫描仪和电子病历系统)的深度集成将为病理学家提供无缝的智能辅助体验. 这种整合不仅可以提高诊断的准确性和效率, 还可以促进个性化治疗方案的制定, 为GC的精准诊断和治疗开辟新的前景.
GC的早期筛查和诊断对提高患者的生存率和预后非常重要. 传统的血清学蛋白标志物在肿瘤筛查中存在敏感性低、特异性差等局限性. 近年来, 随着分子生物学技术的快速发展, 基于遗传和表观遗传标记的新型液体活检技术为肿瘤早期筛查带来了新的希望. 这些新的标志物, 包括循环肿瘤DNA(circulating tumor DNA, ctDNA)甲基化、羟甲基化、基因突变、拷贝数变异和microRNAs, 可以更早、更准确地反映肿瘤的存在和特征. 液体活检作为一种无创检测方法, 通过分析血液、尿液等体液中与肿瘤相关的标志物, 为肿瘤的早期筛查、诊断和监测提供了新的途径. 与传统组织活检相比, 液体活检具有取样简单、重复性强、能反映肿瘤异质性等优点[72].
在过去的十年中, 液体活检技术在癌症早期筛查的敏感性和特异性方面取得了重大进展. 下一代测序技术的广泛应用使得检测低丰度ctDNA成为可能, 检测限已降至0.01%以下[73]. AI和ML算法的引入, 大大提高了液体活检数据分析的准确性和效率, 为早期肿瘤筛查提供了新的技术支持[74].
液体活检标志物对GC的早期检测与筛查的早期研究起源于对Septin9和RNF180基因甲基化检测性能的研究. 早期就有研究[75]探讨了RNF180启动子区域甲基化与GC的相关性及其在GC早期筛查中的潜力, 但其实际临床应用是在与Septin9基因甲基化联合后才实现的. 这是因为单个标志物的敏感性对于GC而言不足, 但两者的联合使用达到了可接受的敏感性. 为了验证Septin9和RNF180甲基化联合检测的性能, 一项多中心前瞻性产品注册研究[76]纳入了胃腺癌患者、胃不典型增生患者及对照组. 结果显示, 联合检测的敏感性为62.2%, 特异性为84.8%; RNF180甲基化单独检测的敏感性为46.2%, 特异性为87.3%; Septin9甲基化单独检测的敏感性为40.0%, 特异性为96.0%, 表明这两种标志物在性能上具有相当大的互补性. 基于这项研究[76], 中国国家药品监督管理局批准该试剂盒用于有GC家族史或40岁以上GC高风险人群的辅助诊断.
此外, 血液miRNA的检测也显示出GC早期诊断和筛查的潜力. 一项研究[72]在包括GC患者在内的前瞻性队列中验证了三种miRNA(miR-18a、miR-181b和miR-335)标记的性能, 检测灵敏度为71.6%, 特异性为87.9%, 证明了miRNA用于GC检测的可行性.
未分化的早期GC是内镜下粘膜下剥离术的适应证之一, 但根治性切除率不理想. 因此, Bang等[77]开发了一种极端梯度增强分类器, 根据病变的形态学和生态学特征, 预测内镜下粘膜下剥离前未分化早期GC的根治性切除. 内部验证正确率、精密度、召回率和F1得分分别为93.4%、92.6%、99.0%和95.7%. Yun等[78]建立了一个模型来预测早期GC患者内镜下粘膜下剥离的非治愈性切除术. 风险评分模型在内部验证中具有良好的判别性能(AUC为0.851). 然而, 该手术技术要求高, 并发症风险高. 内镜下粘膜下剥离的难度受病变位置的影响. 因此, Kim等[79]开发了一种胃模拟器, 可以用来练习胃镜下粘膜下解剖的各种体位. 机器人辅助或传统的内镜粘膜下解剖是由两名实习内镜医师在具有挑战性或容易的位置进行的. 在具有挑战性的位置, 机器人内镜粘膜下剥离术的手术时间明显短于常规剥离术(6.2 min vs 10.2 min), 主要原因是剥离速度更快(220.3 mm2/min vs 101.9 mm2/min). 在困难部位, 机器人内镜下粘膜下夹层的盲剥离率明显低于常规方法(17.6% vs 35.2%). Yang[80]开发了一种新型的柔性辅助单臂内镜机器人, 与传统的内镜黏膜下剥离术相比, 该机器人的剥离时间明显缩短(7 min vs 13 min), 主要原因是剥离速度更快(148.6 mm2/min vs 97.0 mm2/min). 柔性辅助单臂内镜机器人辅助下的内镜下粘膜下剥离术总手术时间比常规内镜下粘膜下剥离术短, 但差异不显著(16 min vs 24 min), 且所有病变均完全连接, 无可见穿孔发生.
2.2.1 术前准确评估LNM: 准确的术前评估LNM的数量对于局部晚期GC的治疗至关重要. Dong等[81]利用730名局部晚期GC患者的CT图像开发了一种DL图像诺模图(nomogram). 结果显示, 主队列的AUC为0.821, 外部验证队列的AUC为0.797, 国际验证队列的AUC为0.822, 显示了其在术前预测LNM数量方面的可靠性和价值. Zhu等[82]利用六种ML算法建立了基于临床特征的LNM预测模型. 他们观察到局部晚期GC患者的LNM发生率为13.63%, 并注意到LNM呈非线性趋势, 且年龄与LNM相关, 为制定更精确的个体化治疗方案提供了新的见解.
2.2.2 术前早期复发风险预测模型: 尽管多学科方法在可切除局部晚期GC患者的治疗方面取得了重大进展, 但由于复发的高风险, 总生存率仍然很低. 超过一半的复发和肿瘤相关死亡发生在手术后一年内, 中位无复发生存期约为10 mo[83]. 因此, 术前评估早期复发风险在临床实践中具有重要意义. Huang等[84]利用临床因素及腰大肌(L3)水平深部非增强CT特征, 将312例GC患者分为营养不良组和正常组, 构建GC术前营养不良预测模型, AUC分别为0.806和0.769, 准确率分别为0.734和0.766. 该模型可为GC患者提供一种新的营养状况评估和生存评估工具. Zhang等[85]从两个中心招募了晚期GC患者, 从术前诊断CT图像中提取放射组学特征, 应用ML方法减小特征大小并构建预测放射组学特征, 并使用多变量Logistic回归分析将放射组学特征和临床危险因素纳入nomogram. AUC分别为0.831、0.826、0.806, 成功建立了预测术前晚期GC患者早期复发的放射组学方位图.
2.2.3 GC术中AI辅助: GC手术已经从传统的开放手术发展到微创手术的新时代, 其中腹腔镜和机器人手术逐渐成为主流的手术方式. Gong等[86]证实机器人远端胃切除术是可行且安全的, 与腹腔镜远端胃切除术相比, 其手术和肿瘤效果都优于腹腔镜远端胃切除术, 其术后恢复和术后并发症的发生率也相当. Li等[87]进行了一项大规模、多中心回顾性队列研究, 比较了机器人胃切除术和腹腔镜胃切除术治疗GC的短期和长期结果. 机器人胃切除术组的总并发症发生率低于腹腔镜胃切除术组(12.6% vs 15.2%). 此外, 机器人胃切除术具有更少的失血量(126.8 mL vs 142.5 mL)、更多的淋巴结清扫(32.5 mL vs 30.7 mL)和更好的胰腺上区管理(13.3 vs 11.6)等优势. Tokunaga等[88]研究表明, 机器人辅助的远端胃切除术和淋巴结清扫在临床期IA GC患者中是安全可行的. 虽然机器人手术仍处于探索阶段, 但其发展空间不可估量, 充分把握和融合5G网络发展的广阔背景和良好环境, 有望为患者带来益处[89].
有效的新辅助化疗可以提高局部进展性胃癌患者的生存率, 但化疗药物并不总是对所有患者都有良好的疗效. 因此, 术前准确评估新辅助治疗的效果, 合理选择手术时间, 最大限度地减少毒性和并发症, 延长患者的生存期是需要解决的关键问题[90]. 新辅助化疗的出现显著改善了晚期GC的预后. 新辅助化疗具有缩小原发肿瘤大小、降低肿瘤分期、提高R0切除率、降低肿瘤复发率和提高总生存率等益处. 因此, 早期无创筛查患者进行新辅助化疗对于局部晚期GC的个性化治疗至关重要[91]. 随着影像技术的进步, CT技术在评价GC新辅助化疗的有效性方面越来越有价值. Hu等[92]从1060例局部晚期GC患者的预处理CT图像中确定了放射临床特征. 他们提出了一个DL CS模型训练队列和一个内部验证队列(internal verification cohort, IVC)265名患者在其他五个中心进行外部验证(external verification cohort, EVC). DL CS在预测IVC(AUC: 0.86)和EVC(AUC: 0.82)对新辅助化疗的反应方面表现出色, 在所有队列中都有良好的校准. Zhang等[93]利用DL分析了三家医院633例局部晚期GC行NAC的CT扫描. 验证队列的AUC分别为0.808、0.755和0.752, 均高于临床模型. Wang等[94]纳入了来自多个中心的323例局部晚期GC患者的治疗前CT图像, 发现放射组学特征在训练队列(AUC: 0.736)和外部验证队列(AUC: 0.679)中预测治疗反应具有良好的鉴别性能. Zhong等[95]研究局部进展期GC新辅助化疗患者, 建立临床模型、DL模型和形态图预测患者新辅助化疗后的反应. 在验证队列中, 深度学习放射组学图(deep learning RN, DL RN)的AUC为0.94, 对NAC有足够的识别能力. Cui等[96]从中国四家医院招募了719例局部进展期GC患者. 他们开发了一个集成DL放射组学图, 在内部和两个外部验证队列中的AUC分别为0.829、0.804和0.827, 在所有队列中都显示出良好的校准(P<0.05). 此外, DL RN的性能显著优于临床模型(P<0.001), 决策曲线分析证实了DL RN在临床实践中的实用价值. DL RN也与局部晚期GC患者的无病生存率显著相关.
我们需要了解复杂的肿瘤微环境, 以开发更好的生物标志物和诊断方法, 从而有针对性地对肿瘤产生有效的免疫应答[97]. "冷"肿瘤是指富含髓源性抑制细胞和调节性抑制T细胞, 缺乏免疫反应激活和浸润肿瘤淋巴细胞(tumor-infiltration lymphocyte, TIL)浸润 双解磷低, 抗原呈递差, 先天对T细胞杀伤不敏感的肿瘤. "热"肿瘤是指具有明显T细胞和细胞毒性T细胞浸润、富含炎性细胞因子的肿瘤微环境、T细胞炎性基因表达谱、TIL密度高、双解磷高的肿瘤[98]. 因此, 将"冷瘤"转化为"热瘤"对于提高肿瘤免疫治疗的应答率和治疗效果至关重要. 因此, Chen等[97]通过考虑CD4FoxP3PD-L1、CD8PD-1LAG3和CD68STING细胞的密度以及CD8PD-1LAG3 T细胞的空间组织, 建立了多维TIIC图谱. TIIC特征可以预测GC患者抗PD-1/程序性死亡配体1(programmed death-ligand 1, PD-L1)免疫治疗的疗效和预后[99]. 肿瘤浸润淋巴细胞特征可作为抗PD-1/PD-L1疗效的一种新的泛癌预测性生物标志物[100]. 通过阻断肿瘤微环境中转化生长因子-β(transforming growth factor beta, TGF-β)信号通路, 可显著提高抗PD-1/PD-L1治疗的耐药性, 增强抗肿瘤免疫治疗的效果[92]. Pomponio等[101]将人工智能驱动的数字图像分析和基因表达谱相结合, 量化了TILs的分布, 并表征了相关的TGF-β途径活性, 证明了"冷"肿瘤免疫表型和TGFβ信号之间的关联可能作为预测性生物标志物. Chen等[102]提出了一种DL模型, 用于三种免疫亚型(免疫排斥亚型、免疫惰性亚型及免疫炎症亚型)的病理图像预测, 在训练集、验证集和测试集中, 每个贴片的准确率分别为80.23%、74.45%和68.89%. Sun等[103]使用了四个独立的晚期实体肿瘤患者队列, 通过结合对比增强CT图像和肿瘤活检的RNA-seq基因组数据来评估CD8细胞肿瘤浸润, 开发并验证了预测免疫治疗反应的放射学特征. Jiang等[104]提出了一种生物引导的DL方法, 可以从医学图像中同时预测肿瘤免疫和基质微环境状态以及治疗结果. 虽然一些研究显示出令人鼓舞的结果, 但其他临床应用仍然具有挑战性.
DL可以识别和整合与GC患者预后相关的多种因素, 包括影像学数据、生物标志物、基因组数据等, 建立准确的GC预后预测模型和术后风险评估[105].
通过分析影像学数据, AI可以准确预测GC患者的病情进展、复发风险及治疗效果, 协助医生制定个性化治疗方案, 提高预后的准确性. Arai等[106]开发了一种ML模型, 结合内镜和组织学结果, 对1099例接受食管胃十二指肠和胃粘膜活检取样的慢性胃炎患者进行回顾性评估. 他们发现, 在平均5.63年的随访期间, 94名患者(8.55%)患上了GC. 研究人员能够为每位患者生成个性化的累积发病率预测曲线. Yuan等[107]首次发现舌头图像和舌苔微生物组都可以作为GC诊断的工具, 基于舌头图像的诊断模型的AUC为0.89. 舌苔微生物组模型的AUC(使用属数据)达到0.94, 使用种数据的AUC达到0.95. 这明显优于传统的血液生物标志物. Qiu等[108]利用1021例局部晚期GC患者的纵向CT图像, 开发并验证了一种多任务DL模型-共注意力三定向空间曼巴(co-attention tri-oriented spatial Mamba, CTSMamba), 用于同时预测LNM和OS. CTSMamba在398例患者上进行训练和验证, 并在另外两个中心的623例患者中进一步验证其性能. 值得注意的是, 在所有队列中, CTSMamba在预测LNM方面的表现均显著优于临床模型. 此外, 将CTSMamba的生存评分与临床预测因子相结合, 进一步提高了个性化OS预测的准确性. 这些结果支持CTSMamba从纵向图像中准确预测LNM和OS的潜力, 可能为临床医生提供一种工具, 以指导个体化治疗方案和优点. CTSMamba是一种基于新辅助化疗后局部晚期GC患者的纵向CT图像进行训练的多任务DL模型. 该模型能够准确预测LNM情况及患者的总体生存率, 从而为临床决策提供重要依据. Horie等[109]提出了一个生物学引导的DL框架, 其中训练了一个多任务模型, 以同时预测放射图像的肿瘤微环境(tumor microenvironment, TME)状态和治疗结果. 生物学引导DL模型基于CT图像训练了一个多任务DCNN模型, 用于同时对TME状态进行分类并预测预后. 研究结果与传统方法相比, 将生物领域知识作为DL的组成部分不仅提高了模型的泛化性, 而且增强了模型的可解释性. TME类的DL模型可以预测晚期GC患者对抗PD-L1免疫治疗的反应. 无论免疫状态如何, 高基质TME的肿瘤对免疫治疗的反应都很差. 另一方面, 高免疫TME的肿瘤在低基质TME的情况下表现出良好的应答.
AI的出现引发了利用DL CNN(DCNNs)在计算机辅助系统中辅助识别和诊断多种异常的兴趣. 既往研究表明[110], 使用特定内镜图像训练的DCNNs能够达到专科医生水平的上消化道病变识别能力. 此外, DCNNs还已被应用于胃镜检查中监测检查盲区[111]. 因此, 基于DCNNs的图像识别系统在支持胃镜检查质量控制方面似乎具有广阔的前景. Zhou等[112]评估一种实时智能质量控制系统(Intelligent Quality Control System, IQCS)的疗效, 该系统结合了胃镜质量控制与早期上消化道肿瘤的病变检测. 共对1840名患者进行了随机分组(IQCS组: 919例, 常规组: 921例). 全分析集包括IQCS组914例和常规组915例. IQCS组早期上消化道肿瘤检出率(6.1%, 56/914)显著高于常规组(2.3%, 21/915; P = 0.0001). IQCS组的盲区更少(2.3 vs 6.2, P<0.0001). IQCS组在贲门或胃底部位的胃清洁度更高(99.5% vs 87.9%, P<0.0001), 胃体(98.9% vs 88.0%, P<0.0001)、胃角(99.8% vs 88.4%, P<0.0001)及胃窦或幽门(100.0% vs 87.4%, P<0.0001)部位的胃清洁度也更高. IQCS提高了OGD的质量, 并在不同类型的医院和不同内镜医生经验水平中增加了早期上消化道(upper gastrointestinal, UGI)肿瘤的检出率. IQCS可在基层医院和非专家内镜医生中发挥重要作用, 以提高早期UGI肿瘤的诊断准确性. IQCS在真实世界临床环境中的有效性需要更大人群的验证.
针对检测方法和诊断截止值方面的挑战, 研究人员正在积极寻求解决方案. 事实上, 对快速发展的人工智能技术潜在应用的调查已经获得了动力. 例如, Bencze等[113]进行了一项比较传统半定量评分与人工智能辅助IHC图像分析的研究. 研究结果表明, 人工智能辅助软件, 经过适当的训练, 可以准确地识别感兴趣的细胞, 区分细胞器, 识别蛋白质特异性显色标记和核反染色, 这可能为半定量评分提供更准确的替代方案. Kapil等[114]还描述了一种基于图像分析的方法, 用于从基线人表皮生长因子受体2(human epidermal growth factor receptor 2, HER2)IHC染色的乳腺癌组织中获得的数字整片图像的定量连续评分(quantitative continuous score, QCS). 基于QCS的患者分层预测患者对曲妥珠单抗的反应优于人工评分. 几组研究人员已经使用ML技术来评估微卫星不稳定性(microsatellite instability, MSI)和/或爱泼斯坦-巴尔病毒状态, 并产生了有希望的结果. 例如, Su等[115]利用DL系统基于苏木精-伊红染色的全片图像来识别MSI状态, 在有注释的切片中达到了86.36%的患者水平准确率, 在没有肿瘤轮廓注释的切片中达到了83.87%. Jiang等[116]开发了一种基于术前腹部动态增强计算机断层扫描的DL放射组学模型, 用于无创评估MSI状态. 值得注意的是, 这两个例子都是廉价的, 不需要额外的湿实验室组织测试. 虽然进一步的临床验证对于确定这些新技术的独立诊断功效至关重要, 但这些新技术无疑是有价值的, 可以作为确证试验或作为确证分子试验之前的初步筛选工具.
传统的肿瘤标志物, 如癌胚抗原、碳水化合物抗原(carbohydrate antigen, CA)19-9和CA72-4, 也常用于GC的诊断、分期和监测. 然而, 这些传统的组织病理学分类和生物标志物提供的信息不足以指导靶向治疗和免疫治疗[117].
HER2是首个用于GC的分子生物标志物, 抗HER2抗体曲妥珠单抗是首个获批用于GC的靶向治疗药物[118]. PD-L1是GC的另一种生物标志物, 抗PD-L1抗体派姆单抗已被推荐用于表达PD-L1的肿瘤患者. 最近, zolbetuximab在日本(2024-03)和美国(2024-10)分别被批准用于治疗claudin 18.2(CLDN18.2)阳性、不可切除的晚期或复发性GC. 值得注意的是, ramucirumab, 一种血管内皮生长因子受体2(vascular endothelial growth factor receptor 2, VEGFR2)抗体, 也被批准用于晚期GC[119]. 然而, 使用ramucirumab不需要检测特定的生物标志物. 因此, 本文不讨论VEGFR2. 除了已建立的生物标志物外, 探索性生物标志物, 如MET和成纤维细胞生长因子受体2, 以及相应的靶向治疗目前正在研究中, 有几种生物标志物有望预测对特定靶向治疗的治疗反应性[120].
建立预测模型, 通过分析血液、尿液或其他生物标本中的特定分子标记物, 识别GC的风险或早期病变. 例如, Cai等[121]在一项全国性的多中心横断面研究中招募了接受胃镜检查前血清胃蛋白酶原PGⅠ、PGⅡ、胃泌素-17和抗幽门螺杆菌IgG抗体浓度的患者. 低危组(≤11)、中危组(12-16)和高危组(17-25)衍生队列中GC的患病率分别为1.2%、4.4%和12.3%. Chen等[122]通过对患者血浆样本进行ML分析, 建立了10种GC代谢物的诊断模型, 用于靶向代谢组学分析. 它在外部测试集的灵敏度为0.905, 优于利用癌症蛋白标记物的传统方法. Mori等[123]证明了血浆胃饥饿素水平的发展是幽门螺杆菌根除后胃粘膜萎缩的新标志物. 人白细胞抗原G(human leukocyte antigen G, HLA-G)分子是免疫反应的检查点, 其在癌症中的过表达与免疫逃避、转移、预后差和总生存率降低有关. Mejía-Guarnizo等[124]采用ELISA法检测GC和胃良性病变患者血浆可溶性HLA-G(soluble HLA-G, sHLA-G)水平. 研究发现, GC患者的sHLA-G浓度高于良性病变患者, 女性GC患者的血浆sHLA-G水平高于男性, 且评估的胃良性病变之间sHLA-G水平存在显著差异.
联合治疗可提高治疗效果. 近年来, 针对多种生物标志物的联合治疗已被越来越多地探索[125-128]. 如上所述, 随机、双盲、Ⅲ期试验KEYNOTE-811探讨了在HER2阳性、晚期GC[125,127]患者的一线曲妥珠单抗加化疗中加入派姆单抗. 迄今为止, KEYNOTE-811方案指定的中期分析显示, 与安慰剂相比, 对于转移性HER2阳性胃或胃食管接合部患者, 特别是PD-L1中央处理(Central Processing System, PS)评分≥130的患者, 派姆单抗与一线曲妥珠单抗和化疗联合使用可显著改善PFS. NCCN指南已经推荐了这种组合[127].
其他联合疗法的研究目前正在进行中. 例如, 正在进行的Ⅲ期heron-gea-1试验正在研究zanidatamab+化疗联合或不联合tislelizumab治疗一线HER2+晚期/转移性胃食管腺癌. 一项Ⅱ期研究[128]调查了ceralasertib(一种rad3相关蛋白激酶抑制剂)和durvalumab(一种抗PD-L1抗体)在先前治疗的晚期GC患者中的联合治疗显示出有希望的抗肿瘤活性, 需要在生物标志物驱动的试验中进一步证实.
基因组分析可以提供预后和预测信息, 指导临床护理. Cheong等[129]使用ML算法识别了32个GC特异性基因签名. 通过在患者肿瘤表达水平对这些基因特征进行无监督聚类, 确定了影响预后生存的四种分子亚型. 然后构建具有线性核的支持向量机来生成预测五年总生存率的风险评分, 从而帮助GC患者的临床护理. Zhang等[130]构建了免疫基因相关调控网络, 开发了两种人工智能生存预测工具. 1年生存率一致性指数为0.8003年生存率一致性指数为0.8095年生存率一致性指数为0.856, 用于评价GC预后特征及患者无病生存率. Wei等[131]开发了一种DL模型MultiDeepCox-SC, 该模型通过整合WSI、临床数据和基因表达数据来预测GC患者的总生存期. 结果包括癌症基因组图谱数据集(风险比1.555, P = 3.53e-08)和外部测试集(风险比2.912, P = 9.42e-4). Cai等[132]利用ML分析了来自5个独立队列的1699名患者的GC基因表达数据集. 他们建立并验证了基于个体化基因集的GC预后特征, 并进一步探索了GC生存相关的调控机制和治疗靶点.
人工智能对于预测GC手术后的生存至关重要. 通过分析大量数据, 准确评估患者预后, 优化治疗方案, 提高生存率, 减轻医疗资源负担. LNM在早期GC患者的治疗方案选择中起决定性作用[133]. 然而, 目前还没有确定的方案来预测内镜切除前后LNM的风险[134]. 因此, Jin等[135]开发了一个DL系统, 回顾性分析了两个医疗中心1699例行胃切除术和淋巴结清扫的患者术前CT图像, 以预测局部进展期GC的LNM数量. 结果: 外部验证队列中11个节点站的中位AUC、敏感性和特异性分别为0.876、0.743和0.936. Lee等[136]收集了胃切除术患者的临床病理资料, 建立了GBM模型. 结果显示, 胃切除术组和内镜下粘膜剥离组的LNM率分别为12.6%和4.3%. 1组和2组的准确率、灵敏度、特异度和AUC分别为0.566、0.922、0.516、0.867、0.810、0.958、0.803和0.944. Kim等[137]通过收集早期GC根治术患者的临床病理数据, 开发了一种诺模图或列线图(nomogram)预测LNM风险状态. 他们比较了胃切除术患者和避免不必要胃切除术的内镜解剖组患者的无病和无复发生存率. 对于nomogram LNM风险较低的患者(≤本研究临时值的3%), 内镜下解剖组和胃切除术组的总生存率(P = 0.32)、无病生存率(P = 0.47)、无复发率(P = 0.09)相似.
AI在GC的预后预测和治疗方面显示出巨大的潜力. 通过分析大量临床数据, AI可以更准确地识别危险因素, 预测疾病风险, 为高危人群提供早期干预建议. 在治疗过程中, AI辅助分子分型可以为患者提供更精准的个体化治疗方案. 同时, 基于ML的预后和生存分析模型可以为临床决策提供更可靠的证据, 有助于改善患者的长期预后. 因此, 深入探索人工智能在GC诊断、手术、放疗、药物开发、预后管理等整个诊疗过程中的应用, 对于提高诊断效率、改善预后、促进规范化管理具有重要的实用价值[138].
目前, AI在GC研究中的应用遇到了一些挑战, 包括数据集偏差、人工智能模型的有限可解释性、临床应用中潜在的假阳性和阴性, 以及有关患者数据隐私、监管批准和临床医生责任的伦理等问题. 虽然AI可以提供数据分析和诊断建议, 但最终决定应始终由经验丰富的临床医生做出.
AI辅助图像分析和多重IHC等技术, 以更好地识别具有特定生物标志物特征的患者. 这些努力可能有助于缓解一些现有的挑战, 例如对非侵入性采样和标准化图像读取的需求, 并促进更多地使用精准医学和靶向治疗. 此外, 随着靶向治疗的发展, 靶向治疗与免疫治疗和化疗的结合可能为GC患者提供更全面的治疗方法. 这些疗法的个性化组合可以提高治疗效果, 减少耐药性, 并最终提高患者的生存率. 然而, 在完善这些策略和解决其潜在的副作用和毒性方面仍有许多工作要做. 与此相关的是, 鉴于GC在世界范围内的高患病率和晚期诊断, 通过早期筛查提高GC的诊断也很重要. 总之, 尽管在GC的分子检测和治疗方面已经取得了实质性进展, 但要充分发挥这些生物标志物和治疗方法的潜力, 仍需进行持续的研究. 通过不断提高诊断精度和治疗选择, 未来的GC治疗可能会更加个性化和有效, 推动该领域向精准医学发展[139].
当前影像、病理等非结构化数据缺乏统一的采集规范, 特别是对于非结构化数据, 缺乏统一的标注指南和质量控制流程, 导致标注主观性强, 一致性难以保证. 此外, 多组学数据的集成还面临着复杂的非线性交互、数据不平衡、批处理效应和维度灾难等挑战[140]. Duan等[141]基于癌症基因组图谱数据库中9种癌症的多组学数据, 评估了10种整合方法在癌症分子亚型分类中的准确性、鲁棒性和计算效率, 并讨论了不同组学数据类型及其组合对分类结果的影响. 为了解决这些问题, 迫切需要建立统一的医疗大数据采集、存储和访问标准体系, 规范病历、影像、病理、组学等数据的采集流程和质量控制措施. 整合NLP等技术, 建立高效的专业标注平台和协作团队, 提高数据标注的效率和质量. 由于缺乏透明度, 医生很难理解AI给出的诊断和预测, 从而影响了对AI系统的信任和接受度[142,143].
为了提高AI模型的可解释性和可靠性, 需要采取多管齐下的方法. 加强可解释AI技术的研究, 开发可为决策基础提供解释的模型. 例如, 使用固有可解释的模型(如决策树或线性模型[144], 应用事后解释方法(如局部可解释模型或夏普利加法解释)[145,146], 引入注意机制以突出模型关注的关键领域[147], 建立涵盖从数据采集、预处理到模型训练、测试、部署全过程的模型质量管理和评估体系, 从统计性能、临床效果、伦理影响等多个维度对模型进行评估, 确保AI系统安全可靠地应用于患者.
AI系统的真正价值最终需要通过临床验证来证明. 与传统药物和设备一样, AI算法在临床应用前应经过彻底的前瞻性验证, 以评估其对临床决策和患者预后的实际影响. 然而, 目前大多数AI研究还停留在比较技术性能指标的阶段, 缺乏对患者生存和生活质量等关键临床终点的评估, 特别是前瞻性随机对照试验严重缺乏, 难以确定人工智能算法在真实临床环境中的有效性. 截至2022年, 美国食品及药物管理局批准的医疗人工智能设备中约有43%没有公布临床验证数据, 通过随机对照试验验证的不到5%[148,149], 这一情况引起了监管部门的关注. 未来, 为促进临床对AI技术的广泛接受, 应积极设计和开展嵌入式临床试验, 将AI辅助诊疗纳入实际临床路径, 全面评估其真实疗效. 同时, 应加强对医疗保健专业人员的数据科学教育, 增强他们对AI的作用和局限性的认识; 加强与患者的沟通, 明确说明AI技术的优势和潜在风险, 增加患者的接受度和信任度. 此外, 医学期刊和学术会议应鼓励发表负面研究结果, 以减少发表偏倚, 监管机构应考虑将关键AI算法的前瞻性临床验证作为批准或报销的必要条件.
基于AI在GC缺乏大规模的临床试验来验证模型在真实世界多中心、多民族数据中的通用性, 算法偏差和缺乏公平性等问题, 研究者建议在整个模型开发过程中引入去偏算法和严格的偏倚检测机制[142]. 因此, 尽管人工智能在GC的诊断和治疗中显示出广阔的前景, 但要做到对GC诊治上的特殊贡献, 还有很长的路要走, 尚需作更多的不懈努力.
| 1. | Li R, Li J, Wang Y, Liu X, Xu W, Sun R, Xue B, Zhang X, Ai Y, Du Y, Jiang J. The artificial intelligence revolution in gastric cancer management: clinical applications. Cancer Cell Int. 2025;25:111. [PubMed] [DOI] |
| 2. | Shrestha UK. Emerging role of artificial intelligence in gastroenterology and hepatology. World J Gastroenterol. 2025;31:111495. [PubMed] [DOI] |
| 3. | Darcy AM, Louie AK, Roberts LW. Machine Learning and the Profession of Medicine. JAMA. 2016;315:551-552. [PubMed] [DOI] |
| 4. | Cao JS, Lu ZY, Chen MY, Zhang B, Juengpanich S, Hu JH, Li SJ, Topatana W, Zhou XY, Feng X, Shen JL, Liu Y, Cai XJ. Artificial intelligence in gastroenterology and hepatology: Status and challenges. World J Gastroenterol. 2021;27:1664-1690. [PubMed] [DOI] |
| 5. | Jerfy A, Selden O, Balkrishnan R. The Growing Impact of Natural Language Processing in Healthcare and Public Health. Inquiry. 2024;61:469580241290095. [PubMed] [DOI] |
| 6. | Penrice DD, Rattan P, Simonetto DA. Artificial Intelligence and the Future of Gastroenterology and Hepatology. Gastro Hep Adv. 2022;1:581-595. [PubMed] [DOI] |
| 7. | Hwang EJ, Goo JM, Park CM. AI Applications for Thoracic Imaging: Considerations for Best Practice. Radiology. 2025;314:e240650. [PubMed] [DOI] |
| 8. | Kann BH, Hosny A, Aerts HJWL. Artificial intelligence for clinical oncology. Cancer Cell. 2021;39:916-927. [PubMed] [DOI] |
| 9. | Shmatko A, Ghaffari Laleh N, Gerstung M, Kather JN. Artificial intelligence in histopathology: enhancing cancer research and clinical oncology. Nat Cancer. 2022;3:1026-1038. [PubMed] [DOI] |
| 10. | Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in health and medicine. Nat Med. 2022;28:31-38. [PubMed] [DOI] |
| 11. | Bhinder B, Gilvary C, Madhukar NS, Elemento O. Artificial Intelligence in Cancer Research and Precision Medicine. Cancer Discov. 2021;11:900-915. [PubMed] [DOI] |
| 12. | McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, Back T, Chesus M, Corrado GS, Darzi A, Etemadi M, Garcia-Vicente F, Gilbert FJ, Halling-Brown M, Hassabis D, Jansen S, Karthikesalingam A, Kelly CJ, King D, Ledsam JR, Melnick D, Mostofi H, Peng L, Reicher JJ, Romera-Paredes B, Sidebottom R, Suleyman M, Tse D, Young KC, De Fauw J, Shetty S. International evaluation of an AI system for breast cancer screening. Nature. 2020;577:89-94. [PubMed] [DOI] |
| 13. | Ardila D, Kiraly AP, Bharadwaj S, Choi B, Reicher JJ, Peng L, Tse D, Etemadi M, Ye W, Corrado G, Naidich DP, Shetty S. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019;25:954-961. [PubMed] [DOI] |
| 14. | Lotter W, Diab AR, Haslam B, Kim JG, Grisot G, Wu E, Wu K, Onieva JO, Boyer Y, Boxerman JL, Wang M, Bandler M, Vijayaraghavan GR, Gregory Sorensen A. Robust breast cancer detection in mammography and digital breast tomosynthesis using an annotation-efficient deep learning approach. Nat Med. 2021;27:244-249. [PubMed] [DOI] |
| 15. | Machlowska J, Baj J, Sitarz M, Maciejewski R, Sitarz R. Gastric Cancer: Epidemiology, Risk Factors, Classification, Genomic Characteristics and Treatment Strategies. Int J Mol Sci. 2020;21:4012. [PubMed] [DOI] |
| 16. | Hirasawa T, Aoyama K, Tanimoto T, Ishihara S, Shichijo S, Ozawa T, Ohnishi T, Fujishiro M, Matsuo K, Fujisaki J, Tada T. Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images. Gastric Cancer. 2018;21:653-660. [PubMed] [DOI] |
| 17. | Zhu Y, Wang QC, Xu MD, Zhang Z, Cheng J, Zhong YS, Zhang YQ, Chen WF, Yao LQ, Zhou PH, Li QL. Application of convolutional neural network in the diagnosis of the invasion depth of gastric cancer based on conventional endoscopy. Gastrointest Endosc. 2019;89:806-815.e1. [PubMed] [DOI] |
| 18. | Song Z, Zou S, Zhou W, Huang Y, Shao L, Yuan J, Gou X, Jin W, Wang Z, Chen X, Ding X, Liu J, Yu C, Ku C, Liu C, Sun Z, Xu G, Wang Y, Zhang X, Wang D, Wang S, Xu W, Davis RC, Shi H. Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning. Nat Commun. 2020;11:4294. [PubMed] [DOI] |
| 19. | Jain E, Patel A, Parwani AV, Shafi S, Brar Z, Sharma S, Mohanty SK. Whole Slide Imaging Technology and Its Applications: Current and Emerging Perspectives. Int J Surg Pathol. 2024;32:433-448. [PubMed] [DOI] |
| 20. | Ichimasa K, Kudo SE, Kouyama Y, Takashina Y, Chung H, Maeda Y, Lwin WP, Toya Y, Hatta W, So JBY, Yeoh KG, Nemoto T, Misawa M. Artificial Intelligence-Assisted Whole Slide Image Analysis for Lymph Node Status Prediction in Early Colorectal and Gastric Cancer. Dig Endosc. 2026;38:e70042. [PubMed] [DOI] |
| 21. | Shimizu H, Nakayama KI. Artificial intelligence in oncology. Cancer Sci. 2020;111:1452-1460. [PubMed] [DOI] |
| 22. | Levis M, Levy J, Dufort V, Gobbel GT, Watts BV, Shiner B. Leveraging unstructured electronic medical record notes to derive population-specific suicide risk models. Psychiatry Res. 2022;315:114703. [PubMed] [DOI] |
| 23. | Zhu E, Sheng Q, Yang H, Liu Y, Cai T, Li J. A unified framework of medical information annotation and extraction for Chinese clinical text. Artif Intell Med. 2023;142:102573. [PubMed] [DOI] |
| 24. | You Y, Lai X, Pan Y, Zheng H, Vera J, Liu S, Deng S, Zhang L. Artificial intelligence in cancer target identification and drug discovery. Signal Transduct Target Ther. 2022;7:156. [PubMed] [DOI] |
| 25. | Ji S, Feng L, Fu Z, Wu G, Wu Y, Lin Y, Lu D, Song Y, Cui P, Yang Z, Sang C, Song G, Cai S, Li Y, Lin H, Zhang S, Wang X, Qiu S, Zhang X, Hua G, Li J, Zhou J, Dai Z, Wang X, Ding L, Wang P, Gao D, Zhang B, Rodriguez H, Fan J, Clevers H, Zhou H, Sun Y, Gao Q. Pharmaco-proteogenomic characterization of liver cancer organoids for precision oncology. Sci Transl Med. 2023;15:eadg3358. [PubMed] [DOI] |
| 26. | Liu Z, Liu L, Weng S, Guo C, Dang Q, Xu H, Wang L, Lu T, Zhang Y, Sun Z, Han X. Machine learning-based integration develops an immune-derived lncRNA signature for improving outcomes in colorectal cancer. Nat Commun. 2022;13:816. [PubMed] [DOI] |
| 27. | Wang L, Liu Z, Liang R, Wang W, Zhu R, Li J, Xing Z, Weng S, Han X, Sun YL. Comprehensive machine-learning survival framework develops a consensus model in large-scale multicenter cohorts for pancreatic cancer. Elife. 2022;11:e80150. [PubMed] [DOI] |
| 28. | Liu Z, Guo C, Dang Q, Wang L, Liu L, Weng S, Xu H, Lu T, Sun Z, Han X. Integrative analysis from multi-center studies identities a consensus machine learning-derived lncRNA signature for stage II/III colorectal cancer. EBioMedicine. 2022;75:103750. [PubMed] [DOI] |
| 29. | Xu H, Liu Z, Weng S, Dang Q, Ge X, Zhang Y, Ren Y, Xing Z, Chen S, Zhou Y, Ren J, Han X. Artificial intelligence-driven consensus gene signatures for improving bladder cancer clinical outcomes identified by multi-center integration analysis. Mol Oncol. 2022;16:4023-4042. [PubMed] [DOI] |
| 30. | Argelaguet R, Arnol D, Bredikhin D, Deloro Y, Velten B, Marioni JC, Stegle O. MOFA+: a statistical framework for comprehensive integration of multi-modal single-cell data. Genome Biol. 2020;21:111. [PubMed] [DOI] |
| 31. | Horiuchi Y, Aoyama K, Tokai Y, Hirasawa T, Yoshimizu S, Ishiyama A, Yoshio T, Tsuchida T, Fujisaki J, Tada T. Convolutional Neural Network for Differentiating Gastric Cancer from Gastritis Using Magnified Endoscopy with Narrow Band Imaging. Dig Dis Sci. 2020;65:1355-1363. [PubMed] [DOI] |
| 32. | Nagao S, Tsuji Y, Sakaguchi Y, Takahashi Y, Minatsuki C, Niimi K, Yamashita H, Yamamichi N, Seto Y, Tada T, Koike K. Highly accurate artificial intelligence systems to predict the invasion depth of gastric cancer: efficacy of conventional white-light imaging, nonmagnifying narrow-band imaging, and indigo-carmine dye contrast imaging. Gastrointest Endosc. 2020;92:866-873.e1. [PubMed] [DOI] |
| 33. | Dong Z, Wang J, Li Y, Deng Y, Zhou W, Zeng X, Gong D, Liu J, Pan J, Shang R, Xu Y, Xu M, Zhang L, Zhang M, Tao X, Zhu Y, Du H, Lu Z, Yao L, Wu L, Yu H. Explainable artificial intelligence incorporated with domain knowledge diagnosing early gastric neoplasms under white light endoscopy. NPJ Digit Med. 2023;6:64. [PubMed] [DOI] |
| 34. | Gong EJ, Bang CS, Lee JJ, Baik GH, Lim H, Jeong JH, Choi SW, Cho J, Kim DY, Lee KB, Shin SI, Sigmund D, Moon BI, Park SC, Lee SH, Bang KB, Son DS. Deep learning-based clinical decision support system for gastric neoplasms in real-time endoscopy: development and validation study. Endoscopy. 2023;55:701-708. [PubMed] [DOI] |
| 35. | Yuan XL, Zhou Y, Liu W, Luo Q, Zeng XH, Yi Z, Hu B. Artificial intelligence for diagnosing gastric lesions under white-light endoscopy. Surg Endosc. 2022;36:9444-9453. [PubMed] [DOI] |
| 36. | Wu L, Zhou W, Wan X, Zhang J, Shen L, Hu S, Ding Q, Mu G, Yin A, Huang X, Liu J, Jiang X, Wang Z, Deng Y, Liu M, Lin R, Ling T, Li P, Wu Q, Jin P, Chen J, Yu H. A deep neural network improves endoscopic detection of early gastric cancer without blind spots. Endoscopy. 2019;51:522-531. [PubMed] [DOI] |
| 37. | Min JK, Kwak MS, Cha JM. Overview of Deep Learning in Gastrointestinal Endoscopy. Gut Liver. 2019;13:388-393. [PubMed] [DOI] |
| 38. | Tang D, Wang L, Jiang J, Liu Y, Ni M, Fu Y, Guo H, Wang Z, An F, Zhang K, Hu Y, Zhan Q, Xu G, Zou X. A Novel Deep Learning System for Diagnosing Early Esophageal Squamous Cell Carcinoma: A Multicenter Diagnostic Study. Clin Transl Gastroenterol. 2021;12:e00393. [PubMed] [DOI] |
| 39. | Okagawa Y, Abe S, Yamada M, Oda I, Saito Y. Artificial Intelligence in Endoscopy. Dig Dis Sci. 2022;67:1553-1572. [PubMed] [DOI] |
| 40. | Hossain E, Rana R, Higgins N, Soar J, Barua PD, Pisani AR, Turner K. Natural Language Processing in Electronic Health Records in relation to healthcare decision-making: A systematic review. Comput Biol Med. 2023;155:106649. [PubMed] [DOI] |
| 41. | Sloan P, Clatworthy P, Simpson E, Mirmehdi M. Automated Radiology Report Generation: A Review of Recent Advances. IEEE Rev Biomed Eng. 2025;18:368-387. [PubMed] [DOI] |
| 42. | Mahmood U, Shukla-Dave A, Chan HP, Drukker K, Samala RK, Chen Q, Vergara D, Greenspan H, Petrick N, Sahiner B, Huo Z, Summers RM, Cha KH, Tourassi G, Deserno TM, Grizzard KT, Näppi JJ, Yoshida H, Regge D, Mazurchuk R, Suzuki K, Morra L, Huisman H, Armato SG, Hadjiiski L. Artificial intelligence in medicine: mitigating risks and maximizing benefits via quality assurance, quality control, and acceptance testing. BJR Artif Intell. 2024;1:ubae003. [PubMed] [DOI] |
| 44. | Yu F, Moehring A, Banerjee O, Salz T, Agarwal N, Rajpurkar P. Heterogeneity and predictors of the effects of AI assistance on radiologists. Nat Med. 2024;30:837-849. [PubMed] [DOI] |
| 45. | Zhang L, Zhang Y, Wang L, Wang J, Liu Y. Diagnosis of gastric lesions through a deep convolutional neural network. Dig Endosc. 2021;33:788-796. [PubMed] [DOI] |
| 46. | Ikenoyama Y, Hirasawa T, Ishioka M, Namikawa K, Yoshimizu S, Horiuchi Y, Ishiyama A, Yoshio T, Tsuchida T, Takeuchi Y, Shichijo S, Katayama N, Fujisaki J, Tada T. Detecting early gastric cancer: Comparison between the diagnostic ability of convolutional neural networks and endoscopists. Dig Endosc. 2021;33:141-150. [PubMed] [DOI] |
| 47. | Noda H, Kaise M, Higuchi K, Koizumi E, Yoshikata K, Habu T, Kirita K, Onda T, Omori J, Akimoto T, Goto O, Iwakiri K, Tada T. Convolutional neural network-based system for endocytoscopic diagnosis of early gastric cancer. BMC Gastroenterol. 2022;22:237. [PubMed] [DOI] |
| 48. | He X, Wu L, Dong Z, Gong D, Jiang X, Zhang H, Ai Y, Tong Q, Lv P, Lu B, Wu Q, Yuan J, Xu M, Yu H. Real-time use of artificial intelligence for diagnosing early gastric cancer by magnifying image-enhanced endoscopy: a multicenter diagnostic study (with videos). Gastrointest Endosc. 2022;95:671-678.e4. [PubMed] [DOI] |
| 49. | Goto A, Kubota N, Nishikawa J, Ogawa R, Hamabe K, Hashimoto S, Ogihara H, Hamamoto Y, Yanai H, Miura O, Takami T. Cooperation between artificial intelligence and endoscopists for diagnosing invasion depth of early gastric cancer. Gastric Cancer. 2023;26:116-122. [PubMed] [DOI] |
| 50. | Zhang B, Zhang W, Yao H, Qiao J, Zhang H, Song Y. A study on the improvement in the ability of endoscopists to diagnose gastric neoplasms using an artificial intelligence system. Front Med (Lausanne). 2024;11:1323516. [PubMed] [DOI] |
| 51. | Niikura R, Aoki T, Shichijo S, Yamada A, Kawahara T, Kato Y, Hirata Y, Hayakawa Y, Suzuki N, Ochi M, Hirasawa T, Tada T, Kawai T, Koike K. Artificial intelligence versus expert endoscopists for diagnosis of gastric cancer in patients who have undergone upper gastrointestinal endoscopy. Endoscopy. 2022;54:780-784. [PubMed] [DOI] |
| 52. | Gao Y, Wen P, Liu Y, Sun Y, Qian H, Zhang X, Peng H, Gao Y, Li C, Gu Z, Zeng H, Hong Z, Wang W, Yan R, Hu Z, Fu H. Application of artificial intelligence in the diagnosis of malignant digestive tract tumors: focusing on opportunities and challenges in endoscopy and pathology. J Transl Med. 2025;23:412. [PubMed] [DOI] |
| 53. | Lu MY, Chen B, Williamson DFK, Chen RJ, Liang I, Ding T, Jaume G, Odintsov I, Le LP, Gerber G, Parwani AV, Zhang A, Mahmood F. A visual-language foundation model for computational pathology. Nat Med. 2024;30:863-874. [PubMed] [DOI] |
| 54. | Ajani JA, D'Amico TA, Bentrem DJ, Chao J, Cooke D, Corvera C, Das P, Enzinger PC, Enzler T, Fanta P, Farjah F, Gerdes H, Gibson MK, Hochwald S, Hofstetter WL, Ilson DH, Keswani RN, Kim S, Kleinberg LR, Klempner SJ, Lacy J, Ly QP, Matkowskyj KA, McNamara M, Mulcahy MF, Outlaw D, Park H, Perry KA, Pimiento J, Poultsides GA, Reznik S, Roses RE, Strong VE, Su S, Wang HL, Wiesner G, Willett CG, Yakoub D, Yoon H, McMillian N, Pluchino LA. Gastric Cancer, Version 2.2022, NCCN Clinical Practice Guidelines in Oncology. J Natl Compr Canc Netw. 2022;20:167-192. [PubMed] [DOI] |
| 55. | Niazi MKK, Parwani AV, Gurcan MN. Digital pathology and artificial intelligence. Lancet Oncol. 2019;20:e253-e261. [PubMed] [DOI] |
| 56. | Hu W, Li C, Li X, Rahaman MM, Ma J, Zhang Y, Chen H, Liu W, Sun C, Yao Y, Sun H, Grzegorzek M. GasHisSDB: A new gastric histopathology image dataset for computer aided diagnosis of gastric cancer. Comput Biol Med. 2022;142:105207. [PubMed] [DOI] |
| 57. | Baxi V, Edwards R, Montalto M, Saha S. Digital pathology and artificial intelligence in translational medicine and clinical practice. Mod Pathol. 2022;35:23-32. [PubMed] [DOI] |
| 58. | Ba W, Wang S, Shang M, Zhang Z, Wu H, Yu C, Xing R, Wang W, Wang L, Liu C, Shi H, Song Z. Assessment of deep learning assistance for the pathological diagnosis of gastric cancer. Mod Pathol. 2022;35:1262-1268. [PubMed] [DOI] |
| 59. | Tan Y, Feng LJ, Huang YH, Xue JW, Feng ZB, Long LL. Development and validation of a Radiopathomics model based on CT scans and whole slide images for discriminating between Stage I-II and Stage III gastric cancer. BMC Cancer. 2024;24:368. [PubMed] [DOI] |
| 60. | Huang B, Tian S, Zhan N, Ma J, Huang Z, Zhang C, Zhang H, Ming F, Liao F, Ji M, Zhang J, Liu Y, He P, Deng B, Hu J, Dong W. Accurate diagnosis and prognosis prediction of gastric cancer using deep learning on digital pathological images: A retrospective multicentre study. EBioMedicine. 2021;73:103631. [PubMed] [DOI] |
| 61. | Veldhuizen GP, Röcken C, Behrens HM, Cifci D, Muti HS, Yoshikawa T, Arai T, Oshima T, Tan P, Ebert MP, Pearson AT, Calderaro J, Grabsch HI, Kather JN. Deep learning-based subtyping of gastric cancer histology predicts clinical outcome: a multi-institutional retrospective study. Gastric Cancer. 2023;26:708-720. [PubMed] [DOI] |
| 62. | Liu Z, Su W, Ao J, Wang M, Jiang Q, He J, Gao H, Lei S, Nie J, Yan X, Guo X, Zhou P, Hu H, Ji M. Instant diagnosis of gastroscopic biopsy via deep-learned single-shot femtosecond stimulated Raman histology. Nat Commun. 2022;13:4050. [PubMed] [DOI] |
| 63. | Lu MY, Chen B, Williamson DFK, Chen RJ, Zhao M, Chow AK, Ikemura K, Kim A, Pouli D, Patel A, Soliman A, Chen C, Ding T, Wang JJ, Gerber G, Liang I, Le LP, Parwani AV, Weishaupt LL, Mahmood F. A multimodal generative AI copilot for human pathology. Nature. 2024;634:466-473. [PubMed] [DOI] |
| 64. | Chen RJ, Ding T, Lu MY, Williamson DFK, Jaume G, Song AH, Chen B, Zhang A, Shao D, Shaban M, Williams M, Oldenburg L, Weishaupt LL, Wang JJ, Vaidya A, Le LP, Gerber G, Sahai S, Williams W, Mahmood F. Towards a general-purpose foundation model for computational pathology. Nat Med. 2024;30:850-862. [PubMed] [DOI] |
| 65. | Chen D, Chen G, Jiang W, Fu M, Liu W, Sui J, Xu S, Liu Z, Zheng X, Chi L, Lin D, Li K, Chen W, Zuo N, Lu J, Chen J, Li G, Zhuo S, Yan J. Association of the Collagen Signature in the Tumor Microenvironment With Lymph Node Metastasis in Early Gastric Cancer. JAMA Surg. 2019;154:e185249. [PubMed] [DOI] |
| 66. | Wang X, Chen Y, Gao Y, Zhang H, Guan Z, Dong Z, Zheng Y, Jiang J, Yang H, Wang L, Huang X, Ai L, Yu W, Li H, Dong C, Zhou Z, Liu X, Yu G. Predicting gastric cancer outcome from resected lymph node histopathology images using deep learning. Nat Commun. 2021;12:1637. [PubMed] [DOI] |
| 67. | Muti HS, Röcken C, Behrens HM, Löffler CML, Reitsam NG, Grosser B, Märkl B, Stange DE, Jiang X, Velduizen GP, Truhn D, Ebert MP, Grabsch HI, Kather JN. Deep learning trained on lymph node status predicts outcome from gastric cancer histopathology: a retrospective multicentric study. Eur J Cancer. 2023;194:113335. [PubMed] [DOI] |
| 68. | Hu Y, Su F, Dong K, Wang X, Zhao X, Jiang Y, Li J, Ji J, Sun Y. Deep learning system for lymph node quantification and metastatic cancer identification from whole-slide pathology images. Gastric Cancer. 2021;24:868-877. [PubMed] [DOI] |
| 69. | Zhang Y, Yuan N, Zhang Z, Du J, Wang T, Liu B, Yang A, Lv K, Ma G, Lei B. Unsupervised domain selective graph convolutional network for preoperative prediction of lymph node metastasis in gastric cancer. Med Image Anal. 2022;79:102467. [PubMed] [DOI] |
| 70. | Zhang F, Chen H, Luo D, Xiong Z, Li X, Yin S, Jin L, Chen S, Peng J, Lian L. Lymphovascular or perineural invasion is associated with lymph node metastasis and survival outcomes in patients with gastric cancer. Cancer Med. 2023;12:9401-9408. [PubMed] [DOI] |
| 71. | Lee J, Cha S, Kim J, Kim JJ, Kim N, Jae Gal SG, Kim JH, Lee JH, Choi YD, Kang SR, Song GY, Yang DH, Lee JH, Lee KH, Ahn S, Moon KM, Noh MG. Ensemble Deep Learning Model to Predict Lymphovascular Invasion in Gastric Cancer. Cancers (Basel). 2024;16:430. [PubMed] [DOI] |
| 72. | Han Y, Zhang P, Gong Y, Song L. Development and clinical applications of liquid biopsy assays in cancer screening. Transl Cancer Res. 2025;14:3846-3859. [PubMed] [DOI] |
| 73. | Liu Z, Weng S, Dang Q, Xu H, Ren Y, Guo C, Xing Z, Sun Z, Han X. Gene interaction perturbation network deciphers a high-resolution taxonomy in colorectal cancer. Elife. 2022;11:e81114. [PubMed] [DOI] |
| 74. | Majumder S, Chen L, Marinov O, Chen CH, Mondal T, Deen MJ. Noncontact Wearable Wireless ECG Systems for Long-Term Monitoring. IEEE Rev Biomed Eng. 2018;11:306-321. [PubMed] [DOI] |
| 75. | Wallace MB, Sharma P, Bhandari P, East J, Antonelli G, Lorenzetti R, Vieth M, Speranza I, Spadaccini M, Desai M, Lukens FJ, Babameto G, Batista D, Singh D, Palmer W, Ramirez F, Palmer R, Lunsford T, Ruff K, Bird-Liebermann E, Ciofoaia V, Arndtz S, Cangemi D, Puddick K, Derfus G, Johal AS, Barawi M, Longo L, Moro L, Repici A, Hassan C. Impact of Artificial Intelligence on Miss Rate of Colorectal Neoplasia. Gastroenterology. 2022;163:295-304.e5. [PubMed] [DOI] |
| 76. | Nie Y, Gao X, Cai X, Wu Z, Liang Q, Xu G, Liu N, Gao P, Deng J, Xu H, Shen Z, Cao C, Chen F, Zhang N, Song Y, Sun M, Liu C, Zhou G, Han W, Dou J, Xie H, Yao L, Liu Z, Ji G, Wang X, Zhao Q, Shang L, Fan D, Han X, Ren J, Liang H, Wang Z, Wang J, Wu Q, Yu J, Wu K; MAGIS Study Group. Combining methylated SEPTIN9 and RNF180 plasma markers for diagnosis and early detection of gastric cancer. Cancer Commun (Lond). 2023;43:1275-1279. [PubMed] [DOI] |
| 77. | Bang CS, Ahn JY, Kim JH, Kim YI, Choi IJ, Shin WG. Establishing Machine Learning Models to Predict Curative Resection in Early Gastric Cancer with Undifferentiated Histology: Development and Usability Study. J Med Internet Res. 2021;23:e25053. [PubMed] [DOI] |
| 78. | Yun HR, Huh CW, Jung DH, Lee G, Son NH, Kim JH, Youn YH, Park JC, Shin SK, Lee SK, Lee YC. Machine Learning Improves the Prediction Rate of Non-Curative Resection of Endoscopic Submucosal Dissection in Patients with Early Gastric Cancer. Cancers (Basel). 2022;14:3742. [PubMed] [DOI] |
| 79. | Kim SH, Kwon T, Choi HS, Kim C, Won S, Jeon HJ, Kim ES, Keum B, Jeen YT, Hwang JH, Chun HJ. Robot-assisted gastric endoscopic submucosal dissection significantly improves procedure time at challenging dissection locations. Surg Endosc. 2024;38:2280-2287. [PubMed] [DOI] |
| 80. | Yang XX, Fu SC, Ji R, Li LX, Li YQ, Zuo XL. A novel flexible auxiliary single-arm transluminal endoscopic robot facilitates endoscopic submucosal dissection of gastric lesions (with video). Surg Endosc. 2022;36:5510-5517. [PubMed] [DOI] |
| 81. | 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] |
| 82. | Zhu H, Wang G, Zheng J, Zhu H, Huang J, Luo E, Hu X, Wei Y, Wang C, Xu A, He X. Preoperative prediction for lymph node metastasis in early gastric cancer by interpretable machine learning models: A multicenter study. Surgery. 2022;171:1543-1551. [PubMed] [DOI] |
| 83. | Spolverato G, Ejaz A, Kim Y, Squires MH, Poultsides GA, Fields RC, Schmidt C, Weber SM, Votanopoulos K, Maithel SK, Pawlik TM. Rates and patterns of recurrence after curative intent resection for gastric cancer: a United States multi-institutional analysis. J Am Coll Surg. 2014;219:664-675. [PubMed] [DOI] |
| 84. | Huang W, Wang C, Wang Y, Yu Z, Wang S, Yang J, Lu S, Zhou C, Wu E, Chen J. Predicting malnutrition in gastric cancer patients using computed tomography(CT) deep learning features and clinical data. Clin Nutr. 2024;43:881-891. [PubMed] [DOI] |
| 85. | Zhang W, Fang M, Dong D, Wang X, Ke X, Zhang L, Hu C, Guo L, Guan X, Zhou J, Shan X, Tian J. Development and validation of a CT-based radiomic nomogram for preoperative prediction of early recurrence in advanced gastric cancer. Radiother Oncol. 2020;145:13-20. [PubMed] [DOI] |
| 86. | Gong S, Li X, Tian H, Song S, Lu T, Jing W, Huang X, Xu Y, Wang X, Zhao K, Yang K, Guo T. Clinical efficacy and safety of robotic distal gastrectomy for gastric cancer: a systematic review and meta-analysis. Surg Endosc. 2022;36:2734-2748. [PubMed] [DOI] |
| 87. | Li ZY, Zhou YB, Li TY, Li JP, Zhou ZW, She JJ, Hu JK, Qian F, Shi Y, Tian YL, Gao GM, Gao RZ, Liang CC, Shi FY, Yang K, Wen Y, Zhao YL, Yu PW; Robotic, Laparoscopic Surgery Committee of Chinese Research Hospital Association. Robotic Gastrectomy Versus Laparoscopic Gastrectomy for Gastric Cancer: A Multicenter Cohort Study of 5402 Patients in China. Ann Surg. 2023;277:e87-e95. [PubMed] [DOI] |
| 88. | Tokunaga M, Sugisawa N, Kondo J, Tanizawa Y, Bando E, Kawamura T, Terashima M. Early phase II study of robot-assisted distal gastrectomy with nodal dissection for clinical stage IA gastric cancer. Gastric Cancer. 2014;17:542-547. [PubMed] [DOI] |
| 89. | Muaddi H, Hafid ME, Choi WJ, Lillie E, de Mestral C, Nathens A, Stukel TA, Karanicolas PJ. Clinical Outcomes of Robotic Surgery Compared to Conventional Surgical Approaches (Laparoscopic or Open): A Systematic Overview of Reviews. Ann Surg. 2021;273:467-473. [PubMed] [DOI] |
| 90. | Deng J, Zhang W, Xu M, Zhou J. Imaging advances in efficacy assessment of gastric cancer neoadjuvant chemotherapy. Abdom Radiol (NY). 2023;48:3661-3676. [PubMed] [DOI] |
| 91. | Schmäche T, Fohgrub J, Klimova A, Laaber K, Drukewitz S, Merboth F, Hennig A, Seidlitz T, Herbst F, Baenke F, Ada AM, Groß T, Wenzel C, Ball CR, Praetorius C, Schmidt T, Ringelband-Schilling B, Koschny R, Stenzinger A, Roeder I, Jaeger D, Zeissig S, Welsch T, Aust D, Glimm H, Folprecht G, Weitz J, Haag GM, Stange DE. Stratifying esophago-gastric cancer treatment using a patient-derived organoid-based threshold. Mol Cancer. 2024;23:10. [PubMed] [DOI] |
| 92. | Hu C, Chen W, Li F, Zhang Y, Yu P, Yang L, Huang L, Sun J, Chen S, Shi C, Sun Y, Ye Z, Yuan L, Chen J, Wei Q, Xu J, Xu H, Tong Y, Bao Z, Huang C, Li Y, Du Y, Xu Z, Cheng X. Deep learning radio-clinical signatures for predicting neoadjuvant chemotherapy response and prognosis from pretreatment CT images of locally advanced gastric cancer patients. Int J Surg. 2023;109:1980-1992. [PubMed] [DOI] |
| 93. | Zhang J, Cui Y, Wei K, Li Z, Li D, Song R, Ren J, Gao X, Yang X. Deep learning predicts resistance to neoadjuvant chemotherapy for locally advanced gastric cancer: a multicenter study. Gastric Cancer. 2022;25:1050-1059. [PubMed] [DOI] |
| 94. | Wang W, Peng Y, Feng X, Zhao Y, Seeruttun SR, Zhang J, Cheng Z, Li Y, Liu Z, Zhou Z. Development and Validation of a Computed Tomography-Based Radiomics Signature to Predict Response to Neoadjuvant Chemotherapy for Locally Advanced Gastric Cancer. JAMA Netw Open. 2021;4:e2121143. [PubMed] [DOI] |
| 95. | Zhong H, Wang T, Hou M, Liu X, Tian Y, Cao S, Li Z, Han Z, Liu G, Sun Y, Meng C, Li Y, Jiang Y, Ji Q, Hao D, Liu Z, Zhou Y. Deep Learning Radiomics Nomogram Based on Enhanced CT to Predict the Response of Metastatic Lymph Nodes to Neoadjuvant Chemotherapy in Locally Advanced Gastric Cancer. Ann Surg Oncol. 2024;31:421-432. [PubMed] [DOI] |
| 96. | 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] |
| 97. | Chen Y, Jia K, Sun Y, Zhang C, Li Y, Zhang L, Chen Z, Zhang J, Hu Y, Yuan J, Zhao X, Li Y, Gong J, Dong B, Zhang X, Li J, Shen L. Predicting response to immunotherapy in gastric cancer via multi-dimensional analyses of the tumour immune microenvironment. Nat Commun. 2022;13:4851. [PubMed] [DOI] |
| 98. | de Visser KE, Joyce JA. The evolving tumor microenvironment: From cancer initiation to metastatic outgrowth. Cancer Cell. 2023;41:374-403. [PubMed] [DOI] |
| 99. | Morihiro T, Kuroda S, Kanaya N, Kakiuchi Y, Kubota T, Aoyama K, Tanaka T, Kikuchi S, Nagasaka T, Nishizaki M, Kagawa S, Tazawa H, Fujiwara T. PD-L1 expression combined with microsatellite instability/CD8+ tumor infiltrating lymphocytes as a useful prognostic biomarker in gastric cancer. Sci Rep. 2019;9:4633. [PubMed] [DOI] |
| 100. | Gulley JL, Schlom J, Barcellos-Hoff MH, Wang XJ, Seoane J, Audhuy F, Lan Y, Dussault I, Moustakas A. Dual inhibition of TGF-β and PD-L1: a novel approach to cancer treatment. Mol Oncol. 2022;16:2117-2134. [PubMed] [DOI] |
| 101. | Pomponio R, Tang Q, Mei A, Caron A, Coulibaly B, Theilhaber J, Rogers-Grazado M, Sanicola-Nadel M, Naimi S, Olfati-Saber R, Combeau C, Pollard J, Lin TT, Wang R. An integrative approach of digital image analysis and transcriptome profiling to explore potential predictive biomarkers for TGFβ blockade therapy. Acta Pharm Sin B. 2022;12:3594-3601. [PubMed] [DOI] |
| 102. | Chen Y, Sun Z, Chen W, Liu C, Chai R, Ding J, Liu W, Feng X, Zhou J, Shen X, Huang S, Xu Z. The Immune Subtypes and Landscape of Gastric Cancer and to Predict Based on the Whole-Slide Images Using Deep Learning. Front Immunol. 2021;12:685992. [PubMed] [DOI] |
| 103. | Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, Verlingue L, Brandao D, Lancia A, Ammari S, Hollebecque A, Scoazec JY, Marabelle A, Massard C, Soria JC, Robert C, Paragios N, Deutsch E, Ferté C. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol. 2018;19:1180-1191. [PubMed] [DOI] |
| 104. | Jiang Y, Zhang Z, Wang W, Huang W, Chen C, Xi S, Ahmad MU, Ren Y, Sang S, Xie J, Wang JY, Xiong W, Li T, Han Z, Yuan Q, Xu Y, Xing L, Poultsides GA, Li G, Li R. Biology-guided deep learning predicts prognosis and cancer immunotherapy response. Nat Commun. 2023;14:5135. [PubMed] [DOI] |
| 105. | Rugge M. Big Data on Gastric Dysplasia Support Gastric Cancer Prevention. Clin Gastroenterol Hepatol. 2022;20:1226-1228. [PubMed] [DOI] |
| 106. | Arai J, Aoki T, Sato M, Niikura R, Suzuki N, Ishibashi R, Tsuji Y, Yamada A, Hirata Y, Ushiku T, Hayakawa Y, Fujishiro M. Machine learning-based personalized prediction of gastric cancer incidence using the endoscopic and histologic findings at the initial endoscopy. Gastrointest Endosc. 2022;95:864-872. [PubMed] [DOI] |
| 107. | Yuan L, Yang L, Zhang S, Xu Z, Qin J, Shi Y, Yu P, Wang Y, Bao Z, Xia Y, Sun J, He W, Chen T, Chen X, Hu C, Zhang Y, Dong C, Zhao P, Wang Y, Jiang N, Lv B, Xue Y, Jiao B, Gao H, Chai K, Li J, Wang H, Wang X, Guan X, Liu X, Zhao G, Zheng Z, Yan J, Yu H, Chen L, Ye Z, You H, Bao Y, Cheng X, Zhao P, Wang L, Zeng W, Tian Y, Chen M, You Y, Yuan G, Ruan H, Gao X, Xu J, Xu H, Du L, Zhang S, Fu H, Cheng X. Development of a tongue image-based machine learning tool for the diagnosis of gastric cancer: a prospective multicentre clinical cohort study. EClinicalMedicine. 2023;57:101834. [PubMed] [DOI] |
| 108. | Qiu B, Zheng Y, Liu S, Song R, Wu L, Lu C, Yang X, Wang W, Liu Z, Cui Y. Multitask Deep Learning Based on Longitudinal CT Images Facilitates Prediction of Lymph Node Metastasis and Survival in Chemotherapy-Treated Gastric Cancer. Cancer Res. 2025;85:2527-2536. [PubMed] [DOI] |
| 109. | Horie Y, Yoshio T, Aoyama K, Yoshimizu S, Horiuchi Y, Ishiyama A, Hirasawa T, Tsuchida T, Ozawa T, Ishihara S, Kumagai Y, Fujishiro M, Maetani I, Fujisaki J, Tada T. Diagnostic outcomes of esophageal cancer by artificial intelligence using convolutional neural networks. Gastrointest Endosc. 2019;89:25-32. [PubMed] [DOI] |
| 110. | Nakagawa K, Ishihara R, Aoyama K, Ohmori M, Nakahira H, Matsuura N, Shichijo S, Nishida T, Yamada T, Yamaguchi S, Ogiyama H, Egawa S, Kishida O, Tada T. Classification for invasion depth of esophageal squamous cell carcinoma using a deep neural network compared with experienced endoscopists. Gastrointest Endosc. 2019;90:407-414. [PubMed] [DOI] |
| 111. | Wu L, Shang R, Sharma P, Zhou W, Liu J, Yao L, Dong Z, Yuan J, Zeng Z, Yu Y, He C, Xiong Q, Li Y, Deng Y, Cao Z, Huang C, Zhou R, Li H, Hu G, Chen Y, Wang Y, He X, Zhu Y, Yu H. Effect of a deep learning-based system on the miss rate of gastric neoplasms during upper gastrointestinal endoscopy: a single-centre, tandem, randomised controlled trial. Lancet Gastroenterol Hepatol. 2021;6:700-708. [PubMed] [DOI] |
| 112. | Zhou R, Liu J, Zhang C, Zhao Y, Su J, Niu Q, Liu C, Guo Z, Cui Z, Zhong X, Zhao W, Li J, Zhang X, Wang H, Sun S, Ma R, Chen X, Xu X, Zhu Y, Li Z, Zuo X, Li Y. Efficacy of a real-time intelligent quality-control system for the detection of early upper gastrointestinal neoplasms: a multicentre, single-blinded, randomised controlled trial. EClinicalMedicine. 2024;75:102803. [PubMed] [DOI] |
| 113. | Bencze J, Szarka M, Kóti B, Seo W, Hortobágyi TG, Bencs V, Módis LV, Hortobágyi T. Comparison of Semi-Quantitative Scoring and Artificial Intelligence Aided Digital Image Analysis of Chromogenic Immunohistochemistry. Biomolecules. 2021;12:19. [PubMed] [DOI] |
| 114. | Kapil A, Spitzmüller A, Brieu N, Haneder S, Shumilov A, Meier A, Cecchi F, Barkell A, Harder N, Mittermaier K, Hidalgo-Sastre A, Alleze R, Schick M, Schmidt G, Sade H, Tsuchihashi Z, Suto F, Gustavson M, Barrett JC, Carroll D. HER2 quantitative continuous scoring for accurate patient selection in HER2 negative trastuzumab deruxtecan treated breast cancer. Sci Rep. 2024;14:12129. [PubMed] [DOI] |
| 115. | Su F, Li J, Zhao X, Wang B, Hu Y, Sun Y, Ji J. Interpretable tumor differentiation grade and microsatellite instability recognition in gastric cancer using deep learning. Lab Invest. 2022;102:641-649. [PubMed] [DOI] |
| 116. | Jiang Z, Xie W, Zhou X, Pan W, Jiang S, Zhang X, Zhang M, Zhang Z, Lu Y, Wang D. A virtual biopsy study of microsatellite instability in gastric cancer based on deep learning radiomics. Insights Imaging. 2023;14:104. [PubMed] [DOI] |
| 117. | Sun Y, Puspanathan P, Lim T, Lin D. Advances and challenges in gastric cancer testing: the role of biomarkers. Cancer Biol Med. 2025;22:212-230. [PubMed] [DOI] |
| 118. | Lei ZN, Teng QX, Tian Q, Chen W, Xie Y, Wu K, Zeng Q, Zeng L, Pan Y, Chen ZS, He Y. Signaling pathways and therapeutic interventions in gastric cancer. Signal Transduct Target Ther. 2022;7:358. [PubMed] [DOI] |
| 119. | Ajani JA, D'Amico TA, Almhanna K, Bentrem DJ, Chao J, Das P, Denlinger CS, Fanta P, Farjah F, Fuchs CS, Gerdes H, Gibson M, Glasgow RE, Hayman JA, Hochwald S, Hofstetter WL, Ilson DH, Jaroszewski D, Johung KL, Keswani RN, Kleinberg LR, Korn WM, Leong S, Linn C, Lockhart AC, Ly QP, Mulcahy MF, Orringer MB, Perry KA, Poultsides GA, Scott WJ, Strong VE, Washington MK, Weksler B, Willett CG, Wright CD, Zelman D, McMillian N, Sundar H. Gastric Cancer, Version 3.2016, NCCN Clinical Practice Guidelines in Oncology. J Natl Compr Canc Netw. 2016;14:1286-1312. [PubMed] [DOI] |
| 120. | Sato Y, Okamoto K, Kawano Y, Kasai A, Kawaguchi T, Sagawa T, Sogabe M, Miyamoto H, Takayama T. Novel Biomarkers of Gastric Cancer: Current Research and Future Perspectives. J Clin Med. 2023;12:4646. [PubMed] [DOI] |
| 121. | Cai Q, Zhu C, Yuan Y, Feng Q, Feng Y, Hao Y, Li J, Zhang K, Ye G, Ye L, Lv N, Zhang S, Liu C, Li M, Liu Q, Li R, Pan J, Yang X, Zhu X, Li Y, Lao B, Ling A, Chen H, Li X, Xu P, Zhou J, Liu B, Du Z, Du Y, Li Z; Gastrointestinal Early Cancer Prevention & Treatment Alliance of China (GECA). Development and validation of a prediction rule for estimating gastric cancer risk in the Chinese high-risk population: a nationwide multicentre study. Gut. 2019;68:1576-1587. [PubMed] [DOI] |
| 122. | Chen Y, Wang B, Zhao Y, Shao X, Wang M, Ma F, Yang L, Nie M, Jin P, Yao K, Song H, Lou S, Wang H, Yang T, Tian Y, Han P, Hu Z. Metabolomic machine learning predictor for diagnosis and prognosis of gastric cancer. Nat Commun. 2024;15:1657. [PubMed] [DOI] |
| 123. | Mori H, Suzuki H, Matsuzaki J, Kameyama K, Igarashi K, Masaoka T, Kanai T. Development of plasma ghrelin level as a novel marker for gastric mucosal atrophy after Helicobacter pylori eradication. Ann Med. 2022;54:170-180. [PubMed] [DOI] |
| 124. | Mejía-Guarnizo LV, Monroy-Camacho PS, Rincón-Rodríguez DE, Rincón-Riveros A, Martinez-Vargas DA, Huertas-Caro CA, Oliveros-Wilches R, Sanchez-Pedraza R, Nuñez-Lemus M, Cristancho-Lievano CF, Castellanos-Moreno AM, Martinez-Correa LM, Rodríguez-García JA. Soluble HLA-G (sHLA-G) measurement might be useful as an early diagnostic biomarker and screening test for gastric cancer. Sci Rep. 2023;13:13119. [PubMed] [DOI] |
| 125. | Janjigian YY, Kawazoe A, Yañez P, Li N, Lonardi S, Kolesnik O, Barajas O, Bai Y, Shen L, Tang Y, Wyrwicz LS, Xu J, Shitara K, Qin S, Van Cutsem E, Tabernero J, Li L, Shah S, Bhagia P, Chung HC. The KEYNOTE-811 trial of dual PD-1 and HER2 blockade in HER2-positive gastric cancer. Nature. 2021;600:727-730. [PubMed] [DOI] |
| 126. | Catenacci DVT, Kang YK, Yoon HH, Shim BY, Kim ST, Oh DY, Spira AI, Ulahannan SV, Avery EJ, Boland PM, Chao J, Chung HC, Gardner F, Klempner SJ, Lee KW, Oh SC, Peguero J, Sonbol MB, Shen L, Moehler M, Sun J, Li D, Rosales MK, Park H. Margetuximab with retifanlimab as first-line therapy in HER2+/PD-L1+ unresectable or metastatic gastroesophageal adenocarcinoma: MAHOGANY cohort A. ESMO Open. 2022;7:100563. [PubMed] [DOI] |
| 127. | Janjigian YY, Kawazoe A, Bai Y, Xu J, Lonardi S, Metges JP, Yanez P, Wyrwicz LS, Shen L, Ostapenko Y, Bilici M, Chung HC, Shitara K, Qin SK, Van Cutsem E, Tabernero J, Li K, Shih CS, Bhagia P, Rha SY; KEYNOTE-811 Investigators. Pembrolizumab plus trastuzumab and chemotherapy for HER2-positive gastric or gastro-oesophageal junction adenocarcinoma: interim analyses from the phase 3 KEYNOTE-811 randomised placebo-controlled trial. Lancet. 2023;402:2197-2208. [PubMed] [DOI] |
| 128. | Tabernero J, Shen L, Elimova E, Ku G, Liu T, Shitara K, Lin X, Boyken L, Li H, Grim J, Ajani J. HERIZON-GEA-01: Zanidatamab + chemo ± tislelizumab for 1L treatment of HER2-positive gastroesophageal adenocarcinoma. Future Oncol. 2022;18:3255-3266. [PubMed] [DOI] |
| 129. | Cheong JH, Wang SC, Park S, Porembka MR, Christie AL, Kim H, Kim HS, Zhu H, Hyung WJ, Noh SH, Hu B, Hong C, Karalis JD, Kim IH, Lee SH, Hwang TH. Development and validation of a prognostic and predictive 32-gene signature for gastric cancer. Nat Commun. 2022;13:774. [PubMed] [DOI] |
| 130. | Zhang Z, He T, Huang L, Li J, Wang P. Immune gene prognostic signature for disease free survival of gastric cancer: Translational research of an artificial intelligence survival predictive system. Comput Struct Biotechnol J. 2021;19:2329-2346. [PubMed] [DOI] |
| 131. | Wei T, Yuan X, Gao R, Johnston L, Zhou J, Wang Y, Kong W, Xie Y, Zhang Y, Xu D, Yu Z. Survival prediction of stomach cancer using expression data and deep learning models with histopathological images. Cancer Sci. 2023;114:690-701. [PubMed] [DOI] |
| 132. | Cai WY, Dong ZN, Fu XT, Lin LY, Wang L, Ye GD, Luo QC, Chen YC. Identification of a Tumor Microenvironment-relevant Gene set-based Prognostic Signature and Related Therapy Targets in Gastric Cancer. Theranostics. 2020;10:8633-8647. [PubMed] [DOI] |
| 133. | de Jongh C, Triemstra L, van der Veen A, Brosens LAA, Luyer MDP, Stoot JHMB, Ruurda JP, van Hillegersberg R; LOGICA Study Group. Pattern of lymph node metastases in gastric cancer: a side-study of the multicenter LOGICA-trial. Gastric Cancer. 2022;25:1060-1072. [PubMed] [DOI] |
| 134. | Yang Y, Ma Y, Xiang X, Xing P, Wu Y, Zhang L, Tian Y. The prognostic value of the lymph node ratio for local advanced gastric cancer patients with intensity-modulated radiation therapy and concurrent chemotherapy after radical gastrectomy in China. Radiat Oncol. 2020;15:237. [PubMed] [DOI] |
| 135. | Jin C, Jiang Y, Yu H, Wang W, Li B, Chen C, Yuan Q, Hu Y, Xu Y, Zhou Z, Li G, Li R. Deep learning analysis of the primary tumour and the prediction of lymph node metastases in gastric cancer. Br J Surg. 2021;108:542-549. [PubMed] [DOI] |
| 136. | Lee HD, Nam KH, Shin CM, Lee HS, Chang YH, Yoon H, Park YS, Kim N, Lee DH, Ahn SH, Kim HH. Development and Validation of Models to Predict Lymph Node Metastasis in Early Gastric Cancer Using Logistic Regression and Gradient Boosting Machine Methods. Cancer Res Treat. 2023;55:1240-1249. [PubMed] [DOI] |
| 137. | Kim SM, Min BH, Ahn JH, Jung SH, An JY, Choi MG, Sohn TS, Bae JM, Kim S, Lee H, Lee JH, Kim YW, Ryu KW, Kim JJ, Lee JH. Nomogram to predict lymph node metastasis in patients with early gastric cancer: a useful clinical tool to reduce gastrectomy after endoscopic resection. Endoscopy. 2020;52:435-443. [PubMed] [DOI] |
| 138. | Kudo SE, Misawa M, Mori Y, Hotta K, Ohtsuka K, Ikematsu H, Saito Y, Takeda K, Nakamura H, Ichimasa K, Ishigaki T, Toyoshima N, Kudo T, Hayashi T, Wakamura K, Baba T, Ishida F, Inoue H, Itoh H, Oda M, Mori K. Artificial Intelligence-assisted System Improves Endoscopic Identification of Colorectal Neoplasms. Clin Gastroenterol Hepatol. 2020;18:1874-1881.e2. [PubMed] [DOI] |
| 139. | Keeling P, Clark J, Finucane S. Challenges in the clinical implementation of precision medicine companion diagnostics. Expert Rev Mol Diagn. 2020;20:593-599. [PubMed] [DOI] |
| 140. | Athieniti E, Spyrou GM. A guide to multi-omics data collection and integration for translational medicine. Comput Struct Biotechnol J. 2023;21:134-149. [PubMed] [DOI] |
| 141. | Duan R, Gao L, Gao Y, Hu Y, Xu H, Huang M, Song K, Wang H, Dong Y, Jiang C, Zhang C, Jia S. Evaluation and comparison of multi-omics data integration methods for cancer subtyping. PLoS Comput Biol. 2021;17:e1009224. [PubMed] [DOI] |
| 142. | Idkowiak J, Dehairs J, Schwarzerová J, Olešová D, Truong JXM, Kvasnička A, Eftychiou M, Cools R, Spotbeen X, Jirásko R, Veseli V, Giampà M, de Laat V, Butler LM, Weckwerth W, Friedecký D, Demeulemeester J, Hron K, Swinnen JV, Holčapek M. Best practices and tools in R and Python for statistical processing and visualization of lipidomics and metabolomics data. Nat Commun. 2025;16:8714. [PubMed] [DOI] |
| 143. | Gimeno M, Sada Del Real K, Rubio A. Precision oncology: a review to assess interpretability in several explainable methods. Brief Bioinform. 2023;24:bbad200. [PubMed] [DOI] |
| 144. | Wallisch C, Bach P, Hafermann L, Klein N, Sauerbrei W, Steyerberg EW, Heinze G, Rauch G; topic group 2 of the STRATOS initiative. Review of guidance papers on regression modeling in statistical series of medical journals. PLoS One. 2022;17:e0262918. [PubMed] [DOI] |
| 145. | Raptis S, Ilioudis C, Theodorou K. From pixels to prognosis: unveiling radiomics models with SHAP and LIME for enhanced interpretability. Biomed Phys Eng Express. 2024;10. [PubMed] [DOI] |
| 146. | Sathyan A, Weinberg AI, Cohen K. Interpretable AI for bio-medical applications. Complex Eng Syst. 2022;2:18. [PubMed] [DOI] |
| 147. | Cao R, Ning L, Zhou C, Wei P, Ding Y, Tan D, Zheng C. CFANet: Context Feature Fusion and Attention Mechanism Based Network for Small Target Segmentation in Medical Images. Sensors (Basel). 2023;23:8739. [PubMed] [DOI] |
| 148. | Chouffani El Fassi S, Abdullah A, Fang Y, Natarajan S, Masroor AB, Kayali N, Prakash S, Henderson GE. Author Correction: Not all AI health tools with regulatory authorization are clinically validated. Nat Med. 2024;30:3381. [PubMed] [DOI] |
| 149. | Cross JL, Choma MA, Onofrey JA. Bias in medical AI: Implications for clinical decision-making. PLOS Digit Health. 2024;3:e0000651. [PubMed] [DOI] |
学科分类: 胃肠病学和肝病学
手稿来源地: 山东省
同行评议报告学术质量分类
A级 (优秀): 0
B级 (非常好): B, B
C级 (良好): C
D级 (一般): 0
E级 (差): 0
科学编辑: 刘继红 制作编辑:张砚梁