摘 要：早期胃癌的筛查是治疗胃癌的重要环节，随着人工智能技术的发展及应用，人类对早期胃癌预测愈发精准、检出率不断提高，这有利于早期胃癌的发现并及时治疗，可以有效的降低胃癌的病死率。因此，医工结合模式下的早期胃癌筛查是今后胃癌治疗一个新方向。

关键词：人工智能；医工结合；早期胃癌筛查；血清生物标志物

前言

胃癌是一种普遍存在的恶性肿瘤，对全球健康构成严重威胁，是全球发病率和死亡率的重要原因[1]，这可能与早期胃癌发现困难及晚期胃癌预后不相关。因此发现早期胃癌并及时治疗是降低胃癌死亡率的重要环节。早期胃癌通常没有特征性症状，胃癌治疗前期筛查手段贫乏，仅能通过病史特点、症状体征、流行病学特点等方式进行筛查，对早期胃癌检出率的灵敏度、特异度低。但近年来，全球早期胃癌筛查的临床和基础研究都取得了进展，早期胃癌的筛查不断手段增加，早期胃癌检出率也不断提高，目前早期胃癌的主要筛查方法包括影像学、血清学及内窥镜筛查，而随着人工智技术的发展并应用与早期胃癌的筛查，人类对早期胃癌的预测及检出愈发精准，甚至对胃癌治疗、预后亦有帮助[2]。因此，医工结合模式下的早期胃癌筛查是今后胃癌治疗的一个新方向。本文对当前人工智能在当前早期胃癌的筛查方法中的应用进展进行综述。

1.血清学检测中的应用

胃癌目前已成为威胁人类健康的重要疾病，它的发生发展绝非单因素作用的结果，幽门螺杆菌感染、环境、饮食、不良生活习惯、遗传因素等都可造成胃癌的发生。血清学标志物是针对某一机体内环境改变产生的应答产物，因其具有表达较稳定、简便、经济、易于管理而被患者广泛接受，对于早期胃癌的检测具有重要价值，可成为大规模早期胃癌筛查的重要手段。[3]传统的血清生物标志物主要有CEA、CA199、CA724等，但其检测胃癌，特别是早期胃癌方面的敏感度和特异度结果并不令人满意，甚至将其进行组合筛查后，它们的检验效能并没有显著提高。因此，随着医疗卫生意识的提高，传统的血清生物标志物检测已无法满足当前的医疗形势。随着胃癌研究的不断深入。多肽（PG、G-17、GCAA、TAA 等）、DNA（cfDNA、DNA 甲基化、MSI）、非编码 RNA（miRNA、lncRNA、circRNA 和 tsRNA）和循环肿瘤细胞等许多新型生物标志物[4]被发现并逐渐应用于胃肠道肿瘤的筛查，提高了胃癌筛查的灵敏度和特异度[5，6]。2017年，中国为制定适合中国国情的早期胃癌筛查策略，通过全国多家医院参与的大数据、多中心临床研究，除了国际上推荐的ABC分类系统检测外，还纳入了年龄、性别、幽门螺杆菌感染危险因素进行分析，最终构建了新型胃癌筛查评分系统。相比于ABC分类系统，其低、中、高危组的早期胃癌检出率均优于ABC分类法，其中高危组的检出率显著高于低、中危组[7]。新型胃癌筛查评分系统与国际上提出的PG 联合 G-17（新 ABC 法）相比，在胃癌及癌前病变筛查中的价值相似，两种方法均适用于胃癌及癌前病变筛查，而其中新评分系统在胃癌筛查及癌前病变早期干预方面中可能具有更高价值[8]。此外，国外学者通过研究蛋白组学发现癌前胃病变和胃癌的蛋白质组学特征有明显区别并发现了104 种与早期胃癌呈正相关和 113 种呈负相关的蛋白质，通过大数据分析整合这些蛋白质组学特征，有助于预测胃病变进展和早期胃癌风险[9]。而另一项研究发现胃病变和早期胃癌的代谢组学特征不同，研究者们将6种与胃癌总体风险和早期胃癌（高级别上皮内瘤变）风险呈显著负相关的代谢物与年龄、性别、幽门螺杆菌感染和胃组织病理学结果的模型相整合，相较于单一的预测模型，其显著提高了预测胃病变进展的性能[10，11]。由此可知，医工结合模式下的流行病学与血清学检查相结合具有重要意义，它不仅可以实现对筛查人群的分层及精准预测[12]，使不同地区均能获得经济、高效的早期胃癌筛查策略，还可以优化生物预测模型，使其具有更高的检出效能。

2.影像学检测中的应用

医学成像因其无创、经济高效且易于获取的特点，不同于血清生物标志物的预警作用，医学影像学可以让我们更直观的观测到人体中的异常病灶，从而发现胃肠道肿瘤并了解其与正常组织间的关系，有利于早期胃癌的检出，是高危人群定期检测的重要方式，因此，影像学在胃癌筛查中发挥着重要作用。医学影像技术的的进步，使我们从经典的上消化道钡餐检测手段逐渐发展为到多维螺旋计算机断层扫描（multidimensional spiral computed tomography， MDCT）、磁共振成像（magnetic resonance imaging， MRI）和超声检查。MDCT、MRI和超声检查各有优劣，而人功智能的运用，则在一定程度上弥补了不足。

2.1多维螺旋计算机断层扫描

在胃癌中使用MDCT最普遍的目的通常是确定局部浸润的程度以及是否存在远处转移。但MDCT对胃癌的检出亦有帮助，尤其是造影剂下的增强CT，使CT对早期胃癌的检出率有所提高。而选择不同介质进行成像，对早期胃癌的检出率亦有提高。但其对胃癌的诊断价值，特别是对早期胃癌和癌前病变的诊断价值仍然有限。其中的原因可能是与报告者的主观判断、肉眼难以发现微小的改变等因素相关。而人功智能则可以在一定程度上弥补不足。近年来，许多学者不断开展将人功智能与MDCT相结合的研究，以期提高MDCT对早期胃癌的检出率，例如：开发人工智能模型来检测CT门静脉阶段图像中的早期胃癌[13，14]、在自动分割算法下根据腹部计算机断层扫描增强图像特征去识别胃癌和胃淋巴瘤[15]、计算机断层扫描图像在智能重建算法下进行胃肿瘤自动检测[16]等，均取得一定进展。

2.2上腹部磁共振成像

MRI的软组织分辨率优于CT，目前胃癌筛查的主要方法是弥散加权磁共振成像或DW-MRI。DW-MRI识别胃癌的精确度和灵敏度显著高于CT和传统MRI。尽管如此，DW-MRI也受到不可避免的限制。位于上腹腔的胃受到宏观运动和低信噪比（SNR）的影响，导致检查准确性降低。但针对MR扫描时间长、成像速度慢等缺点，有研究者提出了三种不同的字典学习深度技术，并通过在结肠癌术前T分期的性能测试和对比发现，基于卷积神经网络的深度字典法重构的MR图像的结构相似度高达99.67%，高于解析字典和合成字典，证明其对MR技术的优化效果最好[17]。证明了MR技术与人工智能的结合在胃肠道筛查领域具有广阔前景。

2.3胃超声检查

胃超声检查是一种无创、准确、方便和可重复的胃肠道疾病检测技术。在禁食状态下，给予患者口服剂量的回声造影剂以填充胃腔，从而消除胃腔内气体和内容物的干扰，以提高图像质量，操作者能够全层可视化地观察胃壁的结构及其病变，超声检查对胃癌和癌前病变的检出率令人满意，此外，超声检查的禁忌证相对较少。然而，一些研究也表明，超声检查对早期胃癌的检出率不及晚期胃癌。且其检测还受到体型、腹部内容物、肿瘤大小和操作者技术的影响。因此，它在胃癌筛查中没有得到广泛应用。但近年来有研究者提出了一种基于差分光流和深度卷积神经网络（D-CNN）的改进均移算法，并应用于图像处理，更好地提高胃周围组织病变的显示率，降低了技术要求[18]。让我们看到了胃超声检查被广泛用于早期胃癌筛查的希望。

3.内窥镜检查

作为胃癌筛查的最终筛查，内窥镜检查可以在镜下直接观察到胃部病灶与周围正常组织间的关系，是目前诊断早期胃癌最有效的技术，对早期胃癌的检出率最接近金标准—病理活检。最新的早期胃癌指南也推荐具有危险因素的人群均应定期进行内窥镜检查，为了创造更方便、更快捷、更准确的内窥镜方法。白光内窥镜检查是使用最广泛的方法，随着技术的进步，高清白光内窥镜正在逐步引入，提高了图像质量，在检测胃癌和癌前病变方面具有不错的特异度、灵敏度及准确率。但白光下的内窥镜检查仍难以发现一些早期的微观病变，虽然其可以有效观察明显的黏膜病变，包括结节性、隆起或凹陷的结构。但是对于轻微的粘膜不规则或非典型着色可能会因其微妙而被内镜医师忽视。而随着内窥镜技术的发展，出现了色素内窥镜、计算机虚拟色素内窥镜和其他技术手段。这些技术可以更清晰的观察到轻微的病变、更准确的识别病灶边缘与周围组织的关系及观测肿瘤浸润深度及范围等。有利于非典型病变和早期胃癌的观察、鉴别、评估，在一定程度上可减少患者的活检次数。但因内窥镜医师的临床经验、技术不同等主观因素的干扰，内窥镜检查的质量有所不同[19]。近年来，人工智能技术消化内窥镜检查领域的一个关键关注领域。其中的深度学习技术是人工智能与内窥镜检查相结合，其通过如经典的卷积神经网络、生成对抗网络和编码器-解码器网络图像融合方法[20-22]，实现计算机判读图像结果，使早期胃癌的检测更客观、精准，其结果的准确性相当于具有多年工作经验的内窥镜医师[20，23，24]。因此，人工智能技术有利于提高内窥镜镜检查的质量[25]，有助于高危人群的定期监测及胃癌的检出。而随着人工智能技术的发展，许多新式算法，如GastroNet、海豹胡须优化算法[23，26]等被尝试用于早期胃癌的筛查并取得了不错的进展，这也表明人工智能技术在内窥镜检查中具有巨大潜力。

４.小结

胃癌是威胁人类生命健康的主要恶性肿瘤之一。多数患者在确诊时已处于中晚期，即使进行胃癌的根除治疗，其生存率仍不令人满意，而早期胃癌患者接受治疗后，大多数能获得满意生存率。因此，开展胃癌筛查，尽早的发现胃癌并使患者获得治疗是非常重要的。但胃癌早期症状不明显，如何提高早期胃癌的检出率，是医疗卫生领域的热点问题。随着医疗水平的进步，早期胃癌的筛查方法不断革新，目前主要有主要筛查方法包括影像学、血清学及内窥镜筛查。虽然筛查方法的革新使早期胃癌的检出率得到提高，但医师经验、经济、文化、医疗接受度等因素的影响，致使许多地区的筛查质量无法得到保证。这也是早期胃癌推广的一大阻碍。但科技的进步，让大数据分析、机器学习等人功智能技术得以应用于早期胃癌的筛查，在筛查策略、危险分层、肿瘤预测、肿瘤监测、检查质量等方面均得到较大提生。此外，在医工结合模式下，许多检测方式存在的缺点，得以补足，使筛查人群可以拥有更多选择及更高的接受度，有利于早期胃癌筛查的推广。值得注意的是，虽然关于人工智能技术应用于肿瘤筛查的研究中表明，医工结合下的早期胃癌筛查具有巨大潜力，但仍需要大范围的检验去进行验证。

参考文献

[1]Machlowska J.， Baj J. & Sitarz M. et al.， “Gastric Cancer： Epidemiology， Risk Factors， Classification， Genomic Characteristics and Treatment Strategies，” Int J Mol Sci， Vol.21， No.11（2020）.

[2]Wang Z.， Liu Y. & Niu X.， “Application of artificial intelligence for improving early detection and  prediction of therapeutic outcomes for gastric cancer in the era of precision oncology，” Semin Cancer Biol， Vol.93（2023）， pp.83-96.

[3]王玉琪，葛剑，陈娜.血清标志物在早期胃癌检测中的研究进展[D].山东第一医科大学（山东省医学科学院）学报，2024年第06期，第372-377页.

[4]Matsuoka T. & Yashiro M.， “Novel biomarkers for early detection of gastric cancer，” World J Gastroenterol， Vol.29， No.17（2023）， pp.2515-2533.

[5]Huang Y.， Shao Y. & Yu X. et al.， “Global progress and future prospects of early gastric cancer screening，” J Cancer， Vol.15， No.10（2024）， pp.3045-3064.

[6]Roy S.， Kanda M. & Nomura S. et al.， “Diagnostic efficacy of circular RNAs as noninvasive， liquid biopsy biomarkers for early detection of gastric cancer，” Mol Cancer， Vol.21， No.1（2022）， p.42.

[7]李子禹，王胤奎，陕飞等.早期胃癌治疗的共识与问题[J].中国实用外科杂志，2018年第02期，第153-157页.

[8]赫捷，陈万青，李兆申等，中国胃癌筛查与早诊早治指南（2022，北京）[J].中国肿瘤，2022年第07期，第488-527页.

[9]Li X.， Zheng N. R. & Wang L. H. et al.， “Proteomic profiling identifies signatures associated with progression of precancerous gastric lesions and risk of early gastric cancer，” EBioMedicine， Vol.74（2021）， p.103714.

[10]Huang S.， Guo Y. & Li Z. W. et al.， “Identification and Validation of Plasma Metabolomic Signatures in Precancerous Gastric Lesions That Progress to Cancer，” JAMA Netw Open， Vol.4， No.6（2021）， p.e2114186.

[11]Chen Y.， Wang B. & Zhao Y. et al.， “Metabolomic machine learning predictor for diagnosis and prognosis of gastric cancer，” Nat Commun， Vol.15， No.1（2024）， p.1657.

[12]Sinnarasan V.， Paul D. & Das R. et al.， “Gastric Cancer Biomarker Candidates Identified by Machine Learning and Integrative Bioinformatics： Toward Personalized Medicine，” OMICS， Vol.27， No.6（2023）， pp.260-272.

[13]Gao Z.， Yu Z. & Zhang X. et al.， “Development of a deep learning model for early gastric cancer diagnosis using preoperative computed tomography images，” Front Oncol， Vol.13（2023）， p.1265366.

[14]Zeng Q.， Feng Z. & Zhu Y. et al.， “Deep learning model for diagnosing early gastric cancer using preoperative computed tomography images，” Front Oncol， Vol.12（2022）， p.1065934.

[15]Zhou L.， Hu H. & Zhou L. et al.， “Abdominal Computed Tomography Enhanced Image Features under an Automatic Segmentation Algorithm in Identification of Gastric Cancer and Gastric Lymphoma，” Comput Math Methods Med， Vol.2022（2022）， p.2259373.

[16]Zhang Y.， Chen L. & Chen H.， “Intelligent Reconstruction Algorithm-Based Computed Tomography Images for Automatic Detection of Gastric Tumor，” Comput Math Methods Med， Vol.2022（2022）， p.8179766.

[17]Wang J.， Chen B. & Zhu J. et al.， “Intelligent diagnosis value of preoperative T staging of colorectal cancer based on MR medical imaging，” Front Genet， Vol.14（2023）， p.1119990.

[18]Xu D.， Liu R. & Xu H. et al.， “Adoption of Two-Dimensional Ultrasound Gastrointestinal Filling Contrast on Artificial Intelligence Algorithm in Clinical Diagnosis of Gastric Cancer，” Comput Math Methods Med， Vol.2022（2022）， p.7385344.

[19]Arribas A. J. & Dinis-Ribeiro M.， “Early gastric cancer and Artificial Intelligence： Is it time for population screening？” Best Pract Res Clin Gastroenterol， Vol.52-53（2021）， p.101710.

[20]Luo Q.， Yang H. & Hu B.， “Application of artificial intelligence in the endoscopic diagnosis of early gastric cancer， atrophic gastritis， and Helicobacter pylori infection，” J Dig Dis， Vol.23， No.12（2022）， pp.666-674.

[21]van der Velden B.， Kuijf H. J. & Gilhuijs K. et al.， “Explainable artificial intelligence （XAI） in deep learning-based medical image analysis，” Med Image Anal， Vol.79（2022）， p.102470.

[22]Zhou T.， Cheng Q. & Lu H. et al.， “Deep learning methods for medical image fusion： A review，” Comput Biol Med， Vol.160（2023）， p.106959.

[23]Mary A. A.， Raj A. P. & Karthik C. et al.， “GastroNet： A Custom Deep Learning Approach for Classification of Anomalies in Gastrointestinal Endoscopy Images，” Curr Med Imaging（2023）.

[24]Yuan X. L.， Zhou Y. & Liu W. et al.， “Artificial intelligence for diagnosing gastric lesions under white-light endoscopy，” Surg Endosc， Vol.36， No.12（2022）， pp.9444-9453.

[25]Popovic D.， Glisic T. & Milosavljevic T. et al.， “The Importance of Artificial Intelligence in Upper Gastrointestinal Endoscopy，” Diagnostics （Basel）， Vol.13， No.18（2023）.

[26]Alshardan A.， Saeed M. K. & Alotaibi S. D. et al.， “Harbor seal whiskers optimization algorithm with deep learning-based medical imaging analysis for gastrointestinal cancer detection，” Health Inf Sci Syst， Vol.12， No.1（2024）， p.35.

通讯作者：李卓华