临床问题为导向的胃癌精准诊疗2025 .docx

临床问题为导向的胃癌精准诊疗2025

随着新型抗肿瘤药物的研发、新型设备及器械的使用、多组学技术的应

用及人工智能(artificialiIntelligence,AI)方法的建立，肿瘤的治

疗模式已发生颠覆性改变[1-21。胃癌作为发病率高、预后较差的常见消化道肿瘤，其治疗方式已由手术为中心的外科诊疗主导模式，演变为由分子分型指导下的集手术、放化疗、靶向治疗以及免疫治疗等多种方式为一体的综合诊疗模式31。此种诊疗体系旨在依据不同患者的肿瘤特征制定个性化的、特异性的干预方式，以求达到患者获益最大化，从而实现精准治疗[2,4-51。胃癌的高异质性导致患者间出现较大个体差异，受困于诊断技术与治疗手段，部分“个体化”方案仍然难以实现精准医学的目标，胃癌的总体生存率仍不尽如人意。因此，以医疗实践过程中的临床问题为导向，开展进一步临床及转化研究成为了突破胃癌精准诊疗瓶颈的必经之路。

一、临床问题为导向的精准诊断是胃癌治疗的基石

1.影像分期与病理诊断：胃癌临床分期主要依靠CT,而浸润层次不易分辨、淋巴结识别不准确及腹膜转移敏感性不强，是CT用于临床分期的主要问题。近年来，影像组学的进步丰富了影像检查在术前诊断的应用价值，而AI的发展极大推动了影像诊断技术的进步。联合使用多平面重建技术和AI分析等能够对胃癌浸润层面进行精确的解析，经影像组学处理的综合T分期准确度可高达90%以上I?-71。而应用多中心数据进行深度学习并建立模型，能够显著提高CT对转移淋巴结的识别率，

准确度在70%~95.4%,感受性曲线下面积(areaundercurve,AUC)在0.85以上[8-91。基于影像组学的深度学习放射列线图，可较好区别局部晚期胃癌患者淋巴结转移情况，C指数为0.777~0.821,该模型亦

能对总生存(overallsurvival,OS)进行较好预测(C指数

0.596~0.696)。对于腹膜转移的早期识别，应用AI技术分析肿瘤及相关位置的CT图像，可形成类似于“生物标志物”的无创化诊断特征。本中心牵头的多中心研究，利用影像组学手段，提取形状、灰度共生矩阵和灰度游程矩阵等133个定量特征，进行建模后对腹膜转移进行预测，其AUC高于0.92,隐匿性腹膜转移检出率超过85%[101。

病理诊断结果常因不同年资、不同地区的病理医师而异，经验与阅片水平的差异使诊断结果同质性较低，对于部分疑难病理、微小病灶存在漏诊及误诊。AI读片与深度学习模型能够为该问题提供解决方案[11。如神经网络resnet-50评估淋巴转移的模型AUC值可达0.99,基于该模型的AI辅助诊断可发现6.8%病理医师漏诊的病变，且提高医师对小的移淋巴结的确诊效率[121。哈佛医学院团队开发出病理AI基础大模型“CHIEF”用1500余万张图像进行预训练，在18种肿瘤的诊断中达到了89.5%的准确率，并以0.87的AUC值预测了微卫星不稳定 (microsatelliteinstability,MSI)状态，优于现有普通模型131。此外，AI驱动的数字病理平台也能评估三级淋巴结构，一项在肺癌的研究显示，该方案可实现对肺癌预后的评估与风险分层[14]。上述系统的研发并不需要超越或取代病理学家，较为理想的模式是作为辅助工具在可

接受的假阳性范围内，尽可能提升诊断灵敏度，以促进不同环境下诊断

水平的同质化。

2.分子诊断：基于分子分型的胃癌精准诊断是个体化诊疗的前提。现有TCGA分型和ACRG分型均对指导临床治疗有一定价值[15。这两种分型均对MSI-H型胃癌单独分类，免疫治疗在此类胃癌的疗效显著,然而其比例不足全部胃癌患者的1/4,影响了其广泛应用。对于诸如基因稳定型、染色体不稳定型等亚类，已有分型方案仍需进一步优化以增强对治疗的指导价值[16。单一分子标志物如DKK1、FGFR2等阳性的肿瘤也在基础研究与临床试验中显示出了对相应靶向药物良好的响应效果。基于最新的肿瘤生态学(tumorecosystem)理念，癌症基因组学的核心任务是全面解析肿瘤发生与进展驱动事件的分子基础[171。部分在泛癌种中的特殊突变如NTRK融合突变、ALK突变等单基因模式可以作为开发胃癌精准分子诊断的范式。但单一分子标志物难以反映肿瘤的全貌，因此，详细解析肿瘤及其微环境的全貌成为胃癌精准诊断的关键问题。本中心研究发现，在单细胞水平对肿瘤组织浸润淋巴细