深度学习模型在胃癌病理图像分析中的应用：现状、挑战与未来展望

本研究系统综述了深度学习(DL)在胃癌(GC)病理图像分析中的应用现状。研究人员通过PRISMA-ScR方法分析了22项研究，发现卷积神经网络(CNN)在GC检测、组织学分类和预后预测中表现优异（准确率最高达95%），但存在数据集规模有限、缺乏外部验证等问题。该研究为优化GC病理诊断提供了重要参考，推动了人工智能在精准医疗中的应用。

　　

胃癌是全球范围内发病率和死亡率较高的恶性肿瘤之一，早期准确诊断对改善患者预后至关重要。然而，传统病理诊断高度依赖病理学家的主观判断，存在效率低、可重复性差等问题。随着人工智能技术的发展，深度学习(DL)为胃癌病理图像分析带来了新的机遇，但也面临着模型泛化性、临床适用性等挑战。

江苏省射阳县人民医院病理科和澳门理工大学应用科学学院的研究人员开展了系统性范围综述，通过分析2020-2025年间22项相关研究，全面评估了DL在胃癌病理图像分析中的应用现状。该研究发表在《BMC Cancer》期刊，为领域内首篇系统梳理DL在胃癌基础诊断任务中应用的研究。

研究人员采用PRISMA-ScR指南，检索了PubMed、Scopus等4个数据库，筛选出符合标准的22项研究。关键技术方法包括：使用全切片图像(WSI)和图像块分析；采用卷积神经网络(CNN)、视觉Transformer(ViT)等模型架构；应用迁移学习和集成学习策略；通过GasHisSDB、TCGA等公开数据集和临床自建数据集进行验证。

研究结果显示，在模型应用方面，DL在胃癌检测中表现突出，如Govind等开发的集成模型准确率达99%；在图像分类任务中，Zubair等提出的框架验证集准确率达98.87%；在预后预测方面，Huang等开发的GastroMIL模型诊断准确率达92%。在技术方法上，CNN仍占主导地位（21/22研究），仅1项研究采用多实例学习(MIL)框架。值得注意的是，Wang等提出的CFI-ViT模型通过两阶段策略实现了90.31%-96.51%的亚型分类准确率。

研究同时揭示了当前存在的局限性：数据集规模普遍较小（仅8项使用公开数据集GasHisSDB）；仅4项研究进行外部验证；模型可解释性不足；临床转化证据有限。地理分布分析显示，中国学者贡献了41%的研究成果（9/22），韩国和马来西亚各占14%。

该研究得出重要结论：DL在胃癌基础诊断任务中展现出显著潜力，特别是在自动化检测和分类方面。CNN架构仍是主流选择，但Transformer等新兴模型也表现出竞争力。研究建议未来应构建更大规模、更具代表性的数据集，加强模型可解释性研究，并通过多中心临床试验验证临床实用性。这些发现为DL在胃癌病理诊断中的规范化应用提供了重要依据，将推动人工智能辅助诊断系统的发展。

值得注意的是，与乳腺癌、肺癌等领域相比，胃癌病理图像分析中MIL框架的应用明显不足（仅1项研究采用），这可能限制了模型对WSI全局信息的利用效率。此外，仅1项研究涉及免疫组化(IHC)图像分析，提示未来需要加强多模态数据融合研究。

这项研究的意义在于：首次系统绘制了DL在胃癌病理基础诊断中的应用版图；明确了当前技术瓶颈和发展方向；为临床转化提供了循证依据。随着技术的进步和更多高质量研究的开展，DL有望成为胃癌病理诊断的重要辅助工具，最终提升临床诊疗水平。