基于深度学习的胃癌淋巴结转移诊断研究综述

基于深度学习的胃癌淋巴结转移诊断研究综述胃癌是全球范围内发病率和死亡率最高的恶性肿瘤之一，淋巴结转移状态是决定胃癌患者临床分期、治疗方案选择及预后评估的核心指标。传统诊断模式依赖病理医师对手术切除或活检获得的淋巴结组织进行苏木精-伊红（HE）染色切片读片，诊断效率受医师经验、工作负荷等主观因素影响较大，且对于微转移灶、隐匿性转移的识别存在明显局限性。随着医学影像技术与人工智能的交叉融合，深度学习凭借其强大的特征自动提取与非线性拟合能力，为胃癌淋巴结转移的精准、高效诊断提供了全新解决方案，相关研究在近十年呈现爆发式增长，已成为临床肿瘤学与医学人工智能领域的研究热点。一、胃癌淋巴结转移诊断的临床需求与传统方法瓶颈淋巴结转移是胃癌最主要的扩散途径，据统计，约30%~40%的早期胃癌患者及60%以上的进展期胃癌患者确诊时已存在区域淋巴结转移。准确的淋巴结转移诊断对于手术清扫范围的确定、术后辅助放化疗方案的制定至关重要：无淋巴结转移的患者接受单纯根治性手术即可获得较高生存率，而存在转移的患者往往需要联合系统性淋巴结清扫及术后辅助治疗，且5年生存率较无转移患者降低40%以上。传统淋巴结转移诊断方法主要包括术前影像学评估与术后病理诊断两类。术前常用手段包括增强CT、磁共振成像（MRI）、超声内镜（EUS）等，其诊断依据主要为淋巴结的大小、形态、强化方式、边界等宏观形态学特征，诊断敏感度普遍在60%~75%之间，对于短径小于5mm的微小转移灶敏感度不足40%，容易出现假阴性结果。术后病理诊断作为“金标准”，需要对所有送检淋巴结进行切片、染色、阅片，一名病理医师平均需要3~5分钟完成1张切片的诊断，面对单例患者数十枚甚至上百枚的淋巴结送检量，工作负担极重，且连续工作下的诊断一致性约为83%，不同经验医师之间的诊断差异可达15%~20%，微转移灶的漏诊率更是高达20%~30%。传统诊断模式的性能瓶颈与临床对精准、高效诊断的需求之间的矛盾日益突出，迫切需要新的技术手段突破现有局限。二、深度学习在胃癌淋巴结转移诊断中的应用场景与技术路径深度学习技术在胃癌淋巴结转移诊断中的应用覆盖术前无创诊断、术中快速诊断、术后病理复核全流程，不同场景下的技术路径与性能特点存在显著差异。（一）术前影像学诊断基于CT影像的深度学习诊断模型是术前淋巴结转移评估的主流研究方向。早期研究多采用二维卷积神经网络（2DCNN）对淋巴结区域进行独立分类，通过手动勾画感兴趣区（ROI）提取淋巴结的影像组学特征，结合临床特征构建预测模型，诊断AUC（曲线下面积）多在0.78~0.85之间。但这类方法依赖人工标注ROI，可重复性差，且忽略了淋巴结与周围组织的空间关系。近年来，三维卷积神经网络（3DCNN）及多模态融合技术逐渐成为研究主流。研究人员通过构建包含静脉期、动脉期、延迟期多期相CT影像的3D检测模型，实现了淋巴结的自动定位与转移状态判断，无需人工干预即可对全腹部CT影像进行端到端分析，对转移性淋巴结的检测敏感度提升至89%，特异度达到91%，且能够识别传统影像方法容易漏诊的胃周小淋巴结转移。部分研究进一步融合EUS图像、肿瘤原发灶特征、患者血清肿瘤标志物（如CEA、CA19-9）等多源信息，构建多模态预测模型，诊断AUC最高可达0.92，较单一影像模型提升5%~8%。目前已有部分术前诊断模型完成多中心临床验证，在不同设备、不同人群中展现出稳定的诊断性能，为术前临床分期提供了可靠的辅助工具。（二）术中冰冻病理诊断术中冰冻病理诊断是手术过程中确定淋巴结转移状态、指导手术清扫范围的关键环节，要求病理医师在30分钟内完成切片制备与诊断。由于冰冻切片存在细胞肿胀、冰晶形成等伪影，诊断难度较常规石蜡切片更高，经验不足的医师诊断准确率仅为75%左右。针对这一场景，研究人员开发了专门的深度学习快速诊断模型。通过对数千例冰冻切片图像进行训练，模型能够在1分钟内完成整张冰冻切片的分析，自动识别转移灶区域并给出转移分级。2022年一项发表在《NatureMedicine》的多中心研究显示，深度学习模型对胃癌淋巴结冰冻切片转移诊断的AUC达到0.987，敏感度97.2%，特异度96.4%，诊断性能与高年资病理医师相当，且对微转移灶的识别准确率达到88%，显著优于低年资医师。这类模型的应用能够有效缩短术中等待时间，降低因诊断延迟导致的手术风险，同时弥补基层医院病理医师经验不足的短板。（三）术后常规病理诊断术后常规HE染色切片的淋巴结转移诊断是患者预后评估的最终依据，也是深度学习应用最成熟的场景。2017年谷歌健康团队开发的淋巴结转移诊断模型在CAMELYON16公开数据集上取得了AUC0.99的优异成绩，首次证明深度学习在病理切片诊断中的性能可超过人类医师。在此基础上，针对胃癌淋巴结病理的专属模型不断涌现。目前主流技术路径采用“全切片图像（WSI）分割+区域分类”的两级架构：首先通过语义分割模型对WSI中的可疑转移区域进行快速定位，排除正常组织区域以降低计算量，随后对可疑区域采用高倍率分类模型判断是否存在转移及转移类型（宏转移、微转移、孤立肿瘤细胞）。国内团队2023年发布的大样本胃癌淋巴结病理诊断模型，基于1.2万余例胃癌患者的4.7万张淋巴结WSI进行训练，在12家外部中心的验证集中诊断准确率达到98.3%，将病理医师的平均诊断时间缩短60%，同时使微转移灶漏诊率降低27%。部分研究进一步结合免疫组化（IHC）染色图像信息，构建双染色融合模型，能够同时识别细胞形态与分子标志物表达，对于分化较差、形态不典型的转移灶诊断性能提升尤为显著。三、现有研究存在的问题与挑战尽管深度学习在胃癌淋巴结转移诊断领域取得了突破性进展，但从研究到临床落地仍面临诸多亟待解决的问题。其一，数据集的异质性与标注质量问题突出。医学数据来源复杂，不同医院的影像设备参数、病理切片制备流程、染色标准存在差异，导致模型在跨中心验证时性能出现明显下降。同时，高质量标注数据的获取成本极高，淋巴结转移的标注需要病理医师逐像素勾画转移区域，单张WSI的标注时间可达数小时，现有公开数据集多以乳腺癌、肺癌淋巴结数据为主，胃癌专属的大样本标注数据集仍十分缺乏。其二，模型的可解释性不足是临床应用的核心障碍。当前主流深度学习模型属于“黑箱”系统，仅能给出诊断结果，无法说明判断依据，而临床医师需要了解模型关注的区域、特征与医学认知是否一致，以判断结果的可靠性。尽管已有研究通过类激活映射（CAM）等方法对模型决策区域进行可视化，但仅能展示大致的关注区域，无法实现与临床诊断逻辑完全匹配的可解释性输出，难以获得医师的充分信任。其三，临床落地的合规性与workflow融合问题尚未解决。作为医疗人工智能产品，深度学习诊断模型需要通过严格的医疗器械监管认证，其稳定性、鲁棒性、安全性需要经过长期、大样本的临床验证。同时，如何将模型无缝融入现有的影像科、病理科工作流程，不增加医师额外工作负担，也是需要解决的实际问题。目前多数研究仍处于科研验证阶段，真正实现临床常规应用的产品寥寥无几。四、未来发展方向与应用前景针对现有研究的不足，未来该领域的发展将围绕以下几个方向展开：一是构建多中心、标准化的胃癌淋巴结专病数据库，统一数据采集与标注规范，引入联邦学习等技术实现数据的分布式训练，在保护患者隐私的前提下扩大模型训练的数据规模，提升模型的泛化能力；二是发展可解释的深度学习模型，将医学先验知识融入模型构建过程，实现诊断结果的医学逻辑化解释，打通模型决策与临床认知之间的壁垒；三是推动多技术融合，将深度学习诊断与分子病理、液态活检等技术结合，实现从淋巴结转移的定性诊断到转移风险预测、治疗反应评估的全链条拓展，为患者提供更精准的个体化诊疗建议。从长期来看，深度学习技术将全面融入胃癌淋巴结转移诊断的各个临床环节，成为医师的得力助手。术前能够实现无创、准