2022人工智能技术在胃癌诊疗中的应用与进展.docx

2022人工智能技术在胃癌诊疗中的应用与进展（全文）摘要人工智能（AI）是生物医学领域过去十年中发展最快的新技术领域之一 以影像组学、机器学习和深度神经网络等为代表的AI技术，因其能从医 学资料中高通量地获取特征信息、分析特征数据并挖掘揭示数据与医疗结 果之间的潜在联系，愈发被研究者青睐胃癌在我国具有较高的发病率和 死亡率，而将AI技术和内镜、影像、病理及测序分析等相结合的检查手 段，已经在胃癌的辅助诊断、疾病分期和预后以及疗效预测等方面取得了 重要的进展AI在医疗行业中的应用极大提升了高通量数据的有效利用率， 加速了疾病诊疗的智能化进程，但同时也在医学伦理、患者隐私和医疗 AI的法律主体地位等方面产生了许多问题未来，合理地规划和管理AI 技术，有望为推动医学发展及重塑医疗行业提供强大的动力胃癌的总体治疗效果不佳，在全球范围内都有着较高的发病率和死亡率［1］ 导致胃癌患者预后不佳的主要原因是胃癌较强的肿瘤异质性，而当前常见 的影像学和病理学检查手段受到检查精度的限制，也只能在组织学水平上 为临床医师提供治疗依据［2］人工智能（artificial IntelligenAI）是 在理解、分析和表达数据时，具备模拟人类认知的计算机系统。

近年来， AI已广泛应用于医学领域，其中以机器学习和深度学习等为代表的AI技 术，更是在医学图像识别领域表现出了超越人类科学家的数据分析能力， 具备在未来辅助临床医师实现个性化医疗的潜力［3-4］基于以上背景，本 文将就AI在胃癌治疗领域与内镜、影像学检查、病理诊断、测序分析等 方式上的应用和评价效果做相应的综述一、AI与内镜检查的结合在当前的临床实践中，胃癌的标准诊断方式为内镜检查，包括白光内镜、 放大内镜、放大内镜联合窄带成像技术（magnifying endoscopy with narrow-band imaging ，ME-NBI ）和超声内镜等早期胃癌患者总体生 存率（90%）明显优于进展期胃癌（25%~30%），故胃镜检查中准确识别早期胃癌和癌前病变并进行正确的分类，对改善胃癌患者的总体预后具有 重要的临床价值［5-6］然而，目前人工胃镜检查的方法存在很多缺陷，前 期研究发现，内镜的误诊率可达7.2%，其中73%是由于检查者的主观错 误所致，而对于经验不足的检查者其漏诊率可达到20%~40%［7-8］其具 体原因可归纳为以下几点：（1）与进展期胃癌相比，早期胃癌缺乏典型的 大体改变，在形态学分类上如浅表隆起型（0~ Ha）和浅表平坦型（0~ II 。

又十分近似，即使富有经验的内镜医生也可能出现诊断失误的情况；（2） 胃是一个弯曲的管腔状器官，在解剖学上存在生理盲点（包括贲门小弯侧 及后壁、胃体小弯侧下部和胃体大弯侧等），检查过程中可能遗漏在这些 区域的病变［9］AI与内镜相结合在胃癌治疗中主要提供辅助早期识别、 鉴别诊断和浸润深度预测的功能1. 内镜检查与胃癌的早期识别：在胃癌的早期识别中，最常见的内镜检查 方法是白光内镜°Sakai等［10］使用926张经过数据增强的胃镜检查图片， 基于卷积神经网络（conventional neural network，CNN ）构建了一个 用于识别早期胃癌的检测模型，其准确率为87.6%，在验证数据集中的准 确率也能达到82.8% o Hirasawa等［11］在较大样本的数据集（来自2 639 个样本的13 584张胃镜检查图片）中进一步提升了 CNN模型的预测能 力，其检测早期胃癌的总体灵敏度达到92.2%，阳性预测值为30.6% ；而 在肿瘤直径>6 mm 的亚组中，病变的检测灵敏度更是达到了 98.6%（70/71）Luo等［12］设计的实时人工智能系统（gastrointestinal artificial intelligence diagnostic systemAIDS ）来自于 84 424 例 患者的1 036 496张胃镜图片，在内部验证组和外部验证组分别取得了 0.955、0.915~0.977的准确度，其诊断的敏感度与内镜专家类似（0.942 比0.945，P=0.692），显著优于普通内镜医生（0.858，P<0.0 1）和 内镜实习医生（0.722，P<0.0 1）。

Wu等［13-14］基于CNN和深度强 化学习的方法开发并改进的AI内镜诊断辅助系统（ENDOANGEL ），也同 样具有实时检测的能力，在多中心的临床试验中改进了内镜检查中盲点发 生率的情况2. 内镜检查与胃癌的鉴别诊断：对于胃癌的鉴别诊断，最具有临床应用价 值的内镜检查方法是ME-NBI技术，但此项技术高度依赖于内镜医生的阅 片经验°Ueyama等［15］设计的AI诊断辅助系统基于CNN模型，对5 574 张ME-NBI图片（3 797张早期胃癌，1 777张非癌性黏膜及病变）进行 了训练，在2 3张ME-NBI （ 1 430张早期胃癌，870张包括胃底腺黏 膜、幽门腺黏膜、斑片状发红、腺瘤、黄色瘤、局灶性萎缩和溃疡瘢痕等 非癌性黏膜病变）中的诊断准确度为0.987，敏感度、特异度、阳性预测 值、阴性预测值分别为0.980、1.0、1.0、0.968，阅片平均速度为 38.3 张/s（ 0.03 s涨）Horiuchi 等［16］使用 ME-NBI 技术获取的 1 492 张早期胃癌图片和1 078张胃炎图片进行CNN模型训练，在由151张早 期胃癌图片和107张胃炎图片组成的独立测试集中取得了 0.853的准确度， 其灵敏度、特异度、阳性预测值、阴性预测值分别为0.954、0.710、0.823、 0.917，平均阅片速度51.83张/s（0.02 s涨）。

随后，该研究者又将该诊 断系统与11名内镜医生的诊断能力进行比较，发现在图片和视频中AI的 准确度明显优于2名专家、低于1名专家，并与其他8名专家之间比较差 异无统计学意义［17］Zhang等［18］基于来自胃溃疡、早期胃癌和高级别 上皮内瘤变、进展期胃癌和胃黏膜下肿瘤以及正常胃黏膜等5种胃部状态 的21 217张检查图片设计的CNN网络；在由1 091张图片组成的验证 集中，对早期胃癌和高级别上皮内瘤变的诊断特异度和阳性预测值均优于 内镜医生（0.912比0.867； 0.554比0.417），而对各类型的诊断准确度 与内镜医师比较差异无统计学意义Li等［19］的研究回顾了 1 702张早期 胃癌图像和386张非癌病变图像用于CNN训练，然后前瞻性地收集了早 期胃癌和非癌病变图片各171张用于测试模型的能力，结果显示：该AI 诊断系统在鉴别早期胃癌的敏感度、特异度和准确度分别为0.912、0.906 和0.909虽然在诊断的特异性和准确性方面，该AI没模型与内镜专家组 之间比较差异无统计学意义，但是与非专家组相比则具有明显的优势3. 内镜检查与胃癌浸润深度的诊断：区分胃癌接受内镜下切除术或外科切除术的重要标准是肿瘤浸润深度，其中局限于黏膜内层(mucosal , M ) 和黏膜下侵犯＜5刖(SM1 )的癌症是内镜黏膜下剥离术(endoscopic submncosal dissection, ESD )的手术指征。

然而，内镜检查判断肿瘤 浸润深度的准确率较低，因此AI的介入有助于提升这方面的诊断能力［20］ Zhu等［21］利用790张胃癌内镜图片进行训练，并在另外203张中进行 CNN模型的验证，发现在判断浸润深度上模型的受试者曲线下面积(area under curve，AUC )为 0.940，在准确度(0.892 比 0.715 )和特异性(0.956 比0.633 )上明显优于内镜医师Cho等［22］使用2 899张内镜胃癌内镜 图片进行模型训练，发现AI对纠正真实世界的判断失误有一定的帮助二＞ AI与影像学检查的结合临床上胃癌常见的全身影像学检查方式包括CT、PET-CT和MRI等CT 扫描作为临床实践中经济快捷、简单高效的无创影像学检查方式，是我国 胃癌治疗前进行术前分期最主要的手段之一PET-CT能够为临床医师同 时提供肿瘤的精准定位信息和病灶代谢情况的可视化，能为术前分期和治 疗决策提供有力的帮助，然而因其价格高昂并不作为常规的检查方式使用 MRI在胃癌的临床诊疗的使用频率相对较低，但研究表明，使用扩散加权 成像(diffusion weighted imaging，DWI )的方法对转移淋巴结有较高 的识别率［23］。

AI与影像学检查方法主要在肿瘤分期、疗效评估、预后预 测以及基因组学方面相结合1. 影像学检查与胃癌的分期诊断：Zhang等［24］基于3家不同医院的160 个CT图像样本和来自公共数据集的201张CT增强图像，建立了可用于 肿瘤区域3D自动化分割和淋巴结转移分类的多任务学习网络（Multi-Task Learning Network）该 AI 模型执行分类任务 AUC 值、准 确率和特异度分别达到了 0.860、0.805和0.888，且AUC 值明显优于 multi-task FCN（ 0.86 比 0.785）、multi-task CNN （ 0.860 比 0.767） 和 CMSVNetIter （ 0.860 比 0.730）等 3 种现有的模型Dong 等［25］ 从来自国内外的6个研究中心中收集了 730例局部进展期胃癌（locally advanced gastric cancer，LAGC）患者的术前CT检查图像，基于CNN 方法构建了用于术前预测淋巴结转移数量的深度学习影像组学列线图（deep learning radiomic nomogram ，DLRN）模型；结果显示：DLRN 不仅在所有中心的队列中都能够很好的区分淋巴结转移的程度（训练集、 内部验证集和外部验证集的C-index值分别达到0.821,0.822和0.797）， 优于临床N分期方法并与患者总体生存率显著相关。

该研究者还完成了 一 项使用CT图像进行术前预测隐匿性腹膜转移的多中心研究（患者数量为 544例），构建了用于反映原发肿瘤特征的影像组学特征（RS1 ）和反映腹 膜转移特征的影像组学特征（RS2 ）;发现RS1、RS2和Lauren分型都是 隐匿性腹膜转移的显著预测因子（P < 0.05），且由这三个因素联合组建的 列线图模型，比单独使用RS1、RS2或临床因素（包括CT定义的轻度腹 水、Lauren分型和Borrmann 分型）建立的模型都表现出了更优的诊断 效能［26］2021年Jiang等［27］则在另一项涉及1 978例患者的大型多中 心回顾性研究中，建立了用于预测胃癌腹膜转移的深度卷积神经网络，在 外部验证集1和外部验证集2中AUC值分别为0.946和0.920，并显著优于常规的临床病理因素模型(AUC : 0.51~0.63)2. 影像学检查与胃癌的疗效及预后预测：除了应用于肿瘤分期，AI方法也 在预测胃癌患者的药物治疗效果和预后分析上发挥着重要的作用基于 214例胃癌患者的PET-CT检查图像，该研究者在2018年使用LASSO 回归的方法建立了用于预测无病生存期(DFS)、总生存期(OS)的列线 图模型和影像组学评分，同时证明影像组学评分较高的胃癌患者容易从化 疗中获益［28］。

随后，该研究者将前期研究所提出的免疫评分(immune score，IS)概念与LASSO方法相结合，在回顾1 778例患者的CT图像 资料的基础上，建立了用于术前无创预测胃癌患者免疫状态的影像组学免 疫评分(radiomics immune score，RIS)系统；在多因素分析中，RIS 是患者生存的独立预后因素(HR=0.339~0.605 ，P<0.3)，且评分较 高提示II期和111期胃癌患者更应该接受化疗［29-30］2021年该研究者利 用CNN模型，分析了 2 209例胃癌患者的CT图像并用于肿。