Page 156 - 南京医科大学自然版
P. 156
第45卷第10期
·1524 · 南 京 医 科 大 学 学 报 2025年10月
4.2 手术治疗 模型在32个独立数据集上进行验证，展示了其在癌
AI增强现实的三维解剖叠加、改进的肿瘤切除 症检测、生存预测等方面的强大能力 ［43］ 。预后预测
可视化以及 AI 格式的内窥镜和机器人手术引导等 模型能够挖掘人类难以察觉的细微特征，提高预后
方法，为增强外科医生的感知做出了重大贡献 ［53］ 。 评估的准确性，帮助医生评估患者的病情进展和治
AI 在手术中的应用仍处于起步阶段，目前的研发重 疗反应，从而选择更合适的治疗方案 。
［60］
点是AI辅助外科医生在手术过程中做出判断，例如 5.2 复发和转移预测
解剖导航、手术机器人等，让 AI 替代医生做出术中 整合多组学数据，AI模型可以更全面评估肿瘤
决策是不切实际的 ［54-55］ 。 生物学特征，预测复发和转移风险。例如，运用 DL
术前，AI 帮助外科医生精准规划手术方案，结 和 ML 算法分析患者基因表达数据、蛋白质标志物
合患者个性化数据和医生经验，预测手术风险并提 等，能够精准预测 CRC 患者复发风险 ［63］ 。Shaukat
供实时指导。英国帝国理工学院的研究团队利用 等 ［64］ 研究开发的基于血液检测与多组学分析的ML
组织的漫反射光谱信息训练机器学习，用于手术中 算 法 ，在 平 均 风 险 人 群 中 具 有 较 高 的 灵 敏 度
识别上消化道肿瘤边界；结果显示，该方法分辨胃 （79.2%）和特异性（91.5%），可用于CRC的早期筛查
癌的准确度达到 93.86%，分辨食管癌的准确度为 和复发监测。AI 通过分析免疫组化染色的全切片
96.22%，有效辅助手术医师对上消化道肿瘤手术边 图像，能够量化肿瘤细胞与免疫细胞之间的空间关
界的识别，提升手术精度 ［56］ 。在机器人手术领域， 联，从而评估患者的预后。例如，Morisita⁃Horn生态
AI建模使外科医生能够获得更精细的术中指标，如 指数通过 DL 技术分割肿瘤细胞核、免疫细胞核和
力量和触觉测量、阳性手术边缘的增强检测等，甚 基质细胞核，以此来评估CRC患者的免疫状态和生
［65］
至允许某些手术步骤的完全自动化 ［57］ 。AI 分析患 存预后 。
者的病史、生理指标、实验室检查及影像学数据
6 AI在EGC诊疗中的挑战
等，整合运用 ML 与 DL 算法，构建数据驱动的预测
模型，可精准预测术后并发症的发生 ［58］ 。但也有研 尽管AI在疾病诊疗中展现了巨大的潜力，但仍
究 ［59］ 发现，ML 模型未能显著提高临床医生的预测 面临一些挑战。首先，收集高质量且经专家标注的
能力，表明 ML 在围术期风险评估中的作用仍需进 数据是一项复杂且耗时的工作 ［66］ 。AI 模型如 CNN
一步研究。 的训练依赖于高质量的大规模数据集，然而，手动
标注像素级的病变区域不仅费时费力，还导致了高
5 AI在EGC预后评估中的应用
质量数据的匮乏，这使得 CNN 的训练面临困难 ［67］ 。
5.1 预后预测模型 如果数据存在偏差或不完整，可能导致模型的准确
AI通过对患者临床、影像学及病理等各类数据 性和可靠性下降。例如，某些地区的患者数据可能
的深入分析，构建出精准的预后预测模型，进而辅 无法充分代表全球范围内的患者群体，这无疑会对
助医护人员更准确地评估患者预后情况。临床数 模型的广泛适用性造成不利影响 ［68］ 。其次，EGC的
据通常以电子病历形式存储，NLP 技术可提取其中 临床数据来源多样，涵盖内镜图像、病理报告、基因
关键信息，如肿瘤转移部位和治疗反应等；常见的 测序数据等，这些数据的格式不统一、质量参差不
影像学检查（CT、MRI、超声等）能提供肿瘤大小、位 齐，给数据整合和处理带来挑战 ［69］ 。第三，不同地
置、形态及与周围组织关系等信息；结合病理图像 区医疗资源分配不均，各医院的内镜设备和成像技
中的细胞形态和组织结构等微观特征，AI对这些不 术存在差异，导致图像质量不一致，给 AI 模型的训
同类型的数据进行特征提取与融合，构建更全面的 练和应用带来影响 ［70］ 。最后，AI在医疗领域的应用
特征集，再采用不同模型（如 CNN、DBN、XGBoost、 涉及患者的隐私保护、数据安全以及责任归属等伦
支持向量机等）进行DL，从而建立EGC 的预后预测 理和法律问题。如果AI模型的诊断结果导致误诊，
模型 ［42，60］ 。Wang等 ［61］ 和Zhang等 ［62］ 分别针对食管癌 责任由谁承担是一个需要解决的问题。
和胃癌进行临床指标、影像组学的深度融合学习， 针对以上挑战，可以制定“医疗 AI 数据标注指
构建出具有良好预后预测能力的模型。通过内部 南”，要求标注团队通过一致性测试方可上岗，尽量
验证（如交叉验证）和外部验证（在独立数据集上验 使标注质量标准化；可将内镜图像、基因测序、病理
证）来评估模型性能，实现模型优化。例如，CHIEF 报告等异构数据映射到统一本体，实现跨模态关联
