基于深度学习的肠化生在数字化胃活检中的检测与量化：一项多专家比较研究

这对你的健康有何意义

胃癌仍然是全球最致命的癌症之一，主要因为常常被发现得太晚。医生知道胃粘膜的一种特定癌前改变——肠化生——会在肿瘤出现前多年提示更高的风险。但目前这一预警标志是靠肉眼判断，这就可能导致两位专家对同一活检的严重程度产生分歧。本研究探讨人工智能是否能为这一关键早期预警步骤带来更一致、更精确的判断。

医生如何在胃中寻找问题

当有人被检查是否可能患有胃病时，会从胃内若干标准部位取出微小的组织样本进行显微镜检查。病理学家寻找的线索包括炎症、正常腺体的丧失，尤其是在不该出现的部位发现类似肠道的细胞。此类改变越广泛、占据胃的区域越多，个体最终发展为胃癌的估计风险就越高。现有评分系统将这些视觉印象合并为从极低到极高的分期，指导应如何密切随访患者。

单凭人工判断的问题

尽管这些系统在临床中被广泛使用，但它们依赖病理学家对受累组织比例的主观判断。既往研究和日常经验表明，即便是训练有素的专家在估计上也会出现明显差异。在本研究中，三位病理学家独立对来自哥伦比亚志愿者和患者的200多组胃活检进行了评分。他们之间的符合度仅为轻度到中度，意味着同一病例可能因读片者不同而获得不同的风险分期。此类变异令人担忧，因为有些人可能会被错误地安抚，而另一些人则可能被告知其风险高于实际。

教计算机读活检切片

研究者探问深度学习能否有所帮助——这是一种擅长识别图像中模式的人工智能技术。他们以很高的倍数对每位受检者的五个活检样本进行数字化，并首先使用专门的算法定位组织中腺体结构（早期改变常在此处出现）。从这些区域中提取了数十万张小图块。一位有经验的病理学家此前已圈定出肠化生存在的位置，从而使研究组能够将图块标注为异常或正常。随后若干现代神经网络架构按阶段训练：先从大型现有图像数据库学习，再在这些胃样本上微调，以区分肠化生与正常图块。

计算机的发现及其对比

在测试的模型中，某一特定架构取得了最佳结果，能在大多数图块中正确识别肠化生，达到与其他医学影像任务相当的表现水平。当对图块级别的预测重新拼接回整张切片图像时，模型生成了颜色编码的地图，显示出异常腺体可能所在的位置。程序又从这些地图自动计算出每个活检部位受累组织的百分比，并将这些百分比转化为与人类专家使用的相同风险分期。虽然模型并未完美匹配任何一位病理学家，但它与他们的估计呈显著相关，更重要的是，从病例到病例的表现比专家之间的一致性更好。

这对未来护理可能意味着什么

研究表明，深度学习系统可以作为胃活检的稳定“第二读片者”，提供早期癌前改变的客观量化结果。此类工具并非要取代病理学家，而是可以为其提供可靠的基线，减少猜测和分歧，帮助确保真正高风险的患者被识别并得到适当监测。经过在不同医院的进一步测试以及对组织亚型更精细的标注，这种方法最终可能支持更个性化、更有信心的决策，确定谁需要更密切的随访以预防胃癌。

引用: Cano, F., Caviedes, M., Siabatto, A. et al. Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study. Sci Rep 16, 9606 (2026). https://doi.org/10.1038/s41598-025-32737-w

关键词: 胃癌, 肠化生, 深度学习, 数字病理学, 癌症风险分层