基于深度学习的胃癌腹膜转移CT影像早期预测模型构建研究综述.docVIP

基于深度学习的胃癌腹膜转移CT影像早期预测模型构建研究综述

一、胃癌腹膜转移早期预测的临床需求与影像学瓶颈

胃癌是全球范围内发病率排名第五、死亡率排名第四的恶性肿瘤，其中腹膜转移是胃癌患者最常见的远处转移类型，约10%~20%的初诊胃癌患者已存在腹膜转移，而接受根治性手术的患者中术后腹膜复发率高达40%~50%。一旦出现腹膜转移，患者的中位生存期仅为6~12个月，且丧失了根治性手术的机会，只能通过姑息性化疗、腹腔灌注等手段延长生存期。因此，早期识别胃癌腹膜转移高风险人群，对于临床制定个体化治疗方案、改善患者预后具有至关重要的意义。

传统的胃癌腹膜转移诊断依赖于影像学检查、腹腔镜探查及肿瘤标志物检测，其中CT是临床最常用的术前评估手段。常规CT诊断腹膜转移的灵敏度仅为30%~60%，尤其是对于直径小于5mm的微小腹膜转移灶，其检出率不足20%。这一局限性主要源于CT影像中微小转移灶与正常腹膜、腹腔脂肪组织的密度差异极小，且部分转移灶仅表现为腹膜轻度增厚、代谢活性轻微升高，难以通过肉眼识别。此外，不同放射科医师的诊断经验差异也会导致诊断结果的异质性，有研究显示，对于早期腹膜转移的CT判读，不同医师之间的一致性Kappa值仅为0.42~0.58，处于中等偏低水平。因此，如何突破人眼识别的局限性，从CT影像中挖掘更深层次的潜在信息，实现胃癌腹膜转移的早期、精准预测，成为临床和影像学科共同关