基于深度学习的胃癌病理诊断研究综述

基于深度学习的胃癌病理诊断研究综述一、胃癌病理诊断的临床需求与技术瓶颈胃癌是全球范围内发病率与死亡率最高的恶性肿瘤之一，据世界卫生组织国际癌症研究机构（IARC）2025年发布的最新数据，全球每年新增胃癌病例约128万例，死亡病例达87万例，其中东亚地区占比超过60%，我国更是胃癌高发国家，每年新发病例占全球近45%。病理诊断作为胃癌诊断的"金标准"，是确定肿瘤分型、分化程度、浸润深度、淋巴结转移情况的核心依据，直接决定患者的手术方案选择、放化疗敏感性评估及预后预测。传统胃癌病理诊断依赖病理医师在显微镜下对苏木精-伊红（HE）染色切片进行人工判读，过程存在诸多不可避免的局限性：首先是诊断效率低下，一张完整的胃癌根治术病理切片包含数十亿像素的图像信息，病理医师完成单张切片的全面判读平均需要30-40分钟，基层医院病理科日均处理切片量可达上百张，医师长期处于高负荷工作状态，漏诊、误诊率随工作时长增加显著上升；其次是诊断一致性不足，受医师临床经验、专业背景、主观判断等因素影响，不同医院、不同医师对同一病例的诊断符合率仅为75%-85%，针对低分化腺癌、印戒细胞癌等特殊类型胃癌，诊断一致性甚至不足60%；此外，病理人才资源分布极度不均，我国每10万人口仅拥有1.3名病理医师，三级医院与基层医院病理诊断水平差距显著，偏远地区患者往往难以获得及时准确的病理诊断结果，错过了最佳治疗窗口期。进入精准医疗时代，临床对胃癌病理诊断提出了更高要求：不仅需要明确肿瘤良恶性，还需精准识别分子分型、预测免疫治疗响应率、评估复发风险，这些需求已经超出了传统人工判读的能力边界。在此背景下，深度学习技术凭借其强大的图像特征提取能力、端到端的学习模式、可量化的输出结果，为突破胃癌病理诊断的技术瓶颈提供了全新解决方案，成为近年医学人工智能领域的研究热点。二、深度学习在胃癌病理诊断中的核心应用场景（一）胃癌组织病理图像的良恶性鉴别良恶性鉴别是胃癌病理诊断的首要环节，直接决定后续诊疗路径的选择。早期研究主要聚焦于对病理图像中的单个细胞或局部区域进行分类，通过卷积神经网络（CNN）提取细胞核形态、细胞质纹理、核浆比等特征，实现癌变区域的初步筛查。2021年，《自然·医学》发表的一项研究提出了一种基于ResNet-50的胃癌分类模型，在包含1.2万张HE染色切片的数据集上进行训练，对胃癌与良性胃黏膜病变的鉴别准确率达到94.3%，AUC值为0.98，诊断性能与高年资病理医师相当。随着全玻片图像（WSI）扫描技术的普及，研究重点逐渐转向整张病理切片的端到端分析。为解决WSI数据量过大难以直接输入模型的问题，研究人员提出了多尺度注意力机制与滑动窗口相结合的处理策略：先将WSI分割为若干个256×256或512×512像素的图像块，通过CNN提取每个图像块的特征，再利用注意力权重矩阵融合不同尺度、不同区域的特征信息，最终实现整张切片的癌变区域定位与良恶性判定。2023年国内团队开发的DeepGC模型，在包含3万余张胃癌WSI的多中心数据集上进行验证，对早期胃癌的检出灵敏度达到97.2%，特异度为92.5%，能够准确识别直径仅为1mm的微小癌变病灶，大幅降低了早期胃癌的漏诊率。（二）胃癌组织学分型与分化程度评估胃癌的组织学分型包括腺癌、鳞癌、腺鳞癌、印戒细胞癌等多种类型，其中腺癌占比超过90%，又可进一步分为乳头状腺癌、管状腺癌、黏液腺癌等亚型，不同分型的生物学行为与治疗敏感度存在显著差异。深度学习模型通过学习不同亚型胃癌的特征性图像模式，能够实现自动分型识别。2022年一项发表在《病理学杂志》的研究构建了包含12种胃癌组织亚型的分类模型，总体分类准确率达到89.7%，其中对印戒细胞癌的识别准确率最高，达96.4%，能够有效区分印戒细胞癌与黏液腺癌这两种人工判读时极易混淆的亚型。肿瘤分化程度反映了肿瘤组织与正常组织的相似程度，分为高分化、中分化、低分化三个等级，分化程度越低，肿瘤恶性程度越高，预后越差。传统人工判读分化程度的一致性仅为70%左右，而深度学习模型通过提取腺体结构紊乱程度、细胞核异型性、核分裂象数量等关键特征，能够实现分化程度的客观量化评估。2024年最新研究提出的多任务学习模型，可同时完成胃癌分型与分化程度评估，在多中心外部验证集中的分化程度评估准确率达到87.3%，不同中心数据的性能波动小于5%，展现出优异的泛化能力。（三）胃癌浸润深度与淋巴结转移预测肿瘤浸润深度（T分期）和淋巴结转移情况（N分期）是胃癌TNM分期的核心组成部分，是判断患者预后、确定手术切除范围的关键依据。传统方法需要对手术切除标本进行逐层切片检查，耗时久且容易遗漏微转移病灶。深度学习技术能够通过对原发灶病理图像的特征分析，直接预测浸润深度与淋巴结转移风险，无需额外切片检查。2023年《柳叶刀·肿瘤学》发表的一项多中心研究，纳入了来自8个国家15个中心的5000余例胃癌患者病理数据，开发的DeepStaging模型对T分期的预测准确率达到85.2%，对N分期的预测准确率达到81.4%，其中对微转移病灶（转移灶直径<2mm）的识别灵敏度达到89.3%，远高于传统人工检测的65%。该模型还能够自动识别肿瘤浸润边界的特征模式，预测浆膜层侵犯风险，为外科医生制定手术方案提供精准参考。此外，部分研究进一步探索了基于病理图像的术前淋巴结转移预测，通过结合胃镜活检病理图像与临床特征，术前预测淋巴结转移的AUC值可达0.87，能够帮助临床医师在术前更准确地评估分期，选择合适的新辅助治疗方案。（四）胃癌分子标志物预测与预后评估随着精准医疗的发展，HER2、PD-L1、微卫星不稳定性（MSI）等分子标志物的检测已经成为胃癌个体化治疗的必备环节，传统检测方法需要通过免疫组化、基因测序等技术，成本高、耗时长，且部分患者由于组织样本量不足无法完成检测。深度学习技术的发展使得"数字病理组学"成为可能，即直接从HE染色病理图像中预测分子标志物表达状态，无需额外实验检测。2022年，哈佛医学院团队在《细胞》发表研究成果，通过对1万余例胃癌患者的病理图像与基因组数据进行关联分析，开发的模型能够预测HER2扩增状态，准确率达到91.2%，预测MSI状态的准确率达到87.5%，预测PD-L1表达（CPS≥1）的准确率达到84.3%。该技术能够在病理诊断的同时同步给出分子标志物预测结果，将检测时间从原来的3-5天缩短至几分钟，检测成本降低90%以上，尤其适合在缺乏分子检测条件的基层医院推广应用。在预后评估方面，深度学习模型能够提取人工无法识别的潜在预后相关特征，构建更精准的预后预测模型。2024年国内团队开发的GC-Prognosis模型，整合了病理图像特征、临床特征与基因组特征，对胃癌患者5年总生存率的预测C-index达到0.82，显著优于传统的TNM分期模型（C-index=0.71），能够有效识别高复发风险患者，指导术后辅助治疗方案的选择。三、当前研究面临的关键挑战（一）数据质量与标准化问题深度学习模型的性能高度依赖训练数据的质量与规模，当前胃癌病理图像数据存在诸多问题：首先是数据标注成本极高，病理图像的标注需要专业病理医师耗费大量时间完成，高质量标注的胃癌WSI数据集数量有限，且大多集中在少数大型医疗中心，存在数据偏倚问题；其次是数据异质性强，不同医院使用的病理切片制备工艺、染色设备、扫描仪器存在差异，导致病理图像的颜色、亮度、对比度存在显著差别，直接影响模型的泛化能力，同一模型在不同中心数据上的性能波动可达15%-20%；此外，数据标准化体系尚未建立，不同研究采用的图像预处理方法、标注规范、评估指标不统一，导致研究结果之间难以横向比较，阻碍了技术的临床转化。（二）模型可解释性不足深度学习模型的"黑箱"特性是阻碍其临床应用的核心瓶颈之一。当前大多数胃癌病理诊断模型只能给出分类结果或概率值，无法解释做出判断的依据，即模型究竟关注了病理图像中的哪些区域、哪些特征来得出诊断结论，这使得病理医师难以信任模型的输出结果，也无法对模型的错误判断进行溯源分析。尽管目前已有类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）等可视化方法，能够大致显示模型关注的图像区域，但这些方法只能提供宏观的定位信息，无法解释特征与诊断结论之间的病理生理学关联，距离临床可接受的可解释性要求仍有较大差距。（三）临床场景适配性不足现有研究大多是在理想的实验室环境下开展，与真实临床场景存在较大差距：首先，实验室训练用的病理切片大多质量较高，而临床实际工作中常存在切片过厚、染色不均、组织折叠、气泡等质量问题，模型在低质量切片上的性能会显著下降；其次，现有模型大多针对单一任务设计，而临床病理诊断是一个多步骤、多任务的连贯过程，需要同时完成良恶性鉴别、分型、分期、分子标志物预测等多个任务，单一功能的模型难以融入现有病理科工作流程；此外，模型的运行效率仍有待提升，单张WSI的分析时间大多在5-10分钟左右，难以满足病理科日均上百张切片的处理需求。四、未来研究方向与发展趋势（一）构建大规模标准化病理数据库未来研究的首要方向是构建多中心、跨人种、覆盖全疾病谱的胃癌病理图像数据库，统一切片制备、染色、扫描的操作规范，建立标准化的标注体系与数据预处理流程。通过联邦学习、小样本学习等技术，在保护患者隐私的前提下实现多中心数据的联合训练，有效解决数据偏倚问题，提升模型的泛化能力。同时，推动病理图像数据与临床数据、基因组数据、预后数据的多模态融合，构建更全面的胃癌精准诊疗数据集。（二）开发可解释的深度学习模型重点关注可解释人工智能（XAI）技术在病理诊断领域的应用，开发兼具高性能与高可解释性的深度学习模型。一方面，将病理学先验知识嵌入模型结构设计，引导模型学习与病理诊断逻辑一致的特征，例如将腺体结构、细胞核形态等病理学家关注的关键特征作为模型的中间监督目标；另一方面，构建特征与病理知识的关联图谱，实现模型判断依据的病理学术语化解释，使得模型不仅能够定位癌变区域，还能够输出类似病理医师的诊断描述，例如"该区域存在腺体结构消失、细胞核异型性明显、核分裂象增多等癌变特征"，从而获得病理医师的信任。（三）推动病理诊断全流程智能化从单一任务模型向多任务集成的病理诊断系统发展，构建覆盖标本接收、切片扫描、初筛、诊断、报告生成全流程的智能化解决方案。开发能够自动评估切片质量的算法，对低质量切片提示重新制备；通过多任务学习技术，实现一张病理切片输入后同步输出良恶性、分型、分化程度、分期、分子标志物预测、预后风险等全维度诊断信息；优化模型推理效率，将单张WSI的分析时间缩短至1分钟以内，满足临床高通量需求。同时，推动智能病理系统与病理科现有信息系统的深度融合，打造"人机协作"的新型病理诊断模式，将病理医师从重复性的筛查工作中解放出来，聚焦于复杂病例的诊断与治疗方案制定。（四）加强