医学影像人工智能对胃肠道癌腹膜转移诊疗的临床价值.pdfVIP

医学影像人工智能对胃肠道癌腹膜转移诊疗的临床价值

【摘要】腹膜转移是晚期胃肠道癌患者预后不良的重要因素，传统影像学诊断

存在敏感性不足等挑战。借助影像组学和深度学习等技术，人工智能能够深入挖

掘医学影像中的肿瘤异质性与微环境特征，揭示腹膜转移标志，进而构建高精度

预测模型。这些技术在腹膜转移预测、腹膜复发风险评估以及术中微小转移灶识

别等任务上展现出了优势。本文综述了医学影像人工智能在腹膜转移诊疗中的代

表性进展与应用前景，并讨论了多模态数据融合与大模型技术等潜在的发展方向。

医学影像人工智能与临床实践的紧密融合，有望促进胃肠道癌腹膜转移诊疗的个

性化与精准化。

【关键词】胃肠道肿瘤；人工智能；医学影像；腹膜转移；精准医学

胃肠道癌是全球范围内具有高致死率的常见恶性肿瘤。在胃肠道癌的晚期阶

段，腹膜转移作为主要的转移和复发途径，显著影响患者的生活质量与预后。过

去，腹膜转移常被视为不可治愈的终末期疾病，但随着治疗手段的不断进步，如

腹腔热灌注化疗、靶向治疗及免疫治疗等，通过制定合适的治疗方案，有望使部

分患者的预后得到显著改善［1-3］。因此，早期诊断以及及时采取干预措施的

重要性日益凸显。目前，临床上主要通过CT等影像学检查判断腹膜转移［4-5］。

然而，腹膜转移具有隐匿性，传统影像学征象存在一定局限性，尤其对于较小病

变其漏诊的可能性较大。尽管诊断性腹腔镜检查联合腹腔细胞学检测及腹膜结节

活检被视为一种可靠的诊断手段，但其存在滞后性、有创性及潜在的医源性肿瘤

播散风险。随着人工智能（artificialintelligence，AI）技术的迅速发展，

医学影像分析领域已取得显著进展，从影像组学到深度学习，再到大模型技术的

不断涌现［6-7］。医学影像AI能够使胃肠道癌腹膜转移的早期精准诊断具有更

高精度，从而有望帮助临床医生制定更加个性化和精准的治疗方案，最终提高患

者的获益度［8］。本文将探讨医学影像AI技术及其在胃肠道癌腹膜转移诊疗中

的临床应用价值，以期为该领域的发展提供新的思路。

一、医学影像AI的核心概念与技术

医学影像AI将复杂的影像数据转化为可分析的定量特征，从而揭示疾病的

表型特点和生物学行为。影像组学通过提取纹理和形态学等特征量化病变，深度

学习模型则能够自动识别影像中的复杂模式。而新兴的大模型技术具备出色的零

样本学习和推理能力，以及更强的交互能力，展现出在提高预测精度及提升临床

应用效果方面的巨大潜力。

1.医学影像预处理与分割：受硬件配置和软件算法等成像参数影响，医学影

像特征在不同患者之间存在分布差异，从而影响预测模型的泛化性及其临床应用。

为了减轻这一影响，图像生物标志物标准化倡议（imagebiomarkerstandardi

zationinitiative，IBSI）建议，在模型构建前进行图像重采样［9］。常用方

法包括线性插值和样条插值等。为避免引入伪影或丢失细节，有研究者提出了基

于生成模型的图像预处理方案［10］。同时，AI在去除噪声和伪影及提高分辨

率等图像增强任务方面也取得进展。例如，Hou等［11］提出的协作自监督域适

应方法，在提升低质量医学影像质量上取得了显著效果。

在图像分割方面，精确分割出感兴趣区域（regionofinterest，ROI），

对后续模型性能起到了重要作用。人工分割通常被视为金标准，但其依赖医生经

验，易受主观因素影响，且耗时费力。AI技术，尤其是基于U-Net开发的各类

模型，展示出了较高的分割效率和精度［12-13］。同时，研究者相继引入注意

力机制和多任务学习，以进一步优化分割效果［14］。MedSAM等大模型尝试在

更广泛的自然图像数据集上进行大规模预训练，并通过微调应用于医学影像分割

任务［15］。

2.影像组学模型：影像组学利用预定义公式和深度学习模型，从不同维度对

人体组织影像进行量化，将其转化为可分析的数值特征。预定义特征包括形状特

征和纹理特征［16］、分型特征［17］以及局部描述子特征［18］等。而深度学

习模型则通过多层神经网络自动学习图像表征，提取的深度学习特征通常指在经

过多层非线性变换后得到的神经元（节点）激活值。卷积神经网络（convoluti

onalneuralnetwork，CNN）是最常用的深度学习特征提取模型。

特征提取后，需通过归一化处理以消除特征量纲和数值范围差异对模型训练

的影响。此外，特征值可能因ROI和成像参数改变而出现变异。因此，评估特征

的变异性并剔除可重复