基于深度学习的胃癌CT影像腹膜种植转移的术前预测与高危区域识别模型研究综述

基于深度学习的胃癌CT影像腹膜种植转移的术前预测与高危区域识别模型研究综述胃癌是全球范围内发病率排名第五、死亡率排名第四的恶性肿瘤，腹膜种植转移是胃癌最常见的远处转移形式之一，约有10%~20%的胃癌患者在初始诊断时已存在腹膜转移，而接受根治性手术的患者中也有30%~50%会在术后出现腹膜复发。一旦发生腹膜转移，患者的中位生存期仅为6~12个月，且丧失了根治性手术的机会，只能接受姑息性化疗、腹腔灌注等治疗手段，预后极差。因此，术前准确识别腹膜种植转移的发生风险，并精准定位潜在的转移高危区域，对于临床制定个体化治疗方案、改善患者预后具有至关重要的意义。传统的胃癌腹膜转移术前诊断主要依赖于增强CT检查，放射科医生通过观察CT图像中腹膜增厚、结节、腹水、网膜饼等典型征象判断转移情况，但这种方法存在明显的局限性：一方面，对于直径小于5mm的微小转移灶，CT的灵敏度仅为30%~50%，极易出现漏诊；另一方面，诊断结果高度依赖医生的临床经验，不同医师间的诊断一致性Kappa值仅为0.5~0.7，存在较大的主观性差异。近年来，深度学习技术在医学影像分析领域取得了突破性进展，其强大的特征提取能力能够挖掘人眼无法识别的微观影像特征，为胃癌腹膜转移的术前精准预测和高危区域定位提供了全新的解决方案。一、胃癌CT影像腹膜种植转移深度学习预测模型的主流架构目前用于胃癌腹膜转移预测的深度学习模型主要分为基于二维卷积神经网络（2DCNN）的模型、基于三维卷积神经网络（3DCNN）的模型以及多模态融合模型三大类，不同架构在特征提取维度、计算效率和诊断性能上各有优劣。（一）基于2DCNN的预测模型2DCNN是最早应用于胃癌腹膜转移CT影像分析的模型架构，其核心思想是将腹部CT序列按轴位、矢状位、冠状位等不同平面拆分为二维图像切片，输入ResNet、DenseNet、EfficientNet等经典2DCNN骨干网络提取切片级特征，再通过全局池化、注意力机制等方法聚合多切片特征，最终输出患者层面的腹膜转移概率。2021年，韩国首尔国立大学团队开发了基于ResNet-50的腹膜转移预测模型，该模型纳入了1238例胃癌患者的术前增强CT影像，在测试集上的AUC达到0.89，灵敏度为83%，特异度为82%，性能显著优于资深放射科医生的人工诊断（AUC=0.76）。该模型的创新点在于引入了注意力机制，能够自动聚焦于胃癌原发灶周围、网膜、腹膜等易发生转移的区域，排除肠道气体、骨骼等无关区域的干扰。但2DCNN模型的天然缺陷在于丢失了CT影像的三维空间信息，无法捕捉转移灶在冠状位、矢状位上的连续性特征，对于散在分布的微小转移灶识别能力有限。（二）基于3DCNN的预测模型为了充分利用CT影像的三维空间信息，越来越多的研究开始采用3DCNN架构处理腹部CT序列。3DCNN能够直接对三维体积数据进行卷积操作，提取不同层间的空间关联性特征，对于腹膜转移灶的形态、位置、分布特征的捕捉能力显著优于2D模型。2023年，中国医学科学院肿瘤医院团队提出了一种名为PeriNet的3DCNN模型，该模型创新性地将腹腔区域自动分割模块与转移预测模块相结合，首先通过3DU-Net自动分割出全腹腔范围，排除腹腔外无关组织的干扰，再在腹腔区域内提取三维特征进行转移预测。该研究纳入了1872例进展期胃癌患者的术前CT数据，在内部测试集上AUC达到0.92，灵敏度为88%，特异度为87%，在3个外部验证集上的AUC也稳定在0.87~0.89之间，展现出良好的泛化能力。此外，该团队还发现模型对于印戒细胞癌、Lauren弥漫型胃癌等容易发生腹膜转移的病理亚型的预测准确率更高，提示模型能够有效捕捉高危病理类型对应的影像特征。但3DCNN模型的计算量远高于2D模型，对硬件设备要求更高，且训练过程中需要更多的标注数据，容易出现过拟合问题。（三）多模态融合预测模型单一的CT影像特征往往无法全面反映肿瘤的生物学行为，因此近年来不少研究开始探索将CT影像特征与临床病理特征、肿瘤标志物、组学特征等多模态数据相结合，进一步提升模型的预测性能。2022年，复旦大学附属中山医院团队开发了融合CT影像特征、血清肿瘤标志物（CEA、CA19-9、CA72-4）及临床病理特征（年龄、性别、肿瘤分期、分化程度）的多模态预测模型，该模型在1456例患者队列中的AUC达到0.94，相较于单一CT影像模型（AUC=0.88）提升了6个百分点，对于T3/T4期患者的预测灵敏度更是达到了91%。研究表明，血清CA125水平与腹膜转移的相关性极高，将其纳入模型后能够有效降低假阴性率，尤其是对于无明显CT征象的微小转移灶患者的识别能力提升显著。还有研究将影像组学特征与深度学习特征相融合，通过人工提取的纹理、形状等组学特征补充深度学习自动提取的隐式特征，进一步提升模型的可解释性和预测稳定性。二、腹膜种植转移高危区域识别模型的研究进展预测患者是否发生腹膜转移仅能提供整体风险评估，而精准定位腹膜转移的高危区域对于术前制定手术方案、术中精准探查、术后辅助治疗范围的确定具有更直接的指导意义。目前高危区域识别模型主要分为弱监督学习模型、语义分割模型和检测模型三类。（一）基于弱监督学习的区域定位模型由于腹膜转移灶的精准标注需要放射科医生逐层勾画CT图像，耗时耗力，大规模标注数据的获取难度极大，因此弱监督学习成为腹膜转移区域定位的主流研究方向。弱监督学习仅需要患者层面的标签（是否存在腹膜转移），无需对转移灶进行逐像素标注，通过类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）等方法定位模型决策关注的区域，从而间接识别转移高危区域。2021年，日本东京大学团队采用弱监督学习方法开发了腹膜转移定位模型，该模型基于EfficientNet-B4骨干网络，仅使用患者层面的转移标签进行训练，通过Grad-CAM生成的热力图能够高亮显示高概率转移区域。在包含210例经手术病理证实腹膜转移患者的测试集上，模型定位转移区域的准确率达到78%，对于直径大于10mm的转移灶定位准确率为92%，对于直径5~10mm的转移灶定位准确率为68%，能够有效辅助外科医生在术中重点探查高亮区域，降低微小转移灶的漏检率。但弱监督学习生成的热力图仅能提供区域级的概率提示，无法精确勾勒转移灶的边界，也无法区分良恶性病变，容易出现假阳性区域。（二）基于语义分割的区域识别模型对于有条件获取转移灶像素级标注的研究，语义分割模型能够实现转移灶的精准边界勾画，直接输出每个体素属于转移灶的概率，为高危区域的定量分析提供可能。目前常用的语义分割架构包括3DU-Net、VNet、nnU-Net等，其中nnU-Net因其自适应预处理、动态网络架构调整等特性，在医学影像分割任务中表现尤为突出。2024年，四川大学华西医院团队构建了包含512例腹膜转移患者、共1367个经病理证实的转移灶标注的大规模数据集，基于nnU-Net架构训练了腹膜转移灶自动分割模型，该模型在测试集上的Dice系数达到0.81，交并比（IoU）达到0.72，对于不同位置的转移灶（壁层腹膜、脏层腹膜、网膜、肠系膜）的分割性能均稳定在Dice0.78~0.83之间。研究团队进一步对分割结果进行定量分析，发现腹膜转移灶的总负荷、最大直径、分布数量与患者的预后显著相关，基于分割结果构建的预后模型能够有效区分不同风险层级的患者，为术后辅助治疗方案的选择提供依据。但语义分割模型的训练高度依赖高质量的像素级标注，而腹膜转移灶往往形态不规则、边界模糊、与周围正常组织对比度低，标注难度大，限制了此类模型的大规模应用。（三）基于目标检测的转移灶识别模型目标检测模型能够直接输出转移灶的boundingbox坐标、类别置信度和位置信息，更符合临床医生“识别病灶位置并判断大小”的诊断习惯，因此也受到了不少研究者的关注。目前常用的检测模型包括FasterR-CNN、YOLO系列、CascadeR-CNN等，针对医学影像中小目标检测的特性，研究者通常会对锚框设计、特征融合模块进行针对性优化。2023年，中山大学肿瘤防治中心团队针对腹膜微小转移灶检测难度大的问题，对YOLOv8模型进行改进，引入了小目标检测头和多尺度特征融合模块，提升了对5mm以下微小转移灶的识别能力。该模型在包含327例患者的数据集上进行训练和测试，对于直径大于5mm的转移灶检测mAP@0.5达到0.85，对于直径小于5mm的转移灶检测mAP@0.5达到0.62，显著优于传统FasterR-CNN模型（小病灶mAP=0.48）。该模型能够在CT序列上自动标注所有可疑转移灶的位置和大小，辅助放射科医生减少漏诊，研究结果显示，使用该模型辅助诊断后，放射科医生的诊断灵敏度从72%提升至89%，平均诊断时间从18分钟缩短至8分钟。三、当前研究面临的挑战与未来发展方向尽管深度学习在胃癌腹膜转移术前预测和区域识别领域已经取得了显著进展，但距离临床大规模落地应用仍面临诸多挑战，未来的研究需要重点关注以下几个方向：首先是模型泛化能力不足的问题。目前大多数研究都是基于单中心、单一机型的CT数据进行训练，不同中心的CT扫描参数、造影剂注射方案、层厚设置存在差异，导致模型在跨中心验证时性能下降明显。未来需要建立多中心、大样本的标准化数据集，统一影像采集和预处理流程，通过域适应、联邦学习等技术提升模型在不同中心数据上的泛化能力。其次是模型可解释性差的问题。深度学习模型的“黑箱”特性使得临床医生难以理解模型的决策依据，这也是阻碍其临床应用的重要因素。未来需要进一步探索可解释人工智能（XAI）技术在该领域的应用，通过类激活映射、特征可视化、因果推理等方法，明确模型预测所依赖的影像特征，验证这些特征与肿瘤生物学行为的关联性，提高临床医生对模型的信任度。第三是临床转化路径不清晰的问题。目前大多数研究仅停留在算法性能验证阶段，缺乏前瞻性的临床干预研究来证实模型的临床应用价值。未来需要开展多中心前瞻性临床试验，评估模型辅助诊断后对患者治疗决策、手术切除率、术后生存期等临床终点的影响，明确模型的临床获益，制定符合临床工作流程的应用规范。此外，如何将深度学习模型与现有的临床诊断路径相结合，开发便捷易用的临床辅助决策系统，也是未来需要重点解决的问题。比如将模型集成到影像科阅片系统中，自动为医生提供转移风险提示和可疑区域标注，而不增加医生的工作负担；将模型预测结果与手术导航系统相结合，辅助外科医生在术中精准定位微小转移灶，提高手术根治