基于深度学习的胃癌新辅助化疗后病理退缩的CT影像预测模型构建与验证研究综述

基于深度学习的胃癌新辅助化疗后病理退缩的CT影像预测模型构建与验证研究综述一、胃癌新辅助化疗病理退缩评估的临床需求与现有技术瓶颈胃癌是全球范围内发病率位列第五、死亡率位列第三的恶性肿瘤，我国胃癌新发病例占全球总数的43.9%，其中约60%的患者初诊时已处于局部进展期。新辅助化疗作为局部进展期胃癌的标准治疗方案之一，可通过术前缩小肿瘤体积、降低肿瘤分期、清除微转移灶，显著提高R0切除率并改善患者长期生存。然而，不同患者对新辅助化疗的敏感性存在显著异质性，仅约40%~60%的患者可获得明显病理退缩，约20%的患者甚至在化疗期间出现疾病进展。病理退缩程度作为评估新辅助化疗疗效的核心指标，与患者无病生存期、总生存期呈显著正相关，治疗前或治疗早期准确预测病理退缩程度，可为个体化治疗方案制定提供关键依据——对化疗敏感患者可维持现有方案以最大化肿瘤降期效果，对不敏感患者则可及时调整治疗策略，避免无效化疗带来的毒副反应与手术时机延误。目前临床评估新辅助化疗疗效的金标准是术后病理检查，但该方法仅能在治疗结束后获得结果，无法为术前治疗方案调整提供参考。现有术前疗效评估手段主要依赖实体瘤疗效评价标准（RECIST），即通过测量CT影像中肿瘤最大径的变化判断治疗响应，但该方法存在显著局限性：首先，胃癌属于空腔脏器肿瘤，肿瘤形态多不规则、边界模糊，不同观察者对肿瘤最大径的测量一致性仅为0.62~0.75，重复性较差；其次，新辅助化疗后的肿瘤退缩常伴随纤维化、坏死、炎症细胞浸润等组织学改变，这些改变在常规CT影像中与残余肿瘤组织密度相近，无法通过肉眼区分，导致RECIST标准评估病理退缩的准确率仅为55%~65%，难以满足临床精准决策需求。此外，患者年龄、体力状态、肿瘤标志物水平、病理分型等临床特征仅能为疗效预测提供有限参考，其单独预测AUC（曲线下面积）多低于0.7，无法独立支撑临床决策。二、深度学习在医学影像预测中的技术基础与应用适配性深度学习是人工智能领域的重要分支，其核心特点是可通过多层神经网络自动从原始数据中提取高维特征，无需人工定义特征规则。在医学影像领域，卷积神经网络（CNN）是应用最广泛的深度学习架构，其通过卷积层、池化层、全连接层的堆叠，可自动捕获影像中从低到高不同层次的特征——低层级特征对应边缘、纹理、密度等基础视觉属性，中高层级特征则对应复杂的组织形态、空间分布模式等抽象属性，这一特性使其特别适合处理胃癌CT影像中难以通过人工识别的微观异质性信息。相较于传统影像组学方法依赖人工筛选特征（如形态特征、灰度特征、纹理特征等）的模式，深度学习在胃癌病理退缩预测中具有显著优势：一是特征提取自动化，无需研究者具备专业的影像组学知识，可避免人工特征选择带来的偏倚，同时能挖掘大量人类视觉无法感知的高维潜在特征；二是端到端学习能力，可直接将原始CT影像作为输入，输出病理退缩预测结果，减少中间处理步骤带来的误差；三是多模态信息融合能力，可便捷整合临床资料、基因表达、病理图像等多源数据，进一步提升预测性能。当前用于影像预测的深度学习模型已形成成熟的技术谱系：基础CNN架构如VGGNet、ResNet、DenseNet等可作为特征提取的骨干网络，针对小样本医学影像数据的迁移学习技术可解决标注数据不足的问题，注意力机制可帮助模型重点关注肿瘤区域及周边可能存在微浸润的组织区域，3DCNN则可充分利用CT影像的三维空间信息，避免二维切片丢失肿瘤整体形态特征。这些技术的逐步成熟，为构建胃癌新辅助化疗病理退缩预测模型提供了坚实的技术支撑。三、基于CT影像的深度学习预测模型构建流程与关键技术环节（一）数据集构建与预处理高质量标注数据集是模型构建的基础，目前研究纳入的数据集通常包含多期增强CT影像（平扫期、动脉期、门脉期、延迟期）、患者临床病理资料及术后病理退缩分级（TRG）标签。病理退缩分级多采用Becker标准或Mandard标准，其中Becker标准将TRG分为5级：TRG1为完全缓解（无残余肿瘤细胞），TRG2为显著退缩（残余肿瘤细胞<10%），TRG3为中度退缩（残余肿瘤细胞10%~50%），TRG4为轻度退缩（残余肿瘤细胞>50%），TRG5为无退缩（肿瘤无变化或进展），多数研究将TRG1~2定义为病理良好响应，TRG3~5定义为不良响应，以此作为二分类预测的标签。数据预处理是保障模型鲁棒性的关键步骤，主要包括：①影像重采样，将不同扫描参数的CT影像统一到相同的空间分辨率（如1mm×1mm×1mm），消除设备差异带来的影响；②灰度归一化，将CT值（Hu）截断到[-1000,1000]范围并进行Z-score标准化，减少扫描剂量差异导致的灰度偏差；③肿瘤区域标注，由2名以上经验丰富的放射科医生手动勾画肿瘤感兴趣区（ROI），勾画范围需包含整个肿瘤实体，同时避免周围正常组织、气体、造影剂残留的干扰，部分研究采用自动分割算法预标注后人工校正的方式提高标注效率；④数据集划分，通常按照7:2:1或8:1:1的比例随机划分为训练集、验证集和测试集，部分多中心研究采用不同中心数据作为独立外部测试集，以更准确评估模型的泛化能力。（二）模型架构设计与特征学习目前主流的模型架构主要分为三类：第一类是基于二维CNN的模型，以ResNet-50为代表，将CT影像的每个轴向切片作为独立输入，通过全局平均池化层提取切片级特征，再通过注意力机制融合多切片特征获得肿瘤整体的预测结果，这类模型的优势是训练成本低、对数据量要求较小，适合单中心小样本研究，已有研究显示该类模型在测试集上的AUC可达0.78~0.82。第二类是基于三维CNN的模型，如3DResNet、V-Net等，直接将包含肿瘤的三维影像块作为输入，可充分利用肿瘤的空间形态特征，更符合胃癌作为三维实体的生物学特性，2023年一项纳入326例患者的多中心研究显示，3DCNN模型预测病理良好响应的AUC在内部测试集为0.86，外部测试集为0.81，显著优于传统影像组学模型（AUC=0.73）和RECIST标准（AUC=0.64）。第三类是多模态融合模型，在影像特征的基础上融合患者的年龄、性别、Borrmann分型、肿瘤分化程度、治疗前癌胚抗原（CEA）/糖类抗原19-9（CA19-9）水平、化疗方案等临床特征，具体融合方式包括早期融合（输入层直接拼接影像特征与临床特征）、中期融合（中间特征层拼接）和晚期融合（输出层分别加权影像模型与临床模型的预测结果），多项研究证实多模态融合可将模型AUC进一步提升2%~5%，尤其对分化程度较低、形态不典型的肿瘤预测增益更为显著。针对医学影像数据普遍存在的标注样本量少、类不平衡问题，研究者通常采用以下优化策略：一是迁移学习，将在大规模自然图像数据集（如ImageNet）或通用医学影像数据集上预训练的模型权重作为初始化参数，再用胃癌CT数据集进行微调，可显著降低模型对标注数据量的需求，在样本量不足100例的数据集上仍可获得较稳定的性能；二是数据增强，通过对训练集影像进行随机旋转、翻转、缩放、弹性形变、添加高斯噪声等操作，扩充训练数据多样性，避免模型过拟合；三是类平衡策略，采用加权交叉熵损失函数、Focal损失函数或过采样少数类样本的方式，缓解病理良好响应样本占比低（通常为30%~40%）导致的模型偏倚。（三）模型验证与临床价值评估模型验证需遵循严格的科研规范，内部验证通常采用五折交叉验证或十折交叉验证，评估模型在同一研究人群中的稳定性；外部验证则需纳入不同中心、不同扫描设备、不同人群基线特征的独立数据集，是检验模型泛化能力的核心环节。目前已有超过30项相关研究完成了外部验证，其中约60%的研究外部测试集AUC可达0.75以上，30%的研究AUC超过0.80，显示出良好的临床应用潜力。模型的临床价值评估需兼顾统计学指标与临床实用性：首先是诊断性能指标，包括准确率、灵敏度、特异度、阳性预测值、阴性预测值，其中高灵敏度适合用于筛选化疗敏感患者，避免错失新辅助化疗获益机会，高特异度则适合用于识别化疗不敏感患者，避免无效治疗，2024年一项Meta分析纳入17项相关研究共2345例患者，结果显示深度学习模型预测病理完全缓解的合并灵敏度为0.82，特异度为0.87，阴性预测值达0.96，提示模型可有效排除病理完全缓解的假阳性病例，有望用于筛选适合等待观察策略的患者；其次是决策曲线分析（DCA），用于评估模型在不同阈值概率下的净获益，多项研究显示当阈值概率在0.2~0.8范围内时，深度学习模型的净获益显著高于传统RECIST评估和临床模型，证明其可为临床决策提供更优参考；此外，部分研究还通过消融实验、类激活映射（CAM）等方法对模型进行可解释性分析，显示模型的关注点主要集中在肿瘤内部的异质性区域、肿瘤边缘的浸润区域以及周围淋巴结区域，与临床医生判断疗效的关注区域基本一致，一定程度上解释了模型预测的生物学合理性，有助于提高临床医生对模型的接受度。四、现有研究局限性与未来发展方向尽管深度学习模型在胃癌新辅助化疗病理退缩预测中已取得显著进展，但目前仍存在多方面局限性，距离广泛临床应用还有一定距离。一是数据异质性问题，不同中心的CT扫描参数（如层厚、造影剂注射速率、扫描延迟时间）存在较大差异，而现有研究的数据集多来自单中心或少数几个中心，缺乏覆盖不同地区、不同设备、不同人种的大规模多中心数据集，导致部分模型在外部验证时性能下降明显，泛化能力不足；二是标注质量与标准化问题，病理退缩分级的判定受病理医生经验影响，不同中心对TRG分级的判定一致性约为0.7~0.8，同时肿瘤ROI的勾画也存在观察者间差异，这些标注偏差会直接影响模型的学习效果；三是可解释性不足，深度学习模型的“黑箱”特性使得临床医生难以理解其预测依据，虽然类激活映射等方法可提供一定的可视化解释，但仍无法从生物学机制层面解释特征与病理退缩的关联，这是制约模型临床应用的重要因素；四是缺乏前瞻性研究验证，现有研究多为回顾性研究，存在选择偏倚，无法模拟真实临床场景下的应用效果，目前仅有2项小样本前瞻性研究报道了初步结果，尚需更大规模的前瞻性临床试验验证模型的临床价值。未来研究可从以下方向重点突破：第一，构建大规模多中心标准化数据集，建立统一的影像扫描规范、ROI勾画标准和病理退缩分级标准，通过多中心协作整合万例级别的高质量标注数据，为模型训练提供充足的数据基础；第二，开发更适合胃癌CT影像的专用模型架构，结合胃癌的生物学特性优化模型结构，如将肿瘤异质性、淋巴结状态、脉管侵犯等先验医学知识嵌入模型，提高特征提取的针对性，同时探索小样本学习、自监督学习等技术，减少模型对标注数据的依赖；第三，加强模型可解释性研究，结合多组学数据探索深度学习特征对应的生物学