胃癌的发病率和病死率在全球均位居第5位。内镜检查作为一种重要的胃癌早期筛查手段，具有较高的灵敏度和准确度，能够有效降低胃癌的发病率和病死率。然而，传统内镜检查仍存在一定的局限性，尤其是在早期胃癌和进展期胃癌（AGC）的检测方面，假阴性结果时有发生，且内镜医师的经验差异可能导致诊断准确度出现波动。研究表明，传统内镜检测胃癌的准确度通常为69%~79%，而AI则可以通过辅助检测和诊断显著提高胃癌的发现率和诊断精度。

1．AI在早期胃癌中的应用：

早期胃癌由于病变较小且与正常胃黏膜差异微弱，传统内镜检查往往难以识别。AI在此领域表现出显著优势，尤其在帮助内镜医师识别微小病变方面。例如，在白光内镜图像的应用中，2022年Yuan等开发了一种AI系统，通过回顾性收集8 947例患者的29809张图像（包括早期胃癌、晚期胃癌、黏膜下肿瘤、息肉、消化性溃疡、糜烂和无病变胃黏膜的图像）用来训练和测试该系统，该系统诊断早期胃癌的总体准确度为93.5%，与具有10年以上工作经验内镜医师的诊断能力相当。该AI系统还可将高级和初级内镜医师对早期胃癌的诊断准确度分别提高至94.9%和94.1%。同年，Feng等开发了一种卷积神经网络（CNN）模型，并收集了3400张早期胃癌图像和8600张胃良性病变图像用来训练该模型，该模型在内部测试集中诊断灵敏度和准确度分别为88.08%和88.60%，高于内镜医师；而在外部测试集中，该模型的诊断灵敏度和特异度分别为92.08%和92.05%，高于所有内镜医师；准确度则为92.07%，高于具有2年内镜工作经验的医师。

该研究虽然局限于白光内镜下的静态图像，但其分析了模型假阳性和假阴性诊断的原因，如黏液、出血和幽门螺杆菌感染等因素，对于未来AI辅助内镜诊断工作提供了经验和方向。Yao等开发了名为"早期胃癌-YOLO（You-Only-Look-Once）"的AI模型并使用了1653例患者的40000余张胃镜图像进行训练，在外部测试集2中该模型的准确度、灵敏度和特异度分别为84.41%、92.21%和95.22%，这一结果证明了该模型具有快速、准确、高效检测早期胃癌的能力。同时，该研究在训练集中使用了不同分辨率的图像来模拟临床中遇到的各种非高质量图像，使得研究结果更加贴合临床实际，可以通过进一步前瞻性研究来验证该模型在未来临床工作中的可靠程度和应用价值。2024年，Kim等建立了一个CNN模型并使用了2606例患者的10181张白光内镜图像来检测和分类良性胃病变、癌前病变和恶性肿瘤，结果证明该模型对早期胃癌的检出率为100.00%，特异度、灵敏度和准确度分别为71.22%、67.20%和60.83%。这些研究均表明，AI能够显著提高白光内镜图像下早期胃癌的检出率，特别是在有3年以下工作经验的低年资内镜医师的操作中有助于发现肉眼难以识别的早期病变。

白光内镜虽然最常用于临床工作中，但其存在难以区分黏膜细微变化的局限性，而图像增强内镜可以通过窄带成像或蓝色激光成像技术增强胃黏膜血管和腺体的结构特征，提高诊断准确性。例如，2021年Ueyama等使用水浸技术建立并训练了一个CNN模型，该模型在窄带成像放大内镜图像中的准确度、灵敏度和特异度分别为98.7%、98.0%和100.0%，优于有3年工作经验的内镜医师，同时其诊断灵敏度也高于具有10年工作经验的内镜医师，但设备的高成本和对内镜医师的严格培训要求限制了其应用。2022年He等首次开发了一个名为"ENDOANGEL-MM"的多模态深度学习模型，用于识别白光内镜和弱放大内镜双模态模式下的胃肿瘤，在该模型的协助下，内镜医师表现出更高的诊断准确度和灵敏度。该研究为后续AI模型的构建提供了新的方法和思路，未来可以通过增加多中心数据减少偏倚风险。

此外，在实时内镜检测与诊断的应用中，2019年Luo等开发了一种实时胃肠道AI诊断系统并使用1036496张白光内镜图像训练该系统，结果显示其诊断准确度为91.5%~97.7%，灵敏度为94.2%，仅比专业内镜医师低0.3%，在上消化道癌症的诊断中展现了显著的潜力。同年Wu等也建立了一个实时AI辅助诊断模型，该模型检测早期胃癌的准确度、灵敏度和特异度分别为92.5%、94.0%和91.0%，同时该模型还能主动跟踪上消化道内镜检查中的可疑癌变并监测盲点，表现优于内镜医师。2023年，Dong等开发了一个名为"AIENDOANGEL-ED"的可解释AI模型，并使用3279例患者的内镜图像和296个局灶性病变视频进行了训练和测试，结果发现AIENDOANGEL-ED在图像和视频测试中均表现良好，且准确度高于内镜医师。相较于传统的AI模型，这种高性能、可解释的实时AI模型不仅能提高内镜医师的诊断能力，还具有很高的临床可信度和接受度。

AI模型可以帮助内镜医师在临床操作中进行早期病变的诊断，通过早诊断、早治疗极大地降低胃癌的病死率，具有巨大的应用潜力（表1）。

2．AI在AGC中的应用：

与早期胃癌不同，AGC通常病灶较大，且肿瘤侵袭性较强，因此，在图像识别中相对容易检测，AI模型的深度学习算法则能进一步优化AGC的诊断精度。例如，2021年Zhang等开发的CNN模型使用了普通白光图像来区分正常胃黏膜、消化性溃疡、胃黏膜下肿瘤、早期胃癌和AGC等5种胃部病变，该模型对5种病变的诊断特异度和阳性预测值均高于具有8年以上内镜诊断经验的内镜医师，准确度则接近于内镜医师水平，显示了AI在胃部病变辨识中的巨大潜力。然而，该研究为单中心、回顾性设计，且仅使用白光静态图像作为输入数据，缺乏动态视频、增强成像等多模态数据，模型在复杂临床环境中的泛化能力尚不明确。此外，该模型未进行外部验证，临床推广仍需谨慎评估。2023年Gong等开发了实时深度学习临床决策支持系统，该系统对非肿瘤、异型增生、早期胃癌和AGC的分类准确度为89.7%，对黏膜局限和黏膜下层浸润病变的分类准确度为89.2%，这展现了AI在临床决策辅助中的潜力。然而，模型在实际应用中仍面临诸多挑战，如数据输入质量控制、不同内镜设备间的一致性问题、医师接受度等因素。此外，该研究未涉及AI输出可解释性评估，限制了其在高风险临床场景中的信任基础。

AI在AGC的诊疗中有极大的应用潜力，不仅能够显著提高癌症早期诊断率，还能在治疗决策、转移检测、浸润深度评估、治疗反应预测等方面提供重要支持。然而，目前许多研究多为小样本、回顾性，缺乏前瞻性、多中心临床研究验证，需通过开展多中心、前瞻性研究，结合多模态数据，强化AI模型的可解释性等推动AI在精准分型、治疗路径制定和预后评估方面发挥更大的临床效益，从而促进胃癌的精准医学诊疗发展。

3．AI在胃癌浸润深度预测中的应用：

AI不仅能够辅助早期胃癌和AGC的检测与诊断，还能够预测胃癌的浸润深度，进而指导治疗决策。2019年Zhu等开发了能够预测胃癌侵袭深度的CNN模型，发现其准确度和特异度分别为17.25%和32.21%，均高于内镜医师，但该模型仍存在性能瓶颈，且数据来源局限于单一机构，代表性不足。2020年Nagao等利用CNN模型和16 557张图像建立了3种不同的AI模型来预测胃癌浸润深度，包括常规白光成像、窄带成像和靛蓝胭脂红染料对比成像，该研究在成像策略多样性方面提供了有益探索，未来可为临床医师提供更准确的信息，尤其是在难以明确诊断的胃癌病例中。但其缺乏独立外部验证，且仅使用静态图像，难以覆盖真实内镜操作中的图像噪声与动态信息。2023年Goto等通过深度学习技术设计了AI分类器来区分临床上较难鉴别的黏膜内癌和黏膜下癌，该分类器的准确度、灵敏度、特异度分别为77%、76%、78%，通过内镜医师与AI分类器的合作可以大大提高早期胃癌浸润深度的诊断能力，这对治疗策略的选择和预后判断具有重要意义，能够帮助内镜医师评估肿瘤的侵袭深度，从而为患者提供个体化治疗方案。2024年，Chen等使用数据增强和YOLO方法开发的AI模型来解决早期胃癌的分期问题，结果发现该模型可以准确区分黏膜（T1a）和黏膜下层（T1b）病变并有效替代超声内镜和CT，为未来评估肿瘤浸润深度提供快速、经济且准确的方法，同时该模型还能协助医师在实时内镜检查中决定是否切除病灶。未来可通过开发新的算法来提高其准确性和适用的广泛性。

AI能从海量的医学影像数据中学习到有助于预测浸润深度的特征，从而辅助内镜医师准确评估肿瘤的浸润深度并制定个体化治疗方案，但目前多数研究存在样本量不足、模型训练与临床使用脱节、缺乏多中心验证等问题，未来需从这些方向进行优化。

4．AI在胃癌治疗与预后中的应用：

AI在胃癌的治疗中同样展现了巨大潜力，在预测治疗效果和预后方面，Jiang等于2023年通过结合深度学习和组学方法建立了影像学模型，可以对胃癌进行无创的肿瘤微环境评估，并预测不同治疗方案的反应。Chen等于2024年通过机器学习分析建立了胃癌代谢组学诊断模型，发现其灵敏度高达90.5%，远高于传统胃癌蛋白质标志物（灵敏度<40%）。这些研究表明，AI不仅能在治疗决策和预后预测中提供支持，还能够推动精准医学的发展，提高胃癌患者的治疗效果和生存率。AI在胃癌的早期筛查、诊断、浸润深度预测和治疗效果预测中具有广泛的应用潜力。通过深度学习和大数据分析，AI能够有效提升早期胃癌的检出率，并帮助内镜医师识别复杂病变。在AGC中，AI不仅能够精确分类不同类型的病变，还能准确预测肿瘤的侵袭深度，为个体化治疗提供支持。随着技术的不断进步，AI将成为胃癌诊断和治疗中不可或缺的工具，推动精准医学的实现，并为患者提供更好的预后和治疗效果。

Correa的级联反应说明胃癌是慢性发展过程，逐步从健康黏膜、慢性非萎缩性胃炎、慢性萎缩性胃炎、肠化生、异型增生发展到胃癌，因此，胃癌前病变是胃癌发生、发展的关键中间环节，早期识别和干预这些病变对于阻断其进展至胃癌具有重要意义。AI特别是深度学习技术正逐渐成为辅助识别胃癌前病变的有力工具，在提高筛查效率、统一诊断标准、优化治疗策略方面展现出巨大潜力。

2020年Guimarães等开发了辅助诊断慢性萎缩性胃炎的深度学习模型，该模型准确度达93%（受试者操作特征曲线的曲线下面积为0.98，F评分为0.93），能够在不依赖高质量图像的情况下有效工作，并能很好地处理低质量图像，但该研究训练集规模较小，需要更大规模的验证数据来进一步评估其可靠性。2020年Zhang等开发了CNN-慢性萎缩性胃炎预测模型，通过收集胃窦图像来诊断萎缩性胃炎，该模型的诊断准确度、灵敏度和特异度分别为94.2%、94.5%和94.0%，均高于具有5年以上胃镜操作经验的内镜医师。2021年Lin等开发了CNN模型，通过使用来自多中心的白光内镜图像来训练该模型以识别胃黏膜萎缩和肠化生，识别胃黏膜萎缩的灵敏度、特异度和准确度分别为96.2%、96.4%和96.4%，识别肠化生的灵敏度、特异度和准确度分别为97.9%、97.5%和97.6%，取得了较高的诊断准确性。同年Xu等开发了实时检测胃黏膜萎缩和肠化生的深度CNN模型，通过回顾性静态图像和前瞻性连续视频证明了该模型在诊断胃癌前病变方面具有较高的准确性，与有5年以上胃镜操作经验的内镜医师相似。2024年Tao等构建了基于Kimura-Takemoto分类的AI系统，该系统能够评估所有胃黏膜来确定每个胃部位的黏膜萎缩程度并进行内镜风险分层。同年，Si等设计了机器学习模型，通过对人类胃液样本的表面增强拉曼光谱进行机器学习来区分胃部病变的不同阶段，该模型可以准确识别慢性非萎缩性胃炎、慢性萎缩性胃炎的不同亚型与肠化生，为快速、经济、高效和微创的胃病诊断提供了新的可能性。

AI在胃癌前病变的诊断中展现了巨大潜力，尤其是当病变程度较轻、难以通过常规检查来识别的早期胃黏膜萎缩与肠化生，AI特别是基于深度学习的图像识别模型能够自动检测胃黏膜的微小病理改变，在胃黏膜萎缩、肠化生等胃癌前病变的筛查中取得显著进展。此外，AI还可整合患者的临床资料（如年龄、性别、幽门螺杆菌感染状态、家族史等）与多模态图像数据，建立风险预测模型，实现高风险人群的精准识别与随访策略优化，从而在提升胃癌早诊率和治愈率方面发挥核心作用（表2）。然而，AI在辅助胃癌前病变诊断应用中仍面临一些挑战：首先，目前许多研究基于单中心、小规模数据集，尽管结果显示有一定前景，但由于往往使用有限的样本量进行验证，可能会导致过度拟合AI算法的风险。因此，使用外部数据集(最好是多中心数据集)验证深度学习系统对于确保更稳健和令人信服的结果至关重要，同时视频数据集也可作为实时病变诊断的训练资源。其次，目前大多数研究通常只单独解决一项任务，如病变的识别与检测、分期或预后预测。因此，可以通过开发多模态算法同时学习和分析来自各种医学知识的信息，这种多模态算法或许会推动AI在医学领域的重大进步。此外，还需要进一步提高AI模型的透明度和可解释性，以增强医师对AI诊断结果的信任。

AI在胃癌前病变的识别和诊断中展现出广阔的应用前景。通过提高诊断准确性、标准化诊断流程、辅助医师决策和提高筛查效率，AI有望成为胃癌早期防控的重要工具。未来需要加强多中心、大样本的临床研究，完善AI模型的可解释性和临床适应性，以推动AI在胃癌前病变诊断中的广泛应用。

胃良性占位性病变约占上消化道病变的62.5%，主要包括胃息肉、胃平滑肌瘤、胃脂肪瘤、异位胰腺和血管瘤，也有一些胃占位性病变如胃间质瘤、神经内分泌肿瘤等具有恶变倾向，因此，早期识别和诊断对于临床治疗决策至关重要。

2020年Minoda等设计了用于超声内镜下的AI辅助诊断系统，该系统对最大径≥20 mm胃黏膜下病变的诊断效能良好，其准确度、灵敏度和特异度分别为90.0%、91.7%和83.3%，但研究为单中心设计，且样本量较小，所纳入图像的质量和操作标准未明确定义，限制了模型在多中心、多设备环境下的可推广性。2022年Hirai等开发了能有效区分上消化道上皮下病变（包括胃间质瘤、平滑肌瘤、神经鞘瘤、神经内分泌肿瘤和异位胰腺）的AI模型，该模型区分间质瘤与非间质瘤的灵敏度、特异度和准确度分别为98.8%、67.6%和89.3%，其中灵敏度和准确度甚至高于内镜操作年限超过10年的内镜医师。这是一项将AI应用于常见上消化道上皮下病变的多类别分类的研究，证明了AI将有助于内镜医师的诊断和治疗决策。然而，该模型训练数据集中病变分布比例不均，且未设立独立的外部验证集，降低了其在不同医疗场景下的适应性。2022年Yang等开发了AI辅助超声内镜诊断系统，该系统可以有效提高超声内镜和内镜医师鉴别胃间质瘤与胃平滑肌瘤的准确性。同年Tanaka等评估了AI在超声造影剂增强谐波内镜检查中区分胃平滑肌瘤与胃间质瘤的效能，发现AI诊断胃间质瘤的灵敏度、特异度和准确度分别为90.5%、90.9%和90.6%，对胃间质瘤和平滑肌瘤的诊断能力与专业超声医师相仿。尽管该系统显现出与医师的高度一致性，但未明确其在低质量图像、非典型病灶中的识别能力，也未分析AI模型在多品牌超声设备间的性能表现。2023年，Zhu等开发了名为MMP-AI的系统来识别隆起型良性胃病灶，该系统可以对白光内镜和超声内镜下的图像进行识别和分析，其分类胃间质瘤、胃平滑肌瘤和胃异位胰腺的受试者操作特征曲线的曲线下面积分别为0.896、0.890和0.999，诊断和鉴别胃黏膜下病变的表现优于具有5年以上内镜诊断经验的医师。该系统创新性地融合了多模态图像输入，适合多种临床情境，但目前尚缺乏其在实时内镜操作中的嵌入模式与交互界面相关的研究。

AI在胃良性黏膜下病变的识别、分型和风险评估方面展现出良好的辅助能力，可以实现自动化病变检测、差异化诊断、恶性风险评估、手术决策支持及随访监测与复发预测，帮助医师提高诊断精度，加快治疗决策过程并优化治疗方案（表3）。然而，现有研究多聚焦于静态图像分析，尚未充分解决图像动态变化、边界模糊、病变罕见等情境下的识别难题。未来可从提升模型普适性、提高模型临床实时辅助决策能力，以及与病理、影像、基因等多源数据融合等方面进行研究。

尽管AI在胃占位性病变的诊断、治疗和管理中取得了显著进展，但在实际应用过程中，AI仍然面临一些挑战和不足。

1．数据质量和数据标注问题：

AI的性能往往依赖于大量高质量的标注数据，数据的标注质量会直接影响模型的训练和预测结果。然而，胃占位性病变的数据集往往存在标注不一致的问题，尤其对于影像学数据，医师的主观判断、影像质量差异和解读偏差均可能导致标注误差。此外，由于胃癌和其他胃部疾病的早期表现不够显著，相关数据难以收集，使得AI模型难以获得足够的数据来训练和提高精度。数据的偏差和质量问题也可能限制AI模型的广泛应用和效果。

2．算法的泛化能力：

现有的AI模型主要是在特定的数据集上进行训练和验证，这使得其泛化能力存在一定局限性。即使AI在某一特定地区或医院的胃部疾病诊断中表现良好，当模型被应用到其他不同地区或不同人群时仍可能会出现性能不足的问题。这种现象称为"模型的泛化不足"。胃部疾病的发生和发展与地理、种族、饮食习惯、环境等因素密切相关，这些变量可能影响AI模型的效果。例如，基于中国患者群体开发的AI模型可能在欧美患者中表现不佳，反之亦然。

3．算法的可解释性问题：

深度学习等复杂的AI算法虽然在胃部疾病的诊断中取得了优异的成绩，但其"黑盒"特性导致很多算法的决策过程变得模糊，缺乏足够的可解释性。临床医师可能难以理解AI模型做出诊断的具体原因，这限制了其临床应用，特别是在高风险的胃部疾病(如胃癌)诊断过程中，医师往往需要进一步验证AI给出的结果。如果AI模型的决策过程无法被清晰解释，将可能影响医师对其推荐治疗方案的信任度。

4．临床数据的缺乏和跨学科合作的障碍：

尽管AI在医学领域的发展迅速，但临床数据的获取仍是瓶颈问题。尤其是在胃部疾病的早期诊断和治疗中缺乏大规模、长期的患者数据集，特别是包含多种数据类型(如影像学、基因组学信息和生活方式数据等)的综合数据集。这些数据的缺乏导致AI算法的训练受到限制，难以全面考虑胃部疾病的多维因素。此外，AI的成功应用需要医师、数据科学家和计算机工程师的紧密合作，但在实际操作中，跨学科团队之间的沟通和合作常常存在障碍，影响了AI的研究与转化应用。

5．伦理和隐私问题：

AI在胃部疾病中的应用可能涉及大量的患者个人数据，特别是敏感的健康信息和医疗记录。在收集和处理这些数据时，隐私保护成为重要问题。尽管许多国家和地区已制定相关法律法规来保护患者隐私，但在实际操作中，如何平衡技术创新与隐私保护仍然是挑战。数据泄露或使用不当可能会引发严重的伦理问题，影响患者的信任度和AI的接受度。

6．临床适用性和落地难题：

尽管AI在胃部疾病的影像学诊断中取得了初步成功，但其在临床环境中的普及和实际应用仍面临挑战。许多AI模型需要复杂的硬件设备和高性能计算平台，而这些设备在部分医疗机构中并不普及。此外，医师在日常工作中如何有效地与AI系统进行协作，也是重要问题。目前，许多AI系统仍然只能作为辅助工具，未能完全融入临床工作流中，限制了其应用范围和效果。

7．AI模型的更新与适应性：

随着胃占位性病变诊疗的不断进展，新的治疗方案和诊断技术不断涌现。现有的AI模型往往在训练后需要定期更新，以适应新的临床实践。然而，AI模型的更新需要大量的新数据进行再训练，且更新的过程较为复杂。如果没有及时的更新和适应，AI模型可能会失去其临床应用价值，影响患者的诊疗效果。未来AI需在以上几个方面进一步发展和完善。

近年来，AI在医学领域中广泛应用，尤其是在胃占位性病变的诊断、治疗和管理中取得了显著进展。AI通过高效的数据处理和模式识别能力，不仅提升了胃占位性病变的早期诊断率，还在个体化治疗和长期管理中发挥了重要作用。AI能够通过分析胃镜图像、CT、磁共振成像等影像学数据准确识别癌变区域，辅助医师提高诊疗效率；能够通过大数据分析预测个体罹患胃癌的风险并基于患者的遗传信息、病史和生活习惯提供个体化风险评估；能够帮助患者制定个体化治疗方案并分析不同治疗方案的潜在效果，提供决策支持；能够实时监测治疗过程并评估患者的反应，及时调整治疗策略，优化治疗效果。此外，AI还可以实现对胃占位性病变患者的长期管理与随访，通过远程监控和智能设备，AI可以实时跟踪患者的病情变化。例如，AI可以分析胃癌患者的影像学数据，判断肿瘤的生长速度，为随访提供重要依据。

AI在胃占位性病变的诊断、治疗和管理中展现出巨大的潜力。随着技术的不断进步，AI将在提升早期诊断率、优化治疗效果和个体化管理方面发挥越来越重要的作用。然而，AI的临床应用仍面临诸多挑战，如数据质量、隐私保护、伦理问题等。未来，随着技术的优化、跨学科合作的加强和临床验证的深入，AI将在胃部疾病的诊断中发挥更大的作用。

转自：消化科空间