综述：人工智能驱动的液体活检技术在胃肠道癌症早期检测中的应用

【编辑推荐】本综述系统阐述了人工智能（AI）联合液体活检（LB）技术（涵盖ctDNA、CTCs、exoRNA等标志物）在胃肠道癌症（GICs）早期诊断中的突破性进展，通过机器学习（ML）和深度学习（DL）算法提升多组学数据解析能力，为精准肿瘤学（Precision Oncology）提供非侵入性解决方案，但临床转化仍需解决数据标准化和伦理挑战。

　　

Abstract

胃肠道癌症（GICs）是全球癌症相关死亡的主因，晚期诊断是主要瓶颈。液体活检（LB）通过分析循环肿瘤DNA（ctDNA）、循环肿瘤细胞（CTCs）、外泌体RNA（exoRNA）和肿瘤教育血小板（TEPs）实现无创检测，但面临数据复杂性和低丰度标志物等挑战。人工智能（AI）通过高通量生物标志物发现和多组学整合显著提升LB的敏感性（如ctDNA甲基化分析 AUC>0.9）和临床适用性，但需进一步解决标准化和监管问题。

Introduction

GICs（含结直肠癌CRC、胃癌GC、肝癌LC）占全球癌症负担的30%以上。传统内镜和影像学检查存在侵入性和低敏感性缺陷，而LB可实时监测肿瘤异质性。AI驱动的LB技术通过卷积神经网络（CNN）识别exoRNA特征，或通过随机森林模型解析ctDNA片段组学（Fragmentomics），将早期GIC检出灵敏度提升至₁₀^-5突变频率。

Circulating tumor cells (CTCs)

CTCs作为完整肿瘤细胞，在CRC转移预测中具预后价值。AI算法通过形态学特征分类（如ResNet50架构）可区分恶性CTC亚群，但其稀有性（1CTC/10⁶血细胞）需微流控芯片联合DL增强捕获效率。

AI applications in liquid biopsy

关键突破包括：

1. ctDNA分析：DL模型识别CRC特异性甲基化标志物（如SEPT9），灵敏度达92%；
2. exoRNA图谱：Transformer架构解码HCC相关miRNA-21表达谱；
3. TEPs检测：图神经网络（GNN）分析血小板mRNA剪切变异体，实现胰腺癌（PC）早期分类（AUC=0.88）。

Clinical validation and challenges

当前障碍包括：

• 样本偏倚（亚洲人群数据占比>60%）；
• 算法黑箱问题（需SHAP值解释模型决策）；
• 监管缺口（仅3项AI-LB技术获FDA突破性设备认定）。

Conclusion

AI-LB技术将GIC诊断从"被动响应"转向"主动筛查"，但需通过联邦学习实现多中心数据共享，并建立伦理框架（如WHO《AI医疗伦理指南》）推动临床落地。未来方向包括数字病理学整合和类器官药敏测试验证。