基于胃肠充盈对比增强超声的最优人工智能模型：胃胃肠间质肿瘤的风险分层

《European Journal of Surgical Oncology》：Optimal artificial intelligence model based on gastrointestinal filling contrast-enhanced ultrasound: Risk stratification of gastric gastrointestinal stromal tumors

基于胃肠道填充超声造影图像，本研究开发了ResNet、CNN、ViT和EfficientNet四种深度学习模型，通过121例胃GISTs患者的数据验证其预测性能，ResNet模型AUC达0.896，为早期筛查和风险分层提供客观辅助工具。

　　

王小科|吴涛|张新华|金鹏辉|张玲娜|寇玉顺|陈晓杰|杨欣|易琳|顾圆辉

中国甘肃省人民医院普通外科，兰州，730000

摘要

背景

胃肠道间质瘤（GIST）是胃肠道中最常见的间叶性肿瘤。影像学检查在GIST的术前辅助诊断、术后治疗效果监测及随访过程中具有重要意义。胃肠道充盈增强超声作为一种新兴的影像技术，具有无创、无辐射且患者耐受性良好的优点，在GIST的筛查和风险分类评估中表现出较高的准确性。然而，增强超声检查的结果容易受到操作者经验和主观判断的影响，因此引入客观的辅助评估技术尤为重要。近年来，基于影像图像的预测模型在GIST相关研究中取得了显著进展，尤其在疾病筛查和诊断方面显示出明显优势。本研究旨在基于胃肠道充盈增强超声图像开发深度学习模型，以实现GIST患者的早期筛查、辅助诊断和风险分类评估，有助于早期GIST患者的随访和及时治疗。

方法

2019年7月至2024年8月期间，共纳入121例原发性胃GIST患者，随机分为训练组（TC）和内部验证组（IVC），使用四种深度学习模型对增强超声图像进行训练和测试，以评估其预测性能。

结果

低风险组与高风险组在肿瘤直径、异质性和生长模式方面存在显著差异（P < 0.05）。在ResNet、CNN、ViT和EfficientNet四种用于胃肠道充盈增强超声图像预测的模型中，ResNet的表现最佳（AUC = 0.896）。

结论

基于M-NIH标准，成功构建了胃肠道充盈增强超声图像的预测模型。该模型能有效辅助筛查低风险原发性胃间质瘤患者，并实现个体化的风险分类预测。

引言

胃肠道间质瘤（GIST）是最常见的胃肠道间叶性肿瘤[1]，全球年发病率为每百万人10–15例，中位发病年龄在60岁左右，男女发病率相当。约20–30%的GIST患者具有恶性行为，恶性GIST患者的5年生存率为35–65%[2]，对健康构成重大威胁。原发性GIST可发生在胃肠道的任何部位，最常见于胃（60–70%）[3,4]。鉴于GIST的恶性潜能，对其早期筛查和风险评估具有重要的临床意义。

胃肠道充盈增强超声是一种近年来开发的用于检测胃部疾病的影像方法，具有高准确性、无创性、无辐射和操作简便的优点。与传统胃镜检查相比，患者更易接受。该方法能有效弥补其他检测方法的不足，可作为胃部疾病早期筛查的有效手段。由于空腹时胃的收缩状态不同，导致形态表现差异，难以清晰显示胃壁的层次结构。只有通过口服超声造影剂填充胃腔，才能清晰显示胃壁的层次结构。GIST被认为起源于肌层丛中的Cajal间质细胞（ICCs），这使得胃肠道充盈增强超声在筛查和诊断低风险原发性胃肠道间质瘤方面具有较高的应用价值。

深度学习（DL）是机器学习（ML）中日益流行的一支分支，它利用具有多层处理结构的人工神经网络（ANN），在处理大量高维数据时表现尤为出色[6]。DL概念由Hinton等人于2006年首次提出，是一个超越传统机器学习研究的新领域，旨在建立能够模拟人脑分析和学习过程的神经网络，从而通过模仿人脑机制来解释图像数据[7]。深度学习算法能够以更自动的方式提取更高层次的高维特征，且不易受到放射科医生主观因素的影响[8]。近年来，深度学习模型在GIST领域取得了良好的研究结果。

本研究基于胃肠道充盈增强超声图像创建了四种深度学习模型，用于预测原发性胃GIST的治疗前风险分类，旨在为患者制定标准化和精确的治疗方案，并为随访和跟踪提供支持。

患者信息

甘肃省人民医院伦理委员会已批准本研究（伦理编号：2023-701），并获得了患者的知情同意。研究对象为2019年7月至2024年8月期间在甘肃省人民医院病理数据库中，接受肿瘤细针穿刺活检或肿瘤完全切除术且病理诊断结果准确的224例GIST患者。纳入标准：

基线特征

本研究纳入的121例原发性胃GIST患者中，低风险组80例，高风险组41例。低风险组患者的平均年龄为57（51.25, 64.50）岁，高风险组为60（52.00, 68.00）岁。低风险组患者的肿瘤平均最长直径为1.9（1.40, 2.58）厘米，高风险组为4.8（3.85, 6.40）厘米。两组之间存在统计学显著差异。

讨论

近年来，多项研究探讨了放射组学模型在腹部肿瘤学中的应用，其在描述病变特征、评估治疗效果及预测患者术后或系统治疗后的生存率方面取得了显著成果[[15], [16], [17]]。先前研究表明，肿瘤生长模式与风险相关，具有外生或混合生长模式的GIST风险更高。

结论

本研究成功构建并验证了基于胃肠道充盈增强超声图像的深度学习模型，有助于GIST的早期筛查和风险分层。该模型为GIST的初始评估和监测提供了一种无创、无辐射的替代方法，补充了病理组织学的诊断结果。

作者贡献声明

王小科：研究概念、研究设计、数据分析和解释、统计分析、稿件准备、稿件编辑、稿件审阅。吴涛：研究概念、研究设计、数据分析和解释、统计分析、稿件准备、稿件编辑、稿件审阅。张新华：研究概念、研究设计、数据分析和解释、统计分析、稿件准备、稿件编辑、稿件审阅。金鹏辉：数据

资助

国家自然科学基金（编号：82160842）；甘肃省青年科技基金（编号：21JR7RA643）；甘肃省人民医院青年人才培养项目（编号：20GSSY4-22）；以及甘肃省自然科学基金（编号：24JRRA590）。

利益冲突声明

作者声明无利益冲突。

致谢

感谢患者参与本研究。