综述：人工智能在晚期胃癌精准肿瘤学应用中的全面综述

这篇综述系统阐述了人工智能（AI）在晚期胃癌（GC）精准肿瘤学中的前沿应用，涵盖机器学习（ML）和深度学习（DL）在影像组学（CT/PET）、病理组学（WSI）及多模态数据整合中的突破，重点解析AI如何优化化疗、免疫治疗（ICI）和靶向治疗（如HER2）的疗效预测，并探讨了临床转化面临的挑战与未来方向。

　　

1 Introduction

胃癌（GC）作为全球第五大恶性肿瘤，晚期患者5年生存率不足10%，治疗响应高度异质性。精准肿瘤学依赖生物标志物（如HER2、PD-L1 CPS、MSI-H），但其局限性催生了人工智能（AI）的应用。机器学习（ML）和深度学习（DL）通过分析临床数据、基因组学、影像组学（CT/PET）和病理组学（WSI），为晚期GC的复杂决策提供新思路。

2 AI-driven precision diagnostics and staging refinement in advanced gastric cancer

2.1 Radiomics for advanced GC characterization

影像组学从CT/PET中提取定量特征，预测腹膜转移（AUC达0.958）和淋巴结转移（LNM），显著优于传统影像评估。例如，PMetNet模型通过深度学习实现腹膜转移检测灵敏度87.5%，特异性98.2%。

2.2 Pathomics for advanced GC characterization

病理组学通过WSI分析肿瘤微环境（TME），如TILs密度和HER2表达量化，辅助免疫治疗（ICI）疗效预测（AUC>0.90）。AI还能自动分型（Lauren分类）和分级，减少病理学家间差异。

3 AI for predicting treatment efficacy in advanced gastric cancer

3.1 Predicting response to systemic chemotherapy

CT影像组学联合临床数据预测新辅助化疗病理缓解（TRG），iSCLM框架整合WSI和CT数据，AUC达0.85。

3.2 Predicting response to immunotherapy (ICI)

DL模型通过H&E切片预测PD-1抑制剂联合化疗的响应（AUC>0.90），超越PD-L1 CPS等传统标志物。

3.3 Predicting response to targeted therapies

多模态MuMo模型整合影像、病理和临床数据，预测抗HER2治疗联合ICI的疗效（AUC~0.91）。

4 AI-powered multi-modal data integration for personalized treatment selection

多模态融合（如早期/晚期融合）提升预测性能，如放射病理组学模型显著改善分期准确性。挑战包括数据对齐和模型可解释性（如Grad-CAM可视化）。

5 AI applications in refractory advanced gastric cancer

AI探索耐药机制（如EMT表型）和药物重定位（如metformin），通过跨癌种数据挖掘潜在治疗靶点。

6 Bridging the gap: challenges, future directions, and clinical translation

数据标准化、前瞻性验证和XAI（可解释AI）是临床转化核心。需建立多中心协作平台（如联邦学习）解决数据隐私问题。

7 Conclusion

AI通过多模态整合推动晚期GC精准治疗，但需克服数据异质性和临床整合障碍，最终实现从经验医学到数据驱动医学的范式转变。