Molecular Cancer
人工智能模型在胃肠癌早期诊断与精准治疗中的应用综述

小赛推荐：

该研究系统总结了AI模型在胃肠癌多模态数据整合中的应用，为胃肠肿瘤的早筛策略与个体化治疗设计提供了可借鉴的计算框架。

 

文献概述

本文《Artificial intelligence models: transforming early diagnosis and precise treatment of gastrointestinal cancers》，发表于《Molecular Cancer》杂志，系统探讨了人工智能（AI）在胃肠肿瘤（GI tumors）临床与基础研究中的最新进展。文章回顾了从传统机器学习到深度学习、图神经网络与基础模型的演进路径，并详细分析了其在内镜筛查、液体活检、影像组学与多组学融合中的应用。进一步分析了AI在预后预测、治疗响应评估与临床决策支持中的系统价值，同时指出了当前模型在泛化性、可解释性与异质数据整合中的挑战。

背景知识

胃肠肿瘤，包括食管癌、胃癌与结直肠癌，是全球癌症相关死亡的主要原因，其高异质性与复杂的肿瘤微环境（TME）TME严重阻碍了早期诊断与精准治疗。目前，TP53、KRAS、APC等驱动基因的检测虽已应用于临床，但单一分子标志物难以全面反映肿瘤的动态演化过程。此外，传统病理与影像评估存在主观性强、重复性差的问题，而多中心数据的异质性进一步限制了AI模型的泛化能力。该研究的切入点在于系统性分类AI模型架构，并聚焦其在整合多模态数据（如内镜图像、WSIs、ctDNA、代谢组）方面的潜力，旨在推动从“经验驱动”向“数据驱动”的临床决策转型。文章特别强调了MSI、TMB、PD-L1等免疫治疗相关生物标志物的AI预测能力，为个体化免疫治疗策略提供了新工具。

 

针对胃肠肿瘤研究，赛业生物提供基于CRISPR/Cas9技术的基因敲除小鼠模型定制服务，涵盖[[TP53]]、[[KRAS]]、[[APC]]等关键驱动基因，支持全身性或组织特异性敲除，助力肿瘤发生机制与药物靶点验证研究。结合表型分析平台，可系统评估肿瘤发展、转移及免疫微环境变化，为AI模型训练提供高质量动物数据。

了解更多

 

研究方法与核心实验

作者对PubMed与Google Scholar数据库中截至2024年的相关研究进行了系统性检索，依据PRISMA指南筛选文献。最终纳入253篇核心研究，涵盖AI在胃肠肿瘤中的各类应用。研究按照算法类型（如CNN、Transformer、GNN）、数据模态（如内镜图像、WSIs、ctDNA）与临床任务（如早筛、分子分型、预后预测）进行分类归纳。通过多张总结表格（如Table 1–4），系统比较了不同AI模型在特定任务中的性能指标（如AUC、Dice系数、mIoU）、优势与局限性。此外，文中引用多个代表性研究，如UNI、CHIEF、CRCFound等基础模型，分析其在特征提取、迁移学习与多中心泛化中的表现。

关键结论与观点

• AI模型在内镜图像分析中显著提升了早期病变检测率，如基于CNN的CADx系统可达到与内镜专家相当的准确度，但特异性仍需提升。该发现提示未来需在真实世界多中心RCT中验证结直肠癌AI辅助诊断系统的临床效用。
• 液体活检结合AI可实现非侵入性早筛，如XGBoost与VAE联合模型通过oncRNA谱追踪肿瘤负荷，在早期结直肠癌中展现出高灵敏度。这为ctDNA动态监测提供了新思路，支持在高危人群中开展纵向筛查。
• 基础模型（如UNI、CHIEF）在WSIs与CT图像中展现出卓越的特征提取能力，显著优于传统CNN模型。这表明预训练策略可有效缓解标注数据稀缺问题，推动HER2、MSI等关键生物标志物的自动化判读。
• 多模态融合模型（如CT+WSI+临床变量）在预测新辅助治疗pCR与复发风险方面表现优异，如Vision-Mamba模型通过融合体素影像组学与CT图像，在食管癌中准确预测nICT后pCR。该进展支持在临床实践中整合多源数据以提升个体化治疗决策的准确性。
• 尽管AI模型性能优越，其“黑箱”特性限制了临床采纳。引入可解释AI（XAI）技术如注意力机制与梯度加权类激活映射（Grad-CAM），可可视化模型决策依据，增强医生信任度。未来应加强AI可解释性在真实临床环境中的验证。

研究意义与展望

该综述为胃肠肿瘤的AI研究提供了系统性框架，强调了从单一模型向多模态、可解释、泛化性强的智能系统演进的必要性。在药物开发领域，AI可加速生物标志物发现与患者分层，提升临床试验效率。在临床监测中，AI驱动的动态风险评估模型有望实现个性化随访策略。此外，AI与数字病理、液体活检的结合将推动疾病建模向“虚拟孪生”方向发展，为精准医学提供新范式。

 

为支持胃肠肿瘤的精准治疗研究，赛业生物提供HUGO-GT®全基因组人源化小鼠模型，可精准模拟人类[[MSI]]、[[TMB]]等免疫治疗相关标志物的表达环境。该模型适用于免疫检查点抑制剂药效评价，结合AI辅助病理分析，可加速个体化免疫治疗策略的临床前验证。

了解更多

 

结语

本研究全面梳理了AI在胃肠肿瘤诊疗中的多维度应用，从早期筛查到治疗响应预测，展示了数据驱动方法在提升临床决策精度中的巨大潜力。通过整合内镜、影像、分子与临床数据，AI不仅提高了诊断效率，还揭示了肿瘤异质性与微环境动态变化的深层规律。特别是基础模型与多模态融合策略的引入，为解决小样本、跨中心泛化难题提供了新路径。然而，模型可解释性、数据隐私与前瞻性验证仍是转化落地的关键瓶颈。未来研究应聚焦于构建端到端的AI临床辅助系统，并在真实世界环境中验证其对胃肠肿瘤患者生存与生活质量的改善作用。该工作为实验室到临床的转化研究奠定了坚实基础，标志着精准胃肠肿瘤学正迈向智能化新纪元。

 

Kaijie Liu, Zeyu Luo, Wenjie Zhang, Zongsheng He, and Jinjun Guo. Artificial intelligence models: transforming early diagnosis and precise treatment of gastrointestinal cancers. Molecular Cancer.