Page 155 - 南京医科大学自然版
P. 155

第45卷第10期                    阙煜轩，周晓颖. 人工智能在消化道早癌诊疗中的应用进展［J］.
                 2025年10月                  南京医科大学学报（自然科学版），2025，45（10）：1521-1527，1536                   ·1523 ·


                率（9.11%）和进展期新生物检出率（2.27%）。Zhao                    一种创新的基于生物医学图像的CRC诊断方法：最
                等 ［28］ 研究，甲基化糖蛋白 2（methylated syndecan⁃2，         佳深度特征融合方法（CCD⁃ODFFBI）。该方法整合
                mSDC2）作为一种新兴的检测靶点，能够有效增强                          了 MobileNet、SqueezeNet 和 SE⁃ResNet 3 个 DL 模型
                CRC 筛查的精准度，mSDC2 检测呈阳性的患者，其                       来进行特征提取，利用 Osprey 优化算法确定 DL 模
                腺瘤（adenomatosis of colon and rectum，ACN）、CRC      型的超参数，最后采用 DBN 模型进行 CRC 分类，结
                及早期CRC的检出率均显著高于单独使用FIT的情                          果表明与现有技术相比，CCD⁃ODFFBI 方法具有
                况（P < 0.001）。这种多层次的筛查策略减少了不必                      99.39%的卓越准确率。此外，PathChat和CONCH等
                要的侵入性检查，提升了疾病早期发现的几率和后                            新型模型结合了视觉和文本数据，能够摄取组织病理
                期诊断的精准率。                                          学图像并结合临床背景信息，模拟病理学家的工作流
                                                                  程，提供更全面的诊断支持和鉴别诊断建议                  ［36，41］ 。
                3  AI在EGC诊断中的应用
                                                                  3.3  多模态数据融合
                3.1  影像学诊断                                            AI可以将不同来源和类型的医学数据（如内镜
                    实现EGC的早期诊断，对于提升患者的生存率                         图像、病理切片、基因检测等）进行整合和分析，以
                和改善预后至关重要。传统影像学诊断方法（如                             实现更全面、准确的疾病诊断             ［42］ 。其优势是：第一，
                CT、MRI）在病变检测方面虽有一定优势，但存在依                         提供多维度信息，从不同角度反映病变的特征。哈
                赖医生经验、主观性强等局限。近年来，AI 技术已                          佛医学院等机构开发的CHIEF AI模型，通过融合病
                广泛融入CT、MRI等医学影像处理领域，借助DL算                         理图像和基因组学数据，能够诊断 19 种癌症，准确
                法进行图像分割、特征提取与病变识别，有效提升                            率接近94%，该模型还能识别与癌症生长和抑制相关
                                                                                              ［43］
                了诊断及分期的精准度          ［29-31］ 。                     的基因模式，预测患者的生存率 。第二，弥补单一
                    AI可以从CT、MRI影像中提取病变的形态特征                       模态数据的局限性，提高诊断的可靠性。Nguyen
               （如大小、形状、边界）与纹理（如灰度共生矩阵中的                           等 ［44］ 基于 DNA 特异性甲基化和片段组学特征开发
                对比度和相关性）特征，以区分良恶性病变                    ［32］ 。传    了 SPOT⁃MAS 模型，可以为早期 CRC 检测提供高准
                统的 CNN，例如 UNet，在局部特征提取方面表现出                       确性：该模型在检测CRC时获得的AUC为0.989，敏
                色，但在全局特征提取上存在不足。相比之下，                             感性为 96.8%，特异性为 97%，外部验证 AUC 为
                Transformer 模型因其强大的全局信息捕获能力，能                     0.96。多模态数据融合AI技术在癌症早期诊断中展
                够更有效地处理图像中的长距离依赖关系，在图像                            现出巨大潜力，能够显著提高诊断的准确性和可靠
                分割任务中表现出了显著的优势                ［33］ 。胃肠道间质         性，为癌症的精准医疗提供有力支持。
                瘤（gastrointestinal stromal tumor，GIST）具有恶性潜
                                                                  4  AI在EGC治疗中的应用
                力，而当前的成像技术难以区分 GIST 和平滑肌瘤。
                宛新建教授团队成功开发并验证了一种基于超声                             4.1  内镜下治疗
                内镜图像的实时 AI 系统         ［34］ ，该系统在区分 GIST 和             AI 能够精确识别内镜下的病变位置，并确定
                平滑肌瘤时表现出色，其曲线下面积（area under the                   切除范围，从而显著提升内镜治疗的精准度与安
                curver，AUC）值高达 0.948，准确率为 91.7%，敏感性               全性  ［45-46］ 。有研究显示，基于AI技术的内镜能精准
                为 90.3%，特异性为 93.0%，对于直径≤20 mm 的小                  识别并描绘肿瘤的边界，为医生提供切除范围的建
                病变，诊断准确率更是高达 93.5%。在前瞻性实时                         议，在病变特征不明显或位置较为隐蔽的情况下，可
                临床应用中，该AI系统在诊断性能上显著优于内镜                           有效降低因医生经验差异而产生的误诊与漏诊风险，
                医师。                                               并且可最大程度保留周围健康组织，同时降低肿瘤患

                3.2  病理诊断                                         者在内镜切除术后接受额外手术的概率                  ［47-49］ 。在内
                    AI技术在病理组织图像分析中的应用，如CNN                        镜治疗过程中，AI系统还能实时监控手术器械的位
                等，为病理学家提供了有力的辅助，有效提高了诊                            置和操作情况，及时发现偏差并发出预警，这种实
                断的准确性和效率         ［35-37］ 。在病理图像分析中，CNN            时监测功能可以帮助医生及时调整手术策略，确保
                借助图像分割技术与多级注意力机制，有效提升对                            手术的安全性      ［50-51］ 。此外，AI 技术还可以实时评估
                关键病理特征的提取效率，从而助力病理学家精准                            治疗效果，优化治疗决策，从而提高治疗成功率，改
                                                                                                           ［52］
                锁定组织内的病变部位           ［38-39］ 。Alotaibi 等 ［40］ 提出了  善患者的长期预后，并推动个性化医疗的发展 。
   150   151   152   153   154   155   156   157   158   159   160