基于2.5D放射组学与多实例学习的深度学习模型在术前CT图像中诊断T1N0期胃癌的应用研究

本研究针对早期胃癌（EGC）术前精准分期难题，开发了一种基于门静脉期CT图像的2.5D放射组学与多实例学习（MIL）融合的深度学习模型。通过整合3164例胃癌患者的临床数据，研究团队构建的ResNet101-XGBoost模型在训练集（AUC=0.920）、内部验证集（AUC=0.774）和外部验证集（AUC=0.744）中均显著优于传统放射组学模型，为个体化治疗决策提供了新工具。该成果发表于《npj Precision Oncology》，首次实现了CT图像对pT1N0期胃癌的联合诊断。

　　

胃癌是全球癌症相关死亡的三大主要原因之一，早期胃癌（EGC）与晚期胃癌的五年生存率差异悬殊（90% vs <30%）。当前临床面临的核心挑战在于：传统CT对T1分期的诊断准确率仅63-82.7%，内镜超声（EUS）对淋巴结转移（LNM）的评估能力有限，而精准区分pT1N0期胃癌对选择内镜切除或根治手术至关重要。

浙江省肿瘤医院与浙江省中医院的研究团队创新性地将2.5D放射组学与多实例学习（MIL）相结合，开发了深度学习诊断系统。研究纳入2006-2019年间3164例接受根治术的胃癌患者术前CT图像，通过提取病灶中心层±4层共7层图像构建2.5D数据集。采用ResNet101预训练模型进行特征提取，结合XGBoost分类器，最终模型在训练队列中达到AUC 0.942，显著优于传统放射组学模型（AUC 0.900）和临床模型（AUC 0.767）。该成果发表于《npj Precision Oncology》，为胃癌微创治疗决策提供了客观依据。

关键技术方法包括：1）多中心回顾性队列设计（Zhejiang Cancer Hospital n=2790，Zhejiang Hospital of TCM n=374）；2）ITK-SNAP软件进行肿瘤区域分割；3）2.5D数据生成策略（中心层±1/±2/±4层）；4）五种深度学习架构（DenseNet121/Inception_v3/ResNet101等）性能比较；5）多实例学习特征融合（Histo_prob+BoW_pred）；6）决策曲线分析（DCA）评估临床效用。

【模型预训练】
比较五种网络在切片水平的性能，ResNet101表现最优（训练集AUC 0.771），其识别pT1N0的敏感性达90.6%，但特异性仅37.5%，提示需更高维特征整合。

【2.5D MIL优化】
通过多实例学习融合7层图像特征，XGBoost模型性能显著提升，训练集特异性从37.5%提升至89.6%，且高风险组LNM概率达23.8%，与日本ESD术后病理评分系统（1.6-27.3%）相当。

【模型对比】
2.5D MIL模型在外部验证集的AUC（0.822）超越传统放射组学（0.727）和临床模型（0.530），决策曲线显示其临床净获益阈值覆盖0.1-0.8风险概率范围。

【临床意义】
可视化分析（Grad-CAM）显示模型对pT1N0的关注区域不同于进展期胃癌，高分队列（模型评分前1/3）的5年生存率达89.9%，显著优于低分组（51.9%）。研究首次证实CT图像可同步预测浸润深度和淋巴结状态，为ESD适应症筛选提供了量化标准。

讨论部分强调：1）2.5D设计平衡了3D信息量与计算效率，较全3D模型更适合临床部署；2）模型对T1b期胃癌的过度治疗规避价值需前瞻性验证；3）当前局限在于未涵盖CT不可见病灶，未来需联合EUS特征。该技术框架可扩展至其他实体瘤的微创治疗决策支持。