2022人工智能技術(shù)在胃癌診療中的應(yīng)用與進(jìn)展(全文)

2022人工智能技術(shù)在胃癌診療中的應(yīng)用與進(jìn)展（全文）摘要人工智能（AI）是生物醫(yī)學(xué)領(lǐng)域過去十年中發(fā)展最快的新技術(shù)領(lǐng)域之一。以影像組學(xué)、機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)等為代表的AI技術(shù)，因其能從醫(yī)學(xué)資料中高通量地獲取特征信息、分析特征數(shù)據(jù)并挖掘揭示數(shù)據(jù)與醫(yī)療結(jié)果之間的潛在聯(lián)系，愈發(fā)被研究者青睞。胃癌在我國具有較高的發(fā)病率和死亡率，而將AI技術(shù)和內(nèi)鏡、影像、病理及測序分析等相結(jié)合的檢查手段，已經(jīng)在胃癌的輔助診斷、疾病分期和預(yù)后以及療效預(yù)測等方面取得了重要的進(jìn)展。AI在醫(yī)療行業(yè)中的應(yīng)用極大提升了高通量數(shù)據(jù)的有效利用率，加速了疾病診療的智能化進(jìn)程，但同時也在醫(yī)學(xué)倫理、患者隱私和醫(yī)療AI的法律主體地位等方面產(chǎn)生了許多問題。未來，合理地規(guī)劃和管理AI技術(shù)，有望為推動醫(yī)學(xué)發(fā)展及重塑醫(yī)療行業(yè)提供強(qiáng)大的動力。胃癌的總體治療效果不佳，在全球范圍內(nèi)都有著較高的發(fā)病率和死亡率[1]。導(dǎo)致胃癌患者預(yù)后不佳的主要原因是胃癌較強(qiáng)的腫瘤異質(zhì)性，而當(dāng)前常見的影像學(xué)和病理學(xué)檢查手段受到檢查精度的限制，也只能在組織學(xué)水平上為臨床醫(yī)師提供治療依據(jù)[2]。人工智能（artificialIntelligence，AI）是在理解、分析和表達(dá)數(shù)據(jù)時，具備模擬人類認(rèn)知的計(jì)算機(jī)系統(tǒng)。近年來，AI已廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域，其中以機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等為代表的AI技術(shù)，更是在醫(yī)學(xué)圖像識別領(lǐng)域表現(xiàn)出了超越人類科學(xué)家的數(shù)據(jù)分析能力，具備在未來輔助臨床醫(yī)師實(shí)現(xiàn)個性化醫(yī)療的潛力[3-4]?；谝陨媳尘?，本文將就AI在胃癌治療領(lǐng)域與內(nèi)鏡、影像學(xué)檢查、病理診斷、測序分析等方式上的應(yīng)用和評價效果做相應(yīng)的綜述。一、AI與內(nèi)鏡檢查的結(jié)合在當(dāng)前的臨床實(shí)踐中，胃癌的標(biāo)準(zhǔn)診斷方式為內(nèi)鏡檢查，包括白光內(nèi)鏡、放大內(nèi)鏡、放大內(nèi)鏡聯(lián)合窄帶成像技術(shù)（magnifyingendoscopywithnarrow-bandimaging，ME-NBI）和超聲內(nèi)鏡等。早期胃癌患者總體生存率（90%）明顯優(yōu)于進(jìn)展期胃癌（25%~30%），故胃鏡檢查中準(zhǔn)確識別早期胃癌和癌前病變并進(jìn)行正確的分類，對改善胃癌患者的總體預(yù)后具有重要的臨床價值[5-6]。然而，目前人工胃鏡檢查的方法存在很多缺陷，前期研究發(fā)現(xiàn)，內(nèi)鏡的誤診率可達(dá)7.2%，其中73%是由于檢查者的主觀錯誤所致，而對于經(jīng)驗(yàn)不足的檢查者其漏診率可達(dá)到20%~40%[7-8]。其具體原因可歸納為以下幾點(diǎn)：（1）與進(jìn)展期胃癌相比，早期胃癌缺乏典型的大體改變，在形態(tài)學(xué)分類上如淺表隆起型（0~Ⅱa）和淺表平坦型（0~Ⅱc）又十分近似，即使富有經(jīng)驗(yàn)的內(nèi)鏡醫(yī)生也可能出現(xiàn)診斷失誤的情況；（2）胃是一個彎曲的管腔狀器官，在解剖學(xué)上存在生理盲點(diǎn)（包括賁門小彎側(cè)及后壁、胃體小彎側(cè)下部和胃體大彎側(cè)等），檢查過程中可能遺漏在這些區(qū)域的病變[9]。AI與內(nèi)鏡相結(jié)合在胃癌治療中主要提供輔助早期識別、鑒別診斷和浸潤深度預(yù)測的功能。1.內(nèi)鏡檢查與胃癌的早期識別：在胃癌的早期識別中，最常見的內(nèi)鏡檢查方法是白光內(nèi)鏡。Sakai等[10]使用926張經(jīng)過數(shù)據(jù)增強(qiáng)的胃鏡檢查圖片，基于卷積神經(jīng)網(wǎng)絡(luò)（conventionalneuralnetwork，CNN）構(gòu)建了一個用于識別早期胃癌的檢測模型，其準(zhǔn)確率為87.6%，在驗(yàn)證數(shù)據(jù)集中的準(zhǔn)確率也能達(dá)到82.8%。Hirasawa等[11]在較大樣本的數(shù)據(jù)集（來自2639個樣本的13584張胃鏡檢查圖片）中進(jìn)一步提升了CNN模型的預(yù)測能力，其檢測早期胃癌的總體靈敏度達(dá)到92.2%，陽性預(yù)測值為30.6%；而在腫瘤直徑>6mm的亞組中，病變的檢測靈敏度更是達(dá)到了98.6%70/71）。Luo等[12]設(shè)計(jì)的實(shí)時人工智能系統(tǒng)（gastrointestinalartificialintelligencediagnosticsystem，GRAIDS）來自于84424例患者的1036496張胃鏡圖片，在內(nèi)部驗(yàn)證組和外部驗(yàn)證組分別取得了0.955、0.915~0.977的準(zhǔn)確度，其診斷的敏感度與內(nèi)鏡專家類似（0.9420.945，P=0.692），顯著優(yōu)于普通內(nèi)鏡醫(yī)生（0.858，P<0.0001）和內(nèi)鏡實(shí)習(xí)醫(yī)生（0.722，P<0.0001）。Wu等[13-14]基于CNN和深度強(qiáng)化學(xué)習(xí)的方法開發(fā)并改進(jìn)的AI內(nèi)鏡診斷輔助系統(tǒng)（ENDOANGEL），也同樣具有實(shí)時檢測的能力，在多中心的臨床試驗(yàn)中改進(jìn)了內(nèi)鏡檢查中盲點(diǎn)發(fā)生率的情況。內(nèi)鏡檢查與胃癌的鑒別診斷：對于胃癌的鑒別診斷，最具有臨床應(yīng)用價值的內(nèi)鏡檢查方法是ME-NBI技術(shù)，但此項(xiàng)技術(shù)高度依賴于內(nèi)鏡醫(yī)生的閱片經(jīng)驗(yàn)。Ueyama等[15]設(shè)計(jì)的AI診斷輔助系統(tǒng)基于CNN模型，對5574張ME-NBI圖片（3797張?jiān)缙谖赴?777張非癌性黏膜及病變）進(jìn)行了訓(xùn)練，在2300張ME-NBI（1430張?jiān)缙谖赴?70張包括胃底腺黏膜、幽門腺黏膜、斑片狀發(fā)紅、腺瘤、黃色瘤、局灶性萎縮和潰瘍瘢痕等非癌性黏膜病變）中的診斷準(zhǔn)確度為0.987，敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值分別為0.980、1.000、1.000、0.968，閱片平均速度為38.3張/s（0.03s/張）。Horiuchi等[16]使用ME-NBI技術(shù)獲取的1492張?jiān)缙谖赴﹫D片和1078張胃炎圖片進(jìn)行CNN模型訓(xùn)練，在由151張?jiān)缙谖赴﹫D片和107張胃炎圖片組成的獨(dú)立測試集中取得了0.853的準(zhǔn)確度，其靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值分別為0.954、0.710、0.823、0.917，平均閱片速度51.83張/s（0.02s/張）。隨后，該研究者又將該診斷系統(tǒng)與11名內(nèi)鏡醫(yī)生的診斷能力進(jìn)行比較，發(fā)現(xiàn)在圖片和視頻中AI的準(zhǔn)確度明顯優(yōu)于2名專家、低于1名專家，并與其他8名專家之間比較差異無統(tǒng)計(jì)學(xué)意義[17]。Zhang等[18]基于來自胃潰瘍、早期胃癌和高級別上皮內(nèi)瘤變、進(jìn)展期胃癌和胃黏膜下腫瘤以及正常胃黏膜等5種胃部狀態(tài)的21217張檢查圖片設(shè)計(jì)的CNN網(wǎng)絡(luò)；在由1091張圖片組成的驗(yàn)證集中，對早期胃癌和高級別上皮內(nèi)瘤變的診斷特異度和陽性預(yù)測值均優(yōu)于內(nèi)鏡醫(yī)生（0.912比0.867；0.554比0.417），而對各類型的診斷準(zhǔn)確度與內(nèi)鏡醫(yī)師比較差異無統(tǒng)計(jì)學(xué)意義。Li等[19]的研究回顧了1702張?jiān)缙谖赴﹫D像和386張非癌病變圖像用于CNN訓(xùn)練，然后前瞻性地收集了早期胃癌和非癌病變圖片各171張用于測試模型的能力，結(jié)果顯示：該AI診斷系統(tǒng)在鑒別早期胃癌的敏感度、特異度和準(zhǔn)確度分別為0.912、0.9060.909。雖然在診斷的特異性和準(zhǔn)確性方面，該AI沒模型與內(nèi)鏡專家組之間比較差異無統(tǒng)計(jì)學(xué)意義，但是與非專家組相比則具有明顯的優(yōu)勢。3.內(nèi)鏡檢查與胃癌浸潤深度的診斷：區(qū)分胃癌接受內(nèi)鏡下切除術(shù)或外科切除術(shù)的重要標(biāo)準(zhǔn)是腫瘤浸潤深度，其中局限于黏膜內(nèi)層（mucosal，M）和黏膜下侵犯<500μm（SM1）的癌癥是內(nèi)鏡黏膜下剝離術(shù)（endoscopicsubmncosaldissection，ESD）的手術(shù)指征。然而，內(nèi)鏡檢查判斷腫瘤浸潤深度的準(zhǔn)確率較低，因此AI的介入有助于提升這方面的診斷能力[20]。Zhu等[21]利用790張胃癌內(nèi)鏡圖片進(jìn)行訓(xùn)練，并在另外203張中進(jìn)行CNN模型的驗(yàn)證，發(fā)現(xiàn)在判斷浸潤深度上模型的受試者曲線下面積（areaundercurve，AUC）為0.940，在準(zhǔn)確度（0.892比0.715）和特異性（0.9560.633）上明顯優(yōu)于內(nèi)鏡醫(yī)師。Cho等[22]使用2899張內(nèi)鏡胃癌內(nèi)鏡圖片進(jìn)行模型訓(xùn)練，發(fā)現(xiàn)AI對糾正真實(shí)世界的判斷失誤有一定的幫助。二、AI與影像學(xué)檢查的結(jié)合臨床上胃癌常見的全身影像學(xué)檢查方式包括CT、PET-CT和MRI等。CT掃描作為臨床實(shí)踐中經(jīng)濟(jì)快捷、簡單高效的無創(chuàng)影像學(xué)檢查方式，是我國胃癌治療前進(jìn)行術(shù)前分期最主要的手段之一。PET-CT能夠?yàn)榕R床醫(yī)師同時提供腫瘤的精準(zhǔn)定位信息和病灶代謝情況的可視化，能為術(shù)前分期和治療決策提供有力的幫助，然而因其價格高昂并不作為常規(guī)的檢查方式使用。MRI在胃癌的臨床診療的使用頻率相對較低，但研究表明，使用擴(kuò)散加權(quán)成像（diffusionweightedimaging，DWI）的方法對轉(zhuǎn)移淋巴結(jié)有較高的識別率[23]。AI與影像學(xué)檢查方法主要在腫瘤分期、療效評估、預(yù)后預(yù)測以及基因組學(xué)方面相結(jié)合。1.影像學(xué)檢查與胃癌的分期診斷：Zhang等[24]基于3家不同醫(yī)院的160CT圖像樣本和來自公共數(shù)據(jù)集的201張CT增強(qiáng)圖像，建立了可用于腫瘤區(qū)域3D自動化分割和淋巴結(jié)轉(zhuǎn)移分類的多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)（Multi-TaskLearningNetwork）。該AI模型執(zhí)行分類任務(wù)AUC值、準(zhǔn)確率和特異度分別達(dá)到了0.860、0.805和0.888，且AUC值明顯優(yōu)于multi-taskFCN（0.86比0.785）、multi-taskCNN（0.860比0.767）CMSVNetIter（0.860比0.730）等3種現(xiàn)有的模型。Dong等[25]從來自國內(nèi)外的6個研究中心中收集了730例局部進(jìn)展期胃癌（locallyadvancedgastriccancer，LAGC）患者的術(shù)前CT檢查圖像，基于CNN方法構(gòu)建了用于術(shù)前預(yù)測淋巴結(jié)轉(zhuǎn)移數(shù)量的深度學(xué)習(xí)影像組學(xué)列線圖（deeplearningradiomicnomogram，DLRN）模型；結(jié)果顯示：DLRN不僅在所有中心的隊(duì)列中都能夠很好的區(qū)分淋巴結(jié)轉(zhuǎn)移的程度（訓(xùn)練集、內(nèi)部驗(yàn)證集和外部驗(yàn)證集的C-index值分別達(dá)到0.821、0.822和0.797），優(yōu)于臨床N分期方法并與患者總體生存率顯著相關(guān)。該研究者還完成了一項(xiàng)使用CT圖像進(jìn)行術(shù)前預(yù)測隱匿性腹膜轉(zhuǎn)移的多中心研究（患者數(shù)量為例），構(gòu)建了用于反映原發(fā)腫瘤特征的影像組學(xué)特征（RS1）和反映腹膜轉(zhuǎn)移特征的影像組學(xué)特征（RS2）；發(fā)現(xiàn)RS1、RS2和Lauren分型都是隱匿性腹膜轉(zhuǎn)移的顯著預(yù)測因子（P<0.05），且由這三個因素聯(lián)合組建的列線圖模型，比單獨(dú)使用RS1、RS2或臨床因素（包括CT定義的輕度腹水、Lauren分型和Borrmann分型）建立的模型都表現(xiàn)出了更優(yōu)的診斷效能[26]。2021年Jiang等[27]則在另一項(xiàng)涉及1978例患者的大型多中心回顧性研究中，建立了用于預(yù)測胃癌腹膜轉(zhuǎn)移的深度卷積神經(jīng)網(wǎng)絡(luò)，在外部驗(yàn)證集1和外部驗(yàn)證集2中AUC值分別為0.946和0.920，并顯著優(yōu)于常規(guī)的臨床病理因素模型（AUC：0.51~0.63）。2.影像學(xué)檢查與胃癌的療效及預(yù)后預(yù)測：除了應(yīng)用于腫瘤分期，AI方法也在預(yù)測胃癌患者的藥物治療效果和預(yù)后分析上發(fā)揮著重要的作用?；诶赴┗颊叩腜ET-CT檢查圖像，該研究者在2018年使用LASSO回歸的方法建立了用于預(yù)測無病生存期（DFS）、總生存期（OS）的列線圖模型和影像組學(xué)評分，同時證明影像組學(xué)評分較高的胃癌患者容易從化療中獲益[28]。隨后，該研究者將前期研究所提出的免疫評分（immunescore，IS）概念與LASSO方法相結(jié)合，在回顧1778例患者的CT圖像資料的基礎(chǔ)上，建立了用于術(shù)前無創(chuàng)預(yù)測胃癌患者免疫狀態(tài)的影像組學(xué)免疫評分（radiomicsimmunescore，RIS）系統(tǒng)；在多因素分析中，RIS是患者生存的獨(dú)立預(yù)后因素（HR=0.339~0.605，P<0.003），且評分較高提示Ⅱ期和Ⅲ期胃癌患者更應(yīng)該接受化療[29-30]。2021年該研究者利CNN模型，分析了2209例胃癌患者的CT圖像并用于腫瘤間質(zhì)微環(huán)境的評估，發(fā)現(xiàn)腫瘤間質(zhì)的影像組學(xué)評分與DFS和OS顯著相關(guān)（P<0.0001），且間質(zhì)亞類1和2中的Ⅱ期和Ⅲ期腫瘤患者在接受化療后可獲得更長的生存期[31]。同年，該研究者還研發(fā)了一種新型的深度神經(jīng)網(wǎng)絡(luò)，進(jìn)一步細(xì)化了Ⅱ期和Ⅲ期患者對化療治療效果的分層，其中Ⅱ期患者中DeLIS高評分的部分（HR=0.362）和Ⅲ期患者中DeLIS高評分以及中評分的部分（HR=0.611；HR：633）都能獲得化療獲益[32]。3.影像學(xué)檢查與胃癌影像基因組學(xué)分析：影像基因組學(xué)是通過分析醫(yī)學(xué)圖像數(shù)據(jù)以明確影像特征與疾病基因表達(dá)模式、突變情況和其他基因組特征間相關(guān)性的研究方法[33]。Lai等[34]以來自TCGA（https：///）公共數(shù)據(jù)庫中的帶有CT影像資料的胃癌患者數(shù)據(jù)作為訓(xùn)練集（40例），并針對染色體不穩(wěn)定的基因組特征建立邏輯回歸預(yù)測模型，發(fā)現(xiàn)在訓(xùn)練組中腫瘤直徑（OR=0.54，P=0.017）和腫瘤轉(zhuǎn)角（OR=7.41，P=0.045）是染色體不穩(wěn)定狀態(tài)的獨(dú)立預(yù)測因子，而驗(yàn)證集中（18例）腫瘤轉(zhuǎn)角呈銳角在預(yù)測染色體不穩(wěn)定狀態(tài)的準(zhǔn)確度、敏感度、特異度均為0.889，相較于腫瘤直徑具有更好的預(yù)測效能（AUC：0.89比0.67）。Jin等[35]則進(jìn)一步對TCGA數(shù)據(jù)庫中胃癌患者影像基因組學(xué)特征進(jìn)行了闡釋，發(fā)現(xiàn)了4個與藥物代謝與趨化因子調(diào)節(jié)相關(guān)的影像特征，提示：生物影像標(biāo)記物可能在腫瘤治療中反映藥物代謝的變化。三、AI與病理診斷的結(jié)合病理診斷是確診胃癌的金標(biāo)準(zhǔn)，同時病理報告中提供的腫瘤大體數(shù)據(jù)和多種標(biāo)志物，也對指導(dǎo)胃癌患者的后續(xù)治療有著重要的價值。當(dāng)前，胃癌的靶向治療和免疫治療極大依賴于病理切片的免疫組織化學(xué)指標(biāo)，然而受限于檢測技術(shù)和檢測成本，目前如微衛(wèi)星不穩(wěn)定（microsatelliteinstability，MSI）和EBV病毒狀態(tài)等指標(biāo)難以大范圍普及和推廣。AI在病理診斷中的應(yīng)用，主要包括與輔助診斷、分子分型、預(yù)后分析、療效預(yù)測的分別結(jié)合。Song等[36]基于CNN方法（DeepLabv3）在1500例胃癌患者的HE染色病理切片中，建立了一個用于輔助臨床診斷的AI系統(tǒng)。該系統(tǒng)能夠快速定位可疑的腫瘤區(qū)域，在試運(yùn)行階段即表現(xiàn)出了相當(dāng)穩(wěn)定的診斷性能（AUC值：0.986；準(zhǔn)確度：0.873；靈敏度：0.996；特異度：0.806），而且在一項(xiàng)真實(shí)世界的測試中，能夠幫助初級病理醫(yī)師提高診斷的準(zhǔn)確度和穩(wěn)定性[36]。Wang等[37]使用resnet-50作為深度學(xué)習(xí)的分類器，并進(jìn)行轉(zhuǎn)移淋巴結(jié)的預(yù)測，在測試集中劃分目標(biāo)區(qū)域的平均Jaccard系數(shù)為0.958，平均Dice評分為0.986，對直徑≤2mm轉(zhuǎn)移灶中的淋巴結(jié)有著超越人類的辨識能力，且在該AI工具的輔助下病理醫(yī)師診斷淋巴結(jié)轉(zhuǎn)移的時間也縮短至2~6min（無AI輔助情況下平均需要3~15min）。Kather等[38]提取了公共數(shù)據(jù)庫TCGA中胃癌和腸癌的病理切片數(shù)據(jù)并利用Resnet18進(jìn)行MSI狀態(tài)的預(yù)測，結(jié)果顯示：胃癌患者中預(yù)測MSI狀態(tài)的AUC值為0.810。Muti等[39]在一項(xiàng)由10個隊(duì)列組成的多中心的回顧性研究中，使用深度學(xué)習(xí)的方法建立了基于蘇木精-伊紅染色病理切片的MSIEBV病毒狀態(tài)預(yù)測模型，其中在由5個隊(duì)列組成的驗(yàn)證集中，檢測MSI狀態(tài)的AUC值范圍為0.723~0.863，與Kather等[38]的結(jié)果類似；而檢EBV病毒狀態(tài)的AUC值范圍則為0.672~0.859。在預(yù)后和療效預(yù)測方面，Jiang等[40-41]針對當(dāng)前的TNM分類系統(tǒng)無法提供準(zhǔn)確的預(yù)測依據(jù)的問題，在2018年和2019年的兩項(xiàng)研究中分別使用支持向量機(jī)（supportvectormachine，SVM）方法結(jié)合多種臨床病理特征以及病理切片的免疫組化信息，建立了可用于預(yù)測胃癌患者預(yù)后和化療效果評估的SVM評分模型，證明SVM高評分組患者的預(yù)后要明顯優(yōu)于低評分組，且高評分組中的Ⅱ期和Ⅲ期胃癌患者更能從術(shù)后輔助化療中獲益。兩項(xiàng)研究納入的免疫組化指標(biāo)包括CD3（T細(xì)胞）、CD8（細(xì)胞毒性T細(xì)胞）、CD45RO（記憶T細(xì)胞）、CD45RA（幼稚T細(xì)胞）、CD57（自然殺傷細(xì)胞）、CD68（巨噬細(xì)胞）、CD66b（中性粒細(xì)胞）和CD34（微血管標(biāo)志物）。四、AI與測序分析的結(jié)合胃癌患者的治療反應(yīng)和OS不僅取決于腫瘤分期，還取決于腫瘤的異質(zhì)性和表觀遺傳分子特征。目前多項(xiàng)研究已經(jīng)表明，腫瘤微環(huán)境（包括細(xì)胞外間質(zhì)、基質(zhì)細(xì)胞、免疫或炎癥細(xì)胞和分泌因子等）與癌癥的進(jìn)展和治療反應(yīng)有著密切的相關(guān)性[42-44]。因此，與預(yù)后以及治療相關(guān)的分子生物標(biāo)志物，是近年來研究者們探索的方向之一。測序分析技術(shù)是目前國際上用于挖掘胃癌潛在生物學(xué)靶標(biāo)的重要方法，目前AI主要與鑒定藥物靶點(diǎn)、構(gòu)建預(yù)后標(biāo)志物等方面相結(jié)合。Cai等[45]在1699例胃癌患者的測序數(shù)據(jù)中，建立了GPSGC最佳風(fēng)險評估模型，發(fā)現(xiàn)胃癌患者的不良預(yù)后可能與間質(zhì)成分的重塑相關(guān)，尤其是TGF-β和血管生成基因的表達(dá)。Zeng等[46]對來自于GEO數(shù)據(jù)庫和TCGA數(shù)據(jù)庫中的7個隊(duì)列，使用CIBERSORT算法進(jìn)行免疫細(xì)胞浸潤情況的分析，在數(shù)據(jù)降維后構(gòu)建了腫瘤微環(huán)境評分（TMEscore）系統(tǒng)。根據(jù)該AI模型，TMEscore得分較高的患者處于免疫激活狀態(tài)并與EBV病毒感染和MSI相關(guān)，在imvigor210免疫治療隊(duì)列中也證明了這部分患者的免疫治療獲益較為明顯[46]。Cheong等[47]使用自主開發(fā)的NTriPath機(jī)器學(xué)習(xí)算法，在胃癌公共數(shù)據(jù)庫中識別出了3條與預(yù)后密切相關(guān)的信號通路（DNA損傷反應(yīng)、TGF-β信號通路、細(xì)胞增殖信號通路）中的32個基因，并最終得到4個分子亞組。根據(jù)該分組機(jī)制，亞組1的患者過表達(dá)與細(xì)胞周期和DNA修復(fù)相關(guān)的基因且預(yù)后情況最佳，雖然對5-FU+鉑類的化療治療方案反應(yīng)較差（HR：6.80，P=0.015）但對帕博利珠單抗（Pembrolizumab）的免疫治療的反應(yīng)率較高，反映了該基因集強(qiáng)大的預(yù)測能力。Sundar等[48]則在一項(xiàng)三期臨床試驗(yàn)（SAMIT）中首次證明了由476個基因組成的NanoString檢測工具，在預(yù)測胃癌患者對紫杉醇類藥物治療反應(yīng)的強(qiáng)大作用，化療敏感組在驗(yàn)證集中的3年DFS要明顯優(yōu)于化療抵抗組（0.66比0.40，HR=0.44，P=0.0029）。腫瘤干細(xì)胞是當(dāng)前腫瘤藥物治療中的一個新興研究方向。由于該細(xì)胞群具有自我更新能力，有助于維持腫瘤細(xì)胞的異質(zhì)性，因此可能有助于促進(jìn)腫瘤生長和誘導(dǎo)腫瘤耐藥。Wei等[49]通過機(jī)器學(xué)習(xí)的方法構(gòu)建了胃癌腫瘤干細(xì)胞評分（gastriccancerstem-likecellrelatedscore，GCScore）系統(tǒng)，發(fā)現(xiàn)高評分患者具有潛在免疫逃逸機(jī)制的干細(xì)胞特性，與上皮間質(zhì)轉(zhuǎn)化、TGF-β和血管生成信號通路的激活有關(guān)。此外，該研究者還通過實(shí)驗(yàn)證實(shí)了CD206+腫瘤相關(guān)巨噬細(xì)胞在高GCScore亞群中浸潤程度較高，對維持腫瘤細(xì)胞的干細(xì)胞特性具有重要的作用。五、其他結(jié)合內(nèi)鏡和病理檢查作為胃癌診斷的標(biāo)準(zhǔn)方法，可以為患者提供可靠和準(zhǔn)確的檢測結(jié)果，但侵入性和昂貴的檢查費(fèi)用給患者帶來了風(fēng)險和經(jīng)濟(jì)壓力；CT等影像學(xué)檢查手段雖然可以進(jìn)行無創(chuàng)的術(shù)前評估，但其放射性的屬性也為患者帶來了一定的顧慮和不便。隨著近些年液體活檢技術(shù)的發(fā)展，許多生物標(biāo)志物如循環(huán)腫瘤DNA、甲基化DNA、m