综述：人工智能在胃癌中的应用：机器学习与深度学习方法的系统性回顾

本综述系统评估了人工智能（AI）技术在胃癌（GC）诊疗中的前沿进展，涵盖机器学习（ML）与深度学习（DL）在影像识别、病理分析及多模态数据融合中的应用。研究显示DL模型在早期胃癌（EGC）检测中灵敏度高达95.3%（AUC=0.981），显著超越专家水平，但临床转化仍面临算法偏差与数据多样性不足等挑战。未来需推动可解释AI框架与前瞻性临床试验以促进精准肿瘤学发展。

　　

背景

胃癌（Gastric Cancer, GC）是全球第五大常见恶性肿瘤和第四大癌症相关死亡原因。由于早期临床症状隐匿且诊断复杂，超过80%的患者确诊时已处于晚期阶段。若能实现早期检测，早期胃癌（Early Gastric Cancer, EGC）的5年生存率可提升至90%以上。人工智能（Artificial Intelligence, AI）技术，尤其是机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL），为突破当前诊疗瓶颈提供了新的可能。

目标

本综述旨在系统评估ML与DL模型在胃癌管理中的性能表现、应用场景及局限性，重点关注其在多模态临床数据（如内镜、计算机断层扫描、病理图像等）中的检测、诊断、治疗规划及预后预测应用。

方法

研究遵循PRISMA 2020指南，在MEDLINE、Web of Science和Scopus数据库中检索2004年至2025年5月间发表的相关文献。纳入标准为应用ML或DL算法于胃癌诊断或预后预测的研究，数据来源包括内镜、CT、病理或多模态整合。由两名评审员独立完成文献筛选、数据提取及偏倚风险评估。

结果

共59项研究符合纳入标准。深度学习模型——尤其是卷积神经网络（Convolutional Neural Networks, CNNs）——在早期胃癌检测中表现突出，灵敏度最高达95.3%，曲线下面积（Area Under the Curve, AUC）可达0.981，多数情况下优于内镜专家判断。基于CT的放射组学与DL模型在肿瘤分期和转移预测中AUC介于0.825至0.972之间。病理图像模型对EGC的检测准确率最高达100%，治疗反应预测AUC达0.92。跨模态方法（如结合放射组学与病理组学）的AUC可达0.951。当前面临的主要挑战包括算法偏差、数据集多样性不足、模型可解释性局限以及临床整合障碍。

结论

ML与DL模型显著提升了胃癌早期诊断准确率和个体化治疗水平。为推动临床转化，未来需构建大规模多样化数据集、发展可解释人工智能（Explainable AI）框架，并开展前瞻性临床试验。这些举措对应对全球胃癌负担和推动精准肿瘤学（Precision Oncology）发展具有重要意义。