《Advanced Science》：Multiscale Spatial Fusion Feature-Driven Characterization of Gastric Cancer Invasive Margins: A Multicenter Cohort Study for Preoperative Accurate Differentiation Between T4a and T4b Subtypes
编辑推荐：
术前准确区分胃癌T4a/b分期对于手术计划和预后至关重要。然而，常规CT评估因视觉限制和肿瘤周围微浸润量化不足，常导致分期准确性欠佳。本研究开发了一种基于扩展感兴趣区域（eROI）的多尺度空间特征融合模型，用于术前精确区分T4a/b。研究人员提出了GAVR模型
术前准确区分胃癌T4a/b分期对于手术计划和预后至关重要。然而，常规CT评估因视觉限制和肿瘤周围微浸润量化不足，常导致分期准确性欠佳。本研究开发了一种基于扩展感兴趣区域（eROI）的多尺度空间特征融合模型，用于术前精确区分T4a/b。研究人员提出了GAVR模型，其具有三层架构：边界增强U-Net（Boundary-Augmented U-Net）用于生成包含肿瘤周围微环境的eROI；并行通路提取传统影像组学（radiomics）、二维（2D）和三维（3D）深度学习特征；以及视觉Transformer（Vision Transformer, ViT）用于全局注意力加权融合和判别性表示学习。该模型在包含1804例患者的多中心队列（包括内部、外部和前瞻性验证集）中进行了验证。一项涉及16名放射科医生的盲法阅读研究评估了其临床效用。GAVR表现出卓越的泛化能力，在两个独立外部验证集中分别达到0.987和0.979的曲线下面积（AUC），在前瞻性验证集中达到0.987。消融研究证实了多尺度特征的必要性。GAVR辅助显著提高了放射科医生的诊断准确性（从0.609提升至0.795），并将阅读时间减少了60%。通过深度融合多尺度空间特征，GAVR表征了复杂胃癌浸润边缘的结构异质性，并减轻了过拟合。作为可嵌入的多学科胃癌管理决策支持工具，它展示了明确的转化价值。
**研究背景与问题**
胃癌是全球重要的公共卫生问题，其发病率和死亡率在亚洲（尤其是东亚）地区居高不下。根据GLOBOCAN 2022数据，约71.4%的新发病例和70.1%的死亡病例发生在亚洲，中国承担了最重的疾病负担。在胃癌分期系统中，肿瘤浸润深度（T分期）是决定治疗方案和评估预后的关键因素之一。T4期被细分为T4a和T4b亚型：T4a表示肿瘤已侵犯浆膜层但未累及邻近组织或器官；T4b表示肿瘤已侵犯邻近器官或结构，如胰腺、肝脏、结肠等。尽管两者解剖学分期差异细微，但临床意义截然不同。T4a期患者通常仅需行部分/全胃切除联合D2淋巴结清扫术，而T4b期则往往需要调整手术策略为联合器官切除等更复杂的方案。既往研究表明，T4b期胃癌患者术后5年生存率仅约10%–32%，预后显著较差。若术前未能准确识别T4b期，术中才发现肿瘤侵犯邻近器官，常被迫临时改变手术方案，不仅增加围手术期并发症风险，还可能影响患者及家属对治疗过程的信任。因此，准确区分T4a与T4b对于制定合理手术方案、评估肿瘤可切除性及实现个体化治疗具有重要临床价值。
目前，术前影像学评估（主要是增强CT）是胃癌T分期的基础检查方法。然而，CT在区分T4亚型方面仍存在明显局限。放射科医生主要依赖胃周脂肪间隙模糊、肿瘤与邻近器官间脂肪平面消失、器官界面中断等间接征象进行判断，致使T4a和T4b的影像判读高度依赖主观经验且难以诊断，术前CT分期错误常见，尤其是T4b的过度诊断或漏诊。既往研究报道，仅约42%–66%的影像学评估为T4b的患者经术后病理证实为真性T4b病变，提示相当比例患者术前肿瘤侵犯程度被高估，可能影响治疗策略的合理选择。除增强CT外，超声内镜（EUS）也常用于胃癌术前评估，但其对局部进展期病变（T3-T4）尤其是T4a与T4b的鉴别能力受穿透深度、炎症反应和操作者经验等因素限制。
近年来，人工智能（AI）的快速发展为影像学分期提供了新解决方案。基于医学影像的影像组学（radiomics）和深度学习方法已在胃癌诊断、分期和预后预测中展现出巨大潜力。然而，现有研究大多聚焦于总体T分期预测，专门针对T4亚分型（T4a与T4b）的智能模型尚未出现。此外，既往AI研究普遍存在样本量小、单中心设计、缺乏外部验证、模型泛化能力不足等问题。部分模型仅关注肿瘤本身，未充分纳入肿瘤周围组织及邻近器官侵犯等关键信息，从而限制了其对T4亚分型的鉴别能力。
**研究方法与技术**
本研究提出的GAVR模型旨在解决肿瘤微浸润难以定量评估的关键临床挑战。模型采用模块化三级架构设计。第一级架构：通过边界增强U-Net（BAE-U-Net）实现肿瘤扩展感兴趣区域（eROI）的自动分割，以纳入肿瘤周围微环境信息。eROI的扩展范围通过3、5、8mm三种策略优化，最终确定5mm为最佳扩展宽度。第二级架构：通过三个并行子模型从eROI图像中提取多维度特征，包括基于PyRadiomics的传统影像组学特征（形态、一阶统计、纹理等）、基于DenseNet121的二维深度学习特征（1024维）以及基于ShuffleNet3D的三维深度学习特征（567维）。第三级架构：利用视觉Transformer（ViT）实现多维度特征的全局注意力加权融合与判别性表示学习，最终通过Softmax函数完成T4a/T4b二分类任务。模型采用交叉熵损失函数和Adam优化器训练，并引入分层采样策略以增强对复杂T4b病变（如不同器官侵犯类型）的识别能力。研究数据来源于辽宁省肿瘤医院（医院A）、中国医科大学附属盛京医院（医院B）和天津医科大学肿瘤医院（医院C），共纳入1804例胃癌患者，分为训练集（n=553）、内部测试集（n=237）、外部测试集1（n=583）、外部测试集2（n=231）和前瞻性验证集（n=200）。
**研究结果**
**3.1 研究队列的临床特征**：表1系统性展示了来自五个独立数据集的1804例胃癌患者的基线特征分布。
**3.2 BAE-U-Net模型语义分割性能的系统评估**：通过BAE-U-Net框架构建不同扩展范围的eROI。在四个独立测试队列中，传统U-Net生成的ROI与人工标注ROI具有高度一致性，平均Dice相似系数为0.82±0.04，平均交并比（IoU）为0.69±0.05。eROI体积较原始ROI平均扩大约1.82–1.95倍，同时保持较高空间重叠（Dice=0.68–0.73）。在5mm扩展策略下，基于eROI提取的影像组学特征在肿瘤侵袭性分类中取得最佳性能，平均AUC为0.98。BAE-U-Net在不同分割阈值（0.45、0.50、0.55）下，提取的影像组学特征表现出高稳健性，绝大多数特征的组内相关系数（ICC）≥0.90，证实eROI策略能有效抑制分割误差对下游分析的传导影响。
**3.3 多维度特征提取结果的可视化分析**：t-SNE降维可视化显示，影像组学特征和三维深度学习特征在低维空间中呈现相对清晰的类别分布，而二维深度学习特征的聚类结构相对松散，类间判别力较低。SHAP分析显示，不同模态特征在模型决策中均发挥重要作用，影像组学和三维深度学习特征在高贡献特征中占比较高。特征激活分析进一步揭示，三维深度学习特征在T4b不同器官侵犯（尤其是胰腺和肝脏侵犯）中表现出高激活强度，优势在于捕捉肿瘤与邻近器官的空间关系；影像组学特征在不同分期中呈现相对稳定且具判别性的响应模式；二维深度学习特征的激活强度较低且变化范围有限。
**3.4 完整GAVR模型与六种消融变体的性能评估**：六种消融变体包括三种单通道变体（仅影像组学、仅2DDL、仅3DDL）和三种双通道变体（影像组学+2DDL、影像组学+3DDL、2DDL+3DDL）。完整GAVR模型在所有研究队列中均保持最优性能，在内部测试集、外部测试集1、外部测试集2和前瞻性验证集中AUC分别达到0.970、0.987、0.979和0.987，且各指标变异系数低，证实其跨中心稳健泛化能力。校准曲线显示GAVR模型输出概率与真实事件率高度一致，Brier分数（0.037–0.061）显著低于所有单通道消融模型。雷达图和病例级预测概率分布热图均显示GAVR模型在判别边界清晰度、类间概率分离程度和预测一致性方面具有显著优势。与双通道消融变体相比，GAVR模型在多个外部验证队列中持续保持性能优势，有效缓解了过拟合倾向。
**3.4.3 GAVR模型对不同邻近器官侵犯胃癌的诊断性能分析**：GAVR模型在不同器官侵犯（肝脏、胰腺、结肠）中的AUC范围为0.77–0.99，整体保持高鉴别能力，其中对肝脏侵犯的识别性能最佳，其次是结肠和胰腺。
**3.5 读者研究**：在模拟标准化临床工作流程的图像判读任务中，GAVR模型独立判别准确率为0.925。16名放射科医生无辅助时的平均诊断准确率为0.609（95%CI: 0.586–0.633），敏感性和特异性分别为0.622和0.597。经GAVR模型辅助后，医生每例CT图像判读时间从基线100–175秒缩短至平均50秒以下（减少约60%），总体诊断准确率提升至0.795（95%CI: 0.774–0.817），敏感性0.806，特异性0.784。Cohen's kappa分析显示，无辅助时16名医生间一致性水平较低（平均kappa=0.219），有辅助后显著提升至中等一致性水平（平均kappa=0.591）。
**讨论与结论**
本研究提出的GAVR模型通过eROI多维度特征提取和ViT融合架构，有效解决了CT图像中胃周微环境异质性和T4分期肿瘤微浸润判读主观性强等问题。基于1804例患者共13048幅CT图像的多中心队列验证，GAVR模型展现出卓越的诊断性能和稳健的跨机构泛化能力。在临床层面，GAVR模型能显著提高放射科医生术前识别T4a/T4b亚型的准确性和工作效率。作为一种非侵入性、客观的决策工具，GAVR有望整合到胃癌多学科诊疗流程中，支持个体化手术策略制定，降低不必要的联合器官切除率，改善患者预后。研究局限性包括：当前模型采用cT4a/cT4b二元分类框架，尚不足以支持临床实践中更复杂的治疗决策（如可切除性预测）；可解释性仍属事后解释范畴；外部验证队列均来自中国北方三级医院，可能存在地域和人群特异性偏差，未来需纳入多区域、多民族及国际队列进行验证。
**结论（翻译原文）**：在本研究中，针对胃癌CT图像分析中的关键临床挑战，研究人员提出并验证了一种基于多维度特征深度学习的GAVR模型。该模型采用eROI多维度特征提取策略，并采用ViT融合架构，有效处理了胃周微环境异质性和T4期肿瘤微浸润人工判读主观性强等问题。基于1804例患者共13048幅CT图像的多中心队列验证，GAVR模型展现出卓越的诊断性能和稳健的跨机构泛化能力。在临床层面，GAVR模型能显著提高放射科医生术前识别T4a/T4b亚型的准确性和工作效率。作为一种非侵入性、客观的决策工具，GAVR有望整合到胃癌多学科诊疗流程中，支持个体化手术策略制定，降低不必要的联合器官切除率，改善患者预后。
